Abstract How cells maintain their size has been extensively studied under constant conditions. In the wild, however, cells rarely experience constant environments. Here, we examine how the 24-hour circadian clock and environmental cycles modulate cell size control and division timings in the cyanobacterium Synechococcus elongatus using single-cell time-lapse microscopy. Under constant light, wild type cells follow an apparent sizer-like principle. Closer inspection reveals that the clock generates two subpopulations, with cells born in the subjective day following different division rules from cells born in subjective night. A stochastic model explains how this behaviour emerges from the interaction of cell size control with the clock. We demonstrate that the clock continuously modulates the probability of cell division throughout day and night, rather than solely applying an on-off gate to division as previously proposed. Iterating between modelling and experiments, we go on to show that the combined effects of the environment and the clock on cell division are explained by an effective coupling function. Under naturally graded light-dark cycles, this coupling shifts cell division away from dusk and dawn, when light levels are low and cell growth is reduced. Our analysis allows us to disentangle, and predict the effects of, the complex interactions between the environment, clock, and cell size control.

Clonal cells of exponentially growing populations vary substantially from cell to cell. The main drivers of this heterogeneity are the population dynamics and stochasticity in the intracellular reactions, which are commonly studied separately. Here we develop an agent-based framework that allows tracking of the biochemical dynamics in every single cell of a growing population that accounts for both of these factors. Apart from the common intrinsic variability of the biochemical reactions, the framework also predicts extrinsic noise arising from fluctuations in the histories of cells without the need to introduce fluctuating rate constants. Instead, these extrinsic fluctuations are explained by cell cycle fluctuations and differences in cell age, which are ubiquitously observed in growing populations. We give explicit formulas to quantify mean molecule numbers, intrinsic and extrinsic noise statistics as measured in two-colour experiments. We find that these statistics may differ significantly depending on the experimental setup used to observe the cells. We illustrate this fact using (i) averages over an isolated cell lineage tracked over many generations as observed in the mother machine, (ii) snapshots of a growing population with known cell ages as recorded in time-lapse microscopy, and (iii) snapshots of unknown cell ages as measured from static images. Our integrated approach applies to arbitrary biochemical networks and generation time distributions. By employing models of stochastic gene expression and feedback regulation, we elucidate that isolated lineages, as compared to snapshot data, can significantly overestimate the mean number of molecules, overestimate extrinsic noise but underestimate intrinsic noise and have qualitatively different sensitivities to cell cycle fluctuations.

The chemical master equation and the Gillespie algorithm are widely used to model the reaction kinetics inside living cells. It is thereby assumed that cell growth and division can be modelled through effective dilution reactions and extrinsic noise sources. We here re-examine these paradigms through developing an analytical agent-based framework of growing and dividing cells accompanied by an exact simulation algorithm, which allows us to quantify the dynamics of virtually any intracellular reaction network affected by stochastic cell size control and division noise. We find that the solution of the chemical master equation – including static extrinsic noise – exactly agrees with the agent-based formulation when the network under study exhibits stochastic concentration homeostasis , a novel condition that generalises concentration homeostasis in deterministic systems to higher order moments and distributions. We illustrate stochastic concentration homeostasis for a range of common gene expression networks. When this condition is not met, we demonstrate by extending the linear noise approximation to agent-based models that the dependence of gene expression noise on cell size can qualitatively deviate from the chemical master equation. Surprisingly, the total noise of the agent-based approach can still be well approximated by extrinsic noise models.

Abstract Gene expression is characterised by stochastic bursts of transcription that occur at brief and random periods of promoter activity. The kinetics of gene expression burstiness differs across the genome and is dependent on the promoter sequence, among other factors. Single-cell RNA sequencing (scRNA-seq) has made it possible to quantify the cell-to-cell variability in transcription at a global genome-wide level. However, scRNA-seq data is prone to technical variability, including low and variable capture efficiency of transcripts from individual cells. Here, we propose a novel mathematical theory for the observed variability in scRNA-seq data. Our method captures burst kinetics and variability in both cell size and capture efficiency, which allows us to propose several likelihood-based and simulation-based methods for the inference of burst kinetics from scRNA-seq data. Using both synthetic and real data, we show that the simulation-based methods provide an accurate, robust and flexible tool for inferring burst kinetics from scRNA-seq data. In particular, in supervised manner, a simulation-based inference method based on neural networks proves to be accurate and useful in application to both allele and non-allele specific scRNA-seq data.

Phenotypic selection occurs when genetically identical cells are subject to different reproductive abilities due to cellular noise. Such noise arises from fluctuations in reactions synthesizing proteins and plays a crucial role in how cells make decisions and respond to stress or drugs. We propose a general stochastic agent-based model for growing populations capturing the feedback between gene expression and cell division dynamics. We devise a finite state projection approach to analyze gene expression and division distributions and infer selection from single-cell data in mother machines and lineage trees. We use the theory to quantify selection in multi-stable gene expression networks and elucidate that the trade-off between phenotypic switching and selection enables robust decision-making essential for synthetic circuits and developmental lineage decisions. Using live-cell data, we demonstrate that combining theory and inference provides quantitative insights into bet-hedging–like response to DNA damage and adaptation during antibiotic exposure in Escherichia coli .

