Abstract The overexpression of many proteins can often have a detrimental impact on cellular growth. This expression-growth coupling leads to positive feedback - any increase of intracellular protein concentration reduces the growth rate of cell size expansion that in turn enhances the concentration via reduced dilution. We investigate how such feedback amplifies intrinsic stochasticity in gene expression to drive a skewed distribution of the protein concentration. Our results provide an exact solution to this distribution by analytically solving the Chapman-Kolmogorov equation, and we use it to quantify the enhancement of noise/skewness as a function of expression-growth coupling. This analysis has important implications for the expression of stress factors, where high levels provide protection from stress, but come at the cost of reduced cellular proliferation. Finally, we connect these analytical results to the case of an actively degraded gene product, where the degradation machinery is working close to saturation.

Abstract Triggering of cellular events often relies on the level of a key gene product crossing a critical threshold. Achieving precision in event timing in spite of noisy gene expression facilitates high-fidelity functioning of diverse processes from biomolecular clocks, apoptosis and cellular differentiation. Here we investigate the role of an incoherent feedforward circuit in regulating the time taken by a bacterial virus (bacteriophage lambda) to lyse an infected Escherichia coli cell. Lysis timing is the result of expression and accumulation of a single lambda protein (holin) in the E. coli cell membrane up to a critical threshold level, which triggers the formation of membrane lesions. This easily visualized process provides a simple model system for characterizing event-timing stochasticity in single cells. Intriguingly, lambda’s lytic pathway synthesizes two functionally opposite proteins: holin and antiholin from the same mRNA in a 2:1 ratio. Antiholin sequesters holin and inhibits the formation of lethal membrane lesions, thus creating an incoherent feedforward circuit. We develop and analyze a stochastic model for this feedforward circuit that considers correlated bursty expression of holin/antiholin, and their concentrations are diluted from cellular growth. Interestingly, our analysis shows the noise in timing is minimized when both proteins are expressed at an optimal ratio, hence revealing an important regulatory role for antiholin. These results are in agreement with single cell data, where removal of antiholin results in enhanced stochasticity in lysis timing.

Abstract Synthesis of gene products in bursts of multiple molecular copies is an important source of gene expression variability. This paper studies large deviations in a Markovian drift–jump process that combines exponentially distributed bursts with deterministic degradation. Large deviations occur as a cumulative effect of many bursts (as in diffusion) or, if the model includes negative feedback in burst size, in a single big jump. The latter possibility requires a modification in the WKB solution in the tail region. The main result of the paper is the construction, via a modified WKB scheme, of matched asymptotic approximations to the stationary distribution of the drift–jump process. The stationary distribution possesses a heavier tail than predicted by a routine application of the scheme. MSC 2020 92C40; 60J76, 45D05, 41A60

Stochastic effects in cell growth and division drive variability in cellular volumes both at the single-cell level and at the level of growing cell populations. Here we consider a simple and tractable model in which cell volumes grow exponentially, cell division is symmetric, and its rate is volume-dependent. Consistently with previous observations, the model is shown to sustain oscillatory behaviour with alternating phases of slow and fast growth. Exact simulation algorithms and large-time asymptotics are developed and cross-validated for the single-cell and whole-population formulations of the model. The two formulations are shown to provide similar results during the phases of slow growth, but differ during the fast-growth phases. Specifically, the single-cell formulation systematically underestimates the proportion of small cells. More generally, our results suggest that measurable characteristics of cells may follow different distributions depending on whether a single-cell lineage or an entire population is considered.

Stochasticity in gene expression poses a critical challenge to the precise control of cellular function. In this paper we examine how precisely can a stochastically expressed protein attain a given target expression level. We consider a protein which is produced in bursts and which is able to control its expression via a negative feedback loop; we specifically focus on feedback of a bang--bang type which turns off the production of the protein whenever its concentration exceeds a given threshold. Using a piecewise deterministic mathematical formalism, we derive explicit expressions for the probabilistic distribution of the protein concentration, and for the mean square deviation from the target level. Employing a combination of analytic and numerical optimization, we identify the optimal value of the bang--bang threshold, in terms of minimising the deviation, and examine the dependence of the optimal value on the target level and the sub-threshold burst frequency. The systematic analysis allows us to formulate a number of quantitative and qualitative conclusions about the controllability of burst like gene expression. Finally, we outline directions for future research into the topic.

Burst-like synthesis of protein is a significant source of cell-to-cell variability in protein levels. Negative feedback is a common example of a regulatory mechanism by which such stochasticity can be controlled. Here we consider a specific kind of negative feedback, which makes bursts smaller in the excess of protein. Increasing the strength of the feedback may lead to dramatically different outcomes depending on a key parameter, the noise load, which is defined as the squared coefficient of variation the protein exhibits in the absence of feedback. Combining stochastic simulation with asymptotic analysis, we identify a critical value of noise load: for noise loads smaller than critical, the coefficient of variation remains bounded with increasing feedback strength; contrastingly, if the noise load is larger than critical, the coefficient of variation diverges to infinity in the limit of ever greater feedback strengths. Interestingly, high-cooperativity feedbacks have lower critical noise loads, implying that low-cooperativity feedbacks in burst size can be preferable for noisy proteins. Finally, we discuss our findings in the context of previous results on the impact of negative feedback in burst size and burst frequency on gene-expression noise.

The expression of individual genes can be maintained through positive feedback loop mechanisms. If genes are expressed in bursts, then feedback either affects the frequency with which bursts occur or their size. Here we use a tractable hybrid modelling framework to evaluate how noncooperative positive feedback in burst frequency or burst size impacts the protein-level distribution. We confirm the results of previous studies that noncooperative positive feedback in burst frequency can support bimodal distributions. Intriguingly, bimodal distributions are unavailable in the case of feedback in burst size in the hybrid framework. However, kinetic Monte Carlo simulations of a full discrete model show that bimodality can reappear due to low-copy number effects. The two types of feedbacks lead to dramatically different values of protein mean and noise. We show that small values of leakage imply a small protein mean for feedback in burst frequency but not necessarily for feedback in burst size. We also show that protein noise decreases in response to gene activation if feedback is in burst frequency but there is a transient noise amplification if feedback acts on burst size. Our results suggest that feedback in burst size and feedback in burst frequency may play fundamentally different roles in maintaining and controlling stochastic gene expression.

Synthesis of individual molecules in the expression of genes often occurs in bursts of multiple copies. Gene regulatory feedback can affect the frequency with which these bursts occur or their size. Whereas frequency regulation has traditionally received more attention, we focus specifically on the regulation of burst size. It turns out that there are (at least) two alternative formulations of feedback in burst size. In the first, newly produced molecules immediately partake in feedback, even within the same burst. In the second, there is no within-burst regulation due to what we call infinitesimal delay. We describe both alternatives using a minimalistic Markovian drift-jump framework combining discrete and continuous dynamics. We derive detailed analytic results and efficient simulation algorithms for positive non-cooperative autoregulation (whether infinitesimally delayed or not). We show that at steady state both alternatives lead to a gamma distribution of protein level. The steady-state distribution becomes available only after a transcritical bifurcation point is passed. Interestingly, the onset of the bifurcation is postponed by the inclusion of infinitesimal delay.

Noise in gene expression can be substantively affected by the presence of production delay. Here we consider a mathematical model with bursty production of protein, a one-step production delay (the passage of which activates the protein), and feedback in the frequency of bursts. We specifically focus on examining the steady-state behaviour of the model in the slow-activation (i.e. large-delay) regime. Using a quasi-steady-state (QSS) approximation, we derive an autonomous ordinary differential equation for the inactive protein that applies in the slow-activation regime. If the differential equation is monostable, the steady-state distribution of the inactive (active) protein is approximated by a single Gaussian (Poisson) mode located at the globally stable steady state of the differential equation. If the differential equation is bistable (due to cooperative positive feedback), the steady-state distribution of the inactive (active) protein is approximated by a mixture of Gaussian (Poisson) modes located at the stable steady states; the weights of the modes are determined from a WKB approximation to the stationary distribution. The asymptotic results are compared to numerical solutions of the chemical master equation.

Bacterial cell persistence, crucial for survival under adverse conditions like antibiotic exposure, is intrinsically linked to stochastic fluctuations in gene expression. Certain genes, while inhibiting growth under normal circumstances, confer tolerance to antibiotics at elevated expression levels. The occurrence of antibiotic events lead to instantaneous cellular responses with varied survival probabilities correlated with gene expression levels. Notably, cells with lower protein concentrations face higher mortality rates. This study aims to elucidate an optimal strategy for protein expression conducive to cellular survival. Through comprehensive mathematical analysis, we determine the optimal burst size and frequency that maximise cell proliferation. Furthermore, we explore how the optimal expression distribution changes as the cost of protein expression to growth escalates. Our model reveals a hysteresis phenomenon, characterised by discontinuous transitions between deterministic and stochastic optima. Intriguingly, stochastic optima possess a noise floor, representing the minimal level of fluctuations essential for optimal cellular resilience.