MARC

 008260126s2025        us                              c    eng  d
■001000017358123
■00520260202103647
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314875339
■035    ▼a(MiAaPQ)AAI32092647
■035    ▼a(MiAaPQ)umichrackham006027
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574.191
■1001  ▼aMcCusker,  Daniel  R.
■24510▼aLimits  on  Biological  Size  Regulation  and  Biochemical  Sensing
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a222  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Lubensky,  David  K.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aLiving  systems  function  reliably  and  reproducibly,  despite  intrinsic  variability  at  the  molecular  level.  In  this  thesis,  we  investigate  three  specific  biological  models  and  limits  on  their  performance,  given  intrinsic  variability.  We  first  consider  limits  to  the  precision  of  cell  division  size,  which  is  typically  found  to  vary  for  a  given  cell  type  in  a  constant  environment  by  about  10-20%.  To  understand  the  origin  of  this  level  of  variability,  we  introduce  a  phenomenological,  stochastic  model  which  includes  both  growth  rate  noise  and  size  sensor  noise.  Using  our  modeling  framework,  together  with  previously  published  E.  coli  growth  data,  we  directly  quantify  the  amplitudes  of  two  uncorrelated  noise  sources  which  can  together  explain  most  of  E.  coli's  division  size  variability:  growth  noise  and  expression  noise  of  the  putative  size-sensor  protein  FtsZ.  In  accounting  for  both  of  these  sources  of  noise,  our  model  makes  a  previously  unappreciated  connection  between  the  biological  problem  of  size  variability  and  the  classical  theory  of  Kalman  filtering.  Our  model  generates  testable  predictions  for  possible  experiments  that  could  tune  the  level  of  size  variability.  We  use  a  similar  phenomenological  approach,  inspired  by  ideas  from  control  theory  and  Kalman  filtering,  to  understand  limits  on  the  precision  of  organ  size.  In  Drosophila,  it  has  been  observed  that  stochastic  variations  during  development,  at  the  level  of  individual  organs,  account  for  variation  in  adult  organ  sizes  at  the  level  of  about  1%.  To  understand  this  level  of  variability,  we  consider  a  feedback  model  of  growth  control  in  which  a  size  estimator  controls  the  approach  of  organ  size  to  a  target  final  size.  Our  model  quantifies  how  growth  noise  and  sensing  noise  set  the  scale  of  final  size  variability.  It  also  quantifies  how  mean  final  size  depends  on  model  parameters,  and  thereby  suggests  experimental  perturbations  which  could  probe  candidate  mechanisms  of  growth  control.  Finally  we  consider  limits  on  biochemical  sensing  in  confined  domains.  The  precision  of  biochemical  sensing  is  inherently  limited  because  of  the  random,  diffusive  arrival  of  discrete  ligand  molecules.  Our  results  quantify  how  confinement  effects,  sensor  size,  and  sensor  placement  correct  well-understood  scaling  relations  for  biochemical  sensors  in  infinite  domains  of  diffusion.
■590    ▼aSchool  code:  0127.
■650  4▼aBiophysics
■650  4▼aCellular  biology
■650  4▼aMolecular  biology
■650  4▼aBiochemistry
■650  4▼aGenetics
■653    ▼aQuantitative  biology
■653    ▼aStochastic  control
■653    ▼aBiological  growth
■653    ▼aBiochemical  sensing
■653    ▼aSize  variability
■690    ▼a0786
■690    ▼a0379
■690    ▼a0487
■690    ▼a0369
■690    ▼a0307
■71020▼aUniversity  of  Michigan▼bApplied  Physics.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358123▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books