Abstract Motivation: Molecular biotechnology now makes it possible to build elaborate systems models, but the systems biology community needs information standards if models are to be shared, evaluated and developed cooperatively. Results: We summarize the Systems Biology Markup Language (SBML) Level 1, a free, open, XML-based format for representing biochemical reaction networks. SBML is a software-independent language for describing models common to research in many areas of computational biology, including cell signaling pathways, metabolic pathways, gene regulation, and others. Availability: The specification of SBML Level 1 is freely available from http://www.sbml.org/ Contact: sysbio-team@caltech.edu * To whom correspondence should be addressed.

Dynamic properties of allosteric complexes are crucial for cellular information processing. However, direct observations of allosteric switches have been limited to compact molecular assemblies. Here, we report in vivo FRET measurements of spontaneous discrete-level fluctuations in the activity of the Escherichia coli chemosensory array — an extensive membrane-associated assembly comprising thousands of molecules. Finite-size scaling analysis of the temporal statistics by a two-dimensional conformational spread model revealed nearest-neighbor coupling strengths within 3% of the Ising second-order phase transition, indicating that chemosensory arrays are poised at criticality. Our analysis yields estimates for the intrinsic timescale of conformational changes (~ 10 ms) of allosteric units, and identifies near-critical tuning as a design principle for balancing the inherent tradeoff between response amplitude and response speed in higher-order signaling assemblies. One-setence summary In vivo measurements of protein signaling array fluctuations reveal an allosteric system poised at criticality.

While measurement advances now allow extensive surveys of gene activity (large numbers of genes across many samples), interpretation of these data is often confounded by noise — expression counts can differ strongly across samples due to variation of both biological and experimental origin. Complimentary to perturbation approaches, we extract functionally related groups of genes by analyzing the standing variation within a sampled population. To distinguish biologically meaningful patterns from uninterpretable noise, we focus on correlated variation and develop a novel density-based clustering approach that takes advantage of a percolation transition generically arising in random, uncorrelated data. We apply our approach to two contrasting RNA sequencing data sets that sample individual variation — across single cells of fission yeast and whole animals of C. elegans worms — and demonstrate robust applicability and versatility in revealing correlated gene clusters of diverse biological origin, including cell cycle phase, development/reproduction, tissue-specific functions, and feeding history. Our technique exploits generic features of noisy high-dimensional data and is applicable, beyond gene expression, to feature-rich data that sample population-level variability in the presence of noise. Significance Statement Gene expression largely determines the fate of each cell and ultimately the development and behavior of the whole organism. Whereas most of our knowledge on gene regulatory networks has been obtained from perturbation experiments (e.g. manipulating environmental conditions, genotype, or other physiological variables), here we develop an alternative approach based on the analysis of naturally occurring variations across individuals within a population. Using both single-cell and whole-animal RNA sequencing data, we demonstrate how a rich set of co-regulated gene modules can be uncovered from transcriptomic variability of individuals within unperturbed populations. To robustly extract interpretable clusters from the strong noise background, we devise a novel, versatile clustering approach based on network theory. With a foundation in the generic behavior of random networks near their percolation critical point, our method is broadly applicable, beyond gene expression, to any noisy, high-dimensional data that sample variation across individuals within a population.

Abstract Intensity-based live-cell fluorescence resonance energy transfer (FRET) imaging converts otherwise unobservable molecular interactions inside cells into fluorescence time-series signals. However, inferring the degree of molecular interactions from these observables is challenging, due to experimental complications such as spectral crosstalk, photobleaching, and measurement noise. Conventional methods solve this inverse problem through algebraic manipulations of the observables, but such manipulations inevitably accumulate measurement noise, limiting the scope of FRET analysis. Here, we introduce a Bayesian inference framework, B-FRET, which estimates molecular interactions from FRET data in a statistically optimal manner. B-FRET requires no additional measurements beyond those routinely conducted in standard 3-cube FRET imaging methods, and yet, by using the information contained in the data more efficiently, dramatically improves the signal-to-noise ratio (SNR). We validate B-FRET using simulated data, and then apply it to FRET data measured from single bacterial cells, a system with notoriously low SNR, to reveal signaling dynamics that are otherwise hidden in noise.

We present in vivo single-cell FRET measurements in the Escherichia coli chemotaxis system that reveal pervasive signaling variability, both across cells in isogenic populations and within individual cells over time. We quantify cell-to-cell variability of adaptation, ligand response, as well as steady-state output level, and analyze the role of network design in shaping this diversity from gene expression noise. In the absence of changes in gene expression, we find that single cells demonstrate strong temporal fluctuations. We provide evidence that such signaling noise can arise from at least two sources: (i) stochastic activities of adaptation enzymes, and (ii) receptor-kinase dynamics in the absence of adaptation. We demonstrate that under certain conditions, (ii) can generate giant fluctuations that drive signaling activity of the entire cell into a stochastic two-state switching regime. Our findings underscore the importance of molecular noise, arising not only in gene expression but also in protein networks.

Abstract Arbuscular mycorrhizal fungi (AMF) are considered ecosystem engineers, however, the exact mechanisms by which they modify and influence their immediate surroundings are largely unknown and difficult to study in soil. In this study, we used microfluidic chips, simulating artificial soil structures, to study foraging strategies and habitat modification of Rhizophagus irregularis in symbiotic state associated to carrot roots. Our results suggest that AMF hyphae forage over long distances in void spaces, prefer straight over tortuous passages, anastomose and show strong inducement of branching when encountering obstacles. We observed bi-directional vesicle transport inside active hyphae and documented strategic allocation of biomass within the mycelium e.g., truncated hyphal growth and cytoplasm retraction from inefficient paths. We found R. irregularis able to modify pore-spaces in the chips by producing irregularly shaped spores that filled up pores. We suggest that studying AMF hyphal behaviour in spatial settings can explain phenomena reported at bulk scale such as AMF modification of water retention in soils. The use of microfluidic soil chips in AMF research opens up novel opportunities to under very controlled conditions study ecophysiology and interactions of the mycelium with both biotic and abiotic factors.

While navigating their environments, cells encounter many different signals at once. In the face of uncertain conditions, diversifying the sensitivity to different signals across the population can be useful. Previous studies established that one of the simplest sensory systems, the chemotaxis network of Escherichia coli , can switch between a high diversity bet-hedging strategy, and a low diversity tracking strategy for a ligand as that ligand becomes prevalent. Here, we combine mathematical modeling and single-cell experiments to show that populations of chemotactic bacteria make this transition for each ligand independently. That is, transitioning to tracking one ligand does not compromise the population’s ability to hedge its bets across other future ligands. Remarkably, we found that this independence holds even if those ligands compete for receptor binding sites with the background ligand being tracked. The independence of this transition between two diversity regimes is explained by a simple allosteric model of chemoreceptor clusters with negative integral feedback, which accurately predicts the observed diversity in sensitivity under various background stimulus conditions. Our mathematical analysis shows that similar transitions from bet-hedging to tracking also arise in feed-forward network architectures capable of precise adaptation, suggesting that environment-dependent modulation of diversity may occur in many cell types.

A quantitative understanding of organism-level behavior requires predictive models that can capture the richness of behavioral phenotypes, yet are simple enough to connect with underlying mechanistic processes. Here we investigate the motile behavior of nematodes at the level of their translational motion on surfaces driven by undulatory propulsion. We broadly sample the nematode behavioral repertoire by measuring motile trajectories of the canonical lab strain C. elegans N2 as well as wild strains and distant species. We focus on trajectory dynamics over timescales spanning the transition from ballistic (straight) to diffusive (random) movement and find that salient features of the motility statistics are captured by a random walk model with independent dynamics in the speed, bearing and reversal events. We show that the model parameters vary among species in a correlated, low-dimensional manner suggestive of a common mode of behavioral control and a trade-off between exploration and exploitation. The distribution of phenotypes along this primary mode of variation reveals that not only the mean but also the variance varies considerably across strains, suggesting that these nematode lineages employ contrasting "bet-hedging'' strategies for foraging.