Abstract This paper presents a comparison study of the aerodynamic behavior of an 8 MW wind turbine operating under yawed conditions using field measurements, Blade Element Momentum (BEM) theory and Computational Fluid Dynamics (CFD). Turbulent inflow wind field measurements are used to generate an IEC-compliant turbulence box upstream of the wind turbine that is used within the BEM tool MoWiT and the CFD tool chain by IWES in OpenFOAM. Both simulation approaches take into account blade flexibility using modal reduced, anisotropic beam elements in BEM and Geometrically Exact Beam Therory (GEBT) in CFD. While the focus is being set towards the CFD approach, turbine power output, blade root bending moments and blade tip deflections are analyzed. It is shown that both modeling approaches react differently towards the generated wind field.

Abstract Single-cell transcriptomics reveals significant variations in the transcriptional activity across cells. Yet, it remains challenging to identify mechanisms of transcription dynamics from static snapshots. It is thus still unknown what drives global transcription dynamics in single cells. We present a stochastic model of gene expression in growing and dividing cells that harnesses temporal dimensions of single-cell RNA-sequencing through metabolic labelling protocols and cell cycle reporters. We develop a parallel and highly scalable Approximate Bayesian Computation method that corrects for technical variation and accurately quantifies absolute burst frequency, burst size and degradation rate at a transcriptome-wide scale. Using Bayesian model selection, we reveal scaling between transcription rates and cell size and unveil waves of gene regulation across the cell cycle-dependent transcriptome. Our study shows that stochastic modelling of dynamical correlations identifies global mechanisms of transcription regulation. We illustrate how mechanistic modelling and amortised inference can efficiently integrate distributions across time, modalities and conditions. Our framework thus provides a versatile tool to uncover how global transcriptional dynamics is orchestrated genome-wide in single cells.

Abstract Circadian clocks enable organisms to anticipate daily cycles, while being robust to molecular and environmental noise. Here, we show how the cyanobacterial clock buffers genetic and environmental perturbations through its core phosphorylation loop. We first characterise single-cell clock dynamics in clock mutants using a microfluidics device that allows precise control of the microenvironment. We find known clock regulators are dispensable for clock robustness, whilst perturbations of the core clock reveal that the wild-type operates at a noise optimum that we can reproduce in a stochastic model of just the core phosphorylation loop. We then examine how the clock responds to noisy environments, including natural light conditions. The model accurately predicts how the clock filters out environmental noise, including fast light fluctuations, to keep time while remaining responsive to environmental shifts. Our findings illustrate how a simple clock network can exhibit complex noise filtering properties, advancing our understanding of how biological circuits can perform accurately in natural environments.

The time taken for cells to complete a round of cell division is a stochastic process controlled, in part, by intracellular factors. These factors can be inherited across cellular generations which gives rise to, often non-intuitive, correlation patterns in cell cycle timing between cells of different family relationships on lineage trees. Here, we formulate a framework of hidden inherited factors affecting the cell cycle that unifies known cell cycle control models and reveals three distinct interdivision time correlation patterns: aperiodic, alternator and oscillator. We use Bayesian inference with single-cell datasets of cell division in bacteria, mammalian and cancer cells, to identify the inheritance motifs that underlie these datasets. From our inference, we find that interdivision time correlation patterns do not identify a single cell cycle model but generally admit a broad posterior distribution of possible mechanisms. Despite this unidentifiability, we observe that the inferred patterns reveal interpretable inheritance dynamics and hidden rhythmicity of cell cycle factors. This reveals that cell cycle factors are commonly driven by circadian rhythms, but their period may differ in cancer. Our quantitative analysis thus reveals that correlation patterns are an emergent phenomenon that impact cell proliferation and these patterns may be altered in disease.

Cellular growth impacts a range of phenotypic responses. Identifying the sources of fluctuations in growth and how they propagate across the cellular machinery can unravel mechanisms that underpin cell decisions. We present a stochastic cell model linking gene expression, metabolism and replication to predict growth dynamics in single bacterial cells. In addition to several population-averaged data, the model quantitatively recovers how growth fluctuations in single cells change across nutrient conditions. We develop a framework to analyse stochastic chemical reactions coupled with cell divisions and use it to identify sources of growth heterogeneity. By visualising cross-correlations we then determine how such initial fluctuations propagate to growth rate and affect other cell processes. We further study antibiotic responses and find that complex drug-nutrient interactions can both enhance and suppress heterogeneity. Our results provide a predictive framework to integrate single-cell and bulk data and draw testable predictions with implications for antibiotic tolerance, evolutionary biology and synthetic biology.