Integration of experimental studies with mathematical modeling allows insight into systems properties, prediction of perturbation effects and generation of hypotheses for further research. We present a comprehensive mathematical description of the cellular response of yeast to hyperosmotic shock. The model integrates a biochemical reaction network comprising receptor stimulation, mitogen-activated protein kinase cascade dynamics, activation of gene expression and adaptation of cellular metabolism with a thermodynamic description of volume regulation and osmotic pressure. Simulations agree well with experimental results obtained under different stress conditions or with specific mutants. The model is predictive since it suggests previously unrecognized features of the system with respect to osmolyte accumulation and feedback control, as confirmed with experiments. The mathematical description presented is a valuable tool for future studies on osmoregulation in yeast and-with appropriate modifications-other organisms. It also serves as a starting point for a comprehensive description of cellular signaling.

Summary Today, there is great interest in diets proposing new combinations of macronutrient compositions and fasting schedules. Unfortunately, there is little consensus regarding the impact of these different diets, since available studies measure different sets of variables in different populations, thus only providing partial, non-connected insights. We lack an approach for integrating all such partial insights into a useful and interconnected big picture. Herein, we present such an integrating tool. The tool uses a novel mathematical model that describes mechanisms regulating diet-response and fasting metabolic fluxes, both for organ-organ crosstalk, and inside the liver. The tool can mechanistically explain and integrate data from several clinical studies, and correctly predict new independent data, including data from a new clinical study. Using this model, we can predict non-measured variables, e.g. hepatic glycogen and gluconeogenesis, and we can quantify personalized expected differences in outcome for any diet. This constitutes a new digital twin technology.

Abstract Microphysiological systems (MPS) are powerful tools for emulating human physiology and replicating disease progression in vitro . MPS could be better predictors of human outcome than current animal models, but mechanistic interpretation and in vivo extrapolation of the experimental results remain significant challenges. Here, we address these challenges using an integrated experimental-computational approach. This approach allows for in silico representation and predictions of glucose metabolism in a previously reported MPS with two organ compartments (liver and pancreas) connected in a closed loop with circulating medium. We developed a computational model describing glucose metabolism over 15 days of culture in the MPS. The model was calibrated on an experiment-specific basis using data from seven experiments, where single-liver or liver-islet cultures were exposed to both normal and hyperglycemic conditions resembling high blood glucose levels in diabetes. The calibrated models reproduced the fast (i.e. hourly) variations in glucose and insulin observed in the MPS experiments, as well as the long-term (i.e. over weeks) decline in both glucose tolerance and insulin secretion. We also investigated the behavior of the system under hypoglycemia by simulating this condition in silico , and the model could correctly predict the glucose and insulin responses measured in new MPS experiments. Last, we used the computational model to translate the experimental results to humans, showing good agreement with published data of the glucose response to a meal in healthy subjects. The integrated experimental-computational framework opens new avenues for future investigations toward disease mechanisms and the development of new therapies for metabolic disorders.

Abstract Insulin resistance (IR) causes compensatory insulin production, which in humans eventually progresses to beta-cell failure and type 2 diabetes (T2D). This disease progression involves multi-scale processes, ranging from intracellular signaling to organ-organ and whole-body level regulations, on timescales from minutes to years. T2D progression is commonly studied using overfed and genetically modified rodents. However, rodents do not exhibit human T2D progression, with IR-driven beta-cell failure, and available multi-scale data is too complex to fully comprehend using traditional analysis. To help resolve these issues, we here present an in silico mouse model. This is the first mathematical model that simultaneously explains multi-scale mouse IR data on all three levels – cells, organs, body – ranging from minutes to months. The model correctly predicts new independent multi-scale validation data and provides insights into non-measured processes. Finally, we present a humanoid in silico mouse exhibiting disease progression from IR to IR-driven T2D.

ABSTRACT Current research on metabolic disorders such as type 2 diabetes relies on animal models because multi-organ diseases cannot be well studied with the standard in vitro assays. Here, we connect models of key metabolism organs, pancreas and liver, on a microfluidic chip to enable diabetes research in a human-based preclinical system. Aided by mechanistic mathematical modelling, we developed a two-organ microphysiological system (MPS) that replicates clinically-relevant phenotypes of diabetic dysregulation both in the liver and pancreas compartments. Exposure to hyperglycemia and high cortisone created a diseased pancreas-liver MPS which displayed beta-cell dysfunction, steatosis, elevated ketone-body secretion, increased glycogen storage, and upregulated gluconeogenic machinery. In turn, normoglycemia and physiological cortisone concentration maintained glucose tolerance and stable liver and beta-cell functions. This method was evaluated for repeatability in two laboratories and was effective in multiple pancreatic islet donors. The model also provides a platform to identify new therapeutic targets as demonstrated with a liver-secreted IL-1R2 protein that induced islet proliferation.

Abstract Aims The increased prevalence of insulin resistance is one of the major health risks in society today. Insulin resistance involves both short-term dynamics, such as altered meal responses, and long-term dynamics, such as development of type 2 diabetes. Insulin resistance also occurs on different physiological levels, ranging from disease phenotypes to organ-organ communication and intracellular signaling. To better understand the progression of insulin resistance, an analysis method is needed that can combine different timescales and physiological levels. One such method is digital twins, consisting of combined mechanistic multi-scale and multi-level mathematical models. We have previously developed a multi-level model for short-term glucose homeostasis and intracellular insulin signaling, and there exists long-term weight regulation models. However, no one has combined these kinds of models into an interconnected, multi-level and multi-timescale digital twin model. Herein, we present a first such multi-scale digital twin for the progression of insulin resistance in humans. Methods The model is based on ordinary differential equations representing biochemical and physiological processes, in which unknown parameters were fitted to data using a MATLAB toolbox. Results The connected twin correctly predicts independent data from a weight increase study, both for weight-changes, for fasting plasma insulin and glucose levels, as well as for intracellular insulin signaling. Similarly, the model can predict independent weight-change data in a weight loss study, involving diet and the weight loss drug topiramate. These independent validation tests are confirmed by a chi-square test (𝑉(𝜃) = 4.8 < 21 = 𝜒 2 𝑐𝑢𝑚,𝑖𝑛𝑣 (12,0.05)). In both these cases, the model can also predict non-measured variables, such as activity of intracellular intermediaries, glucose tolerance responses, and organ fluxes. Conclusions We present a first multi-level and multi-timescale model, describing dynamics on the whole-body, organ and cellular levels, ranging from minutes to years. This model constitutes the basis for a new digital twin technology, which in the future could potentially be used to aid medical pedagogics and increase motivation and compliance and thus aid in prevention and treatment of insulin resistance.

Abstract Biophysical models can predict the behavior of cell cultures including 3D cell aggregates (3DCAs), thereby reducing the need for costly and time-consuming experiments. Specifically, mass transfer models enable studying the transport of nutrients, oxygen, signaling molecules, and drugs in 3DCA. These models require the defining of boundary conditions (BC) between the 3DCA and surrounding medium. However, accurately modeling the BC that relates the inner and outer boundary concentrations at the border between the 3DCA and the medium remains a challenge that this paper addresses using both theoretical and experimental methods. The provided biophysical analysis indicates that the concentration of molecules inside boundary is higher than that at the outer boundary, revealing an amplification factor that is confirmed by a particle-based simulator (PBS). Due to the amplification factor, the PBS confirms that when a 3DCA with a low concentration of target molecules is introduced to a culture medium with a higher concentration, the molecule concentration in the medium rapidly decreases. The theoretical model and PBS simulations were used to design a pilot experiment with liver spheroids as the 3DCA and glucose as the target molecule. Experimental results agree with the proposed theory and derived properties. Author summary The primary objective of our research was to enable the development of reliable biophysical models for three-dimensional cell aggregates (3DCAs). To achieve this goal, we employed a combination of theoretical and experimental methods to derive and characterize the amplification boundary condition (BC), which represents the relation of inner and outer boundary concentrations at the border between a 3DCA and its surrounding medium. By understanding the amplificaiton BC, we can better comprehend the transport and diffusion processes that occur within 3DCAs. The significance of our research lies in its potential to advance the understanding of 3DCAs and their underlying biophysical processes. This knowledge is crucial for a wide range of applications, including drug design and analysis of drug dosages within tissues. This factor may provide insight into the mechanisms behind tumor development and morphogenesis. In particular, the packed structure of cancer tumors enables them to receive and trap a higher concentration of nutrients and oxygen molecules based on the amplification factor. Thus, this study could contribute to the development of novel approaches to manage and treat cancerous tissues.