Living systems continually respond to signals from the surrounding environment. Survival requires that their responses adapt quickly and robustly to the changes in the environment. One particularly challenging example is olfactory navigation in turbulent plumes, where animals experience highly intermittent odor signals while odor concentration varies over many length- and timescales. Here, we show theoretically that

Protein filament networks are structures crucial for force generation and cell shape. A central open question is how collective filament dynamics emerges from interactions between individual network constituents. To address this question we study a minimal but generic model for a nematic network where filament sliding is driven by the action of motor proteins. Our theoretical analysis shows how the interplay between viscous drag on filaments and motor-induced forces governs force propagation through such interconnected filament networks. We find that the ratio between these antagonistic forces establishes the range of filament interaction, which determines how the local filament velocity depends on the polarity of the surrounding network. This force propagation mechanism implies that the polarity-independent sliding observed in Xenopus egg extracts, and in-vitro experiments with purified components, is a consequence of a large force propagation length. We suggest how our predictions can be tested by tangible in vitro experiments whose feasibility is assessed with the help of simulations and an accompanying theoretical analysis.

A guiding principle in self-assembly is that, for high production yield, nucleation of structures must be significantly slower than their growth. However, details of the mechanism that impedes nucleation are broadly considered irrelevant. Here, we analyze self-assembly into finite-sized target structures employing mathematical modeling. We investigate two key scenarios to delay nucleation: (i) by introducing a slow activation step for the assembling constituents and, (ii) by decreasing the dimerization rate. These scenarios have widely different characteristics. While the dimerization scenario exhibits robust behavior, the activation scenario is highly sensitive to demographic fluctuations. These demographic fluctuations ultimately disfavor growth compared to nucleation and can suppress yield completely. The occurrence of this stochastic yield catastrophe does not depend on model details but is generic as soon as number fluctuations between constituents are taken into account. On a broader perspective, our results reveal that stochasticity is an important limiting factor for self-assembly and that the specific implementation of the nucleation process plays a significant role in determining the yield.

Sound produces surface waves along the cochlea's basilar membrane. To achieve the ear's astonishing frequency resolution and sensitivity to faint sounds, dissipation in