Under stress, many crystalline materials exhibit irreversible plastic deformation caused by the motion of lattice dislocations. In plastically deformed microcrystals, internal dislocation avalanches lead to jumps in the stress-strain curves (strain bursts), whereas in macroscopic samples plasticity appears as a smooth process. By combining three-dimensional simulations of the dynamics of interacting dislocations with statistical analysis of the corresponding deformation behavior, we determined the distribution of strain changes during dislocation avalanches and established its dependence on microcrystal size. Our results suggest that for sample dimensions on the micrometer and submicrometer scale, large strain fluctuations may make it difficult to control the resulting shape in a plastic-forming process.

The physics of sliding friction is gaining impulse from nanoscale and mesoscale experiments, simulations, and theoretical modeling. This Colloquium reviews some recent developments in modeling and in atomistic simulation of friction, covering open-ended directions, unconventional nanofrictional systems, and unsolved problems.

The hysteresis properties of ferromagnetic materials at low field are described by the Rayleigh law. We analyze the problem in light of modern statistical mechanics models of hysteresis. In particular, we compute the demagnetization curve and derive the Rayleigh parameters a and b in the random-field Ising model and in a model of domain wall depinning. In the random-field Ising model the Rayleigh law is obeyed only in the disorder dominated phase, while in the low disorder phase it is not possible to demagnetize the sample. This approach allows us to link a and b to microstructural parameters, such as the domain wall energy, the internal disorder or the exchange interactions. Finally, our results are compared with experiments.

Recent years have seen a tremendous growth of interest in understanding the role that the adaptive immune system could play in interdicting tumor progression. In this context, it has been shown that the density of adaptive immune cells inside a solid tumor serves as a favorable prognostic marker across different types of cancer. The exact mechanisms underlying the degree of immune cell infiltration is largely unknown. Here, we quantify the temporal dynamics of the density profile of activated immune cells around a solid tumor spheroid. We propose a computational model incorporating immune cells with active, persistent movement and a proliferation rate that depends on the presence of cancer cells, and show that the model able to reproduce quantitatively the experimentally measured infiltration profile. Studying the density distribution of immune cells inside a solid tumor can help us better understand immune trafficking in the tumor micro-environment, hopefully leading towards novel immunotherapeutic strategies.

Metastasis is the cause of over 90% of cancer-related deaths. Cancer cells undergoing metastasis can switch dynamically between different phenotypes, enabling them to adapt to harsh challenges such as overcoming anoikis and evading immune response. This ability, known as phenotypic plasticity, is crucial for the survival of cancer cells during metastasis, as well as acquiring therapy resistance. Various biochemical networks have been identified to contribute to phenotypic plasticity, but how plasticity emerges from the dynamics of these networks remains elusive. Here, we investigated the dynamics of various regulatory networks implicated in Epithelial-Mesenchymal Plasticity (EMP) − an important arm of phenotypic plasticity − through two different mathematical modelling frameworks: a discrete, parameter-independent framework (Boolean) and a continuous, parameter-agnostic modelling framework (RACIPE). Results from either framework in terms of phenotypic distributions obtained from a given EMP network are qualitatively similar and suggest that these networks are multi-stable and can give rise to phenotypic plasticity. Neither method requires specific kinetic parameters, thus our results emphasize that EMP can emerge through these networks over a wide range of parameter sets, elucidating the importance of network topology in enabling phenotypic plasticity. Furthermore, we show that the ability to exhibit phenotypic plasticity correlates positively with the number of positive feedback loops in a given network. These results pave a way towards an unorthodox network topology-based approach to identify crucial links in a given EMP network that can reduce phenotypic plasticity and possibly inhibit metastasis - by reducing the number of positive feedback loops.

ABSTRACT The choanoflagellate Salpingoeca rosetta can differentiate into at least five morphologically and behaviorally distinct cell types during its lifetime, going from individual motile cells to linear and rosette-shaped colonies. Due to the capability to form colonies and its close relationship with Metazoa, this organism is considered a model for studying multicellular evolution. The gene regulatory programs underlying these transformations are, however, unknown. Here we analyze transcriptomic data obtained from Salpingoeca rosetta in different states to identify a core of genes associated with the formation of multicellular colonies. We then compare the results with other organisms which display simple forms of multicellularity, highlighting commonalities and differences.

Nuclear pores are protein assemblies inserted in the nuclear envelope of eukaryotic cells, acting as main gates for communication between nucleus and cytoplasm. So far, nuclear pores have been extensively studied to determine their structure and composition, yet their spatial organization and geometric arrangement on the nuclear surface are still poorly understood. Here, we analyze super-resolution images of the surface of Xenopus laevis oocyte nuclei during development, and characterize the arrangement of nuclear pores using tools commonly employed to study the atomic structural and topological features of soft matter. To interpret the experimental results, we hypothesize an effective interaction among nuclear pores and implemented it in extensive numerical simulations of octagonal clusters mimicking typical pore shapes. Thanks to our simple model, we find simulated spatial distributions of nuclear pores that are in excellent agreement with experiments, suggesting that an effective interaction among nuclear pores exists and could explain their geometrical arrangement. Furthermore, our results show that the statistical features of the geometric arrangement of nuclear pores do not depend on the type of pore-pore interaction, attractive or repulsive, but are mainly determined by the octagonal symmetry of each single pore. These results pave the way to further studies needed to determine the biological nature of pore-pore interactions.

Microclimate mapping and monitoring are of fundamental importance to manage natural resources and optimize agricultural procedures. Precision agriculture is based on the management of spatial–temporal microclimatic variation in fields monitored by IoT systems. Networks of microclimate sensors provide point-based measurements that can be used as input data for physical and artificial intelligence (AI) models to study variations of microclimatic conditions over several spatial and temporal scales. We propose and experimentally validate a computational framework based on AI algorithms to optimize and validate the placement of sensors networks according to local temperature variations within a study area located in the Lombardian foothills, Italy. The strategy involves a clustering procedure to extract spatial locations with a similar thermal behavior. An experimental validation has been then performed by deploying sensors in the optimized clusters to record temperature data. These data have been processed by a Nhits neural network trained to predict future temperature scenarios, to verify that predictions made inside each cluster are consistent and representative of a real temperature pattern. Our results indicate that the clustering optimization framework successfully identifies real temperature patterns within the study area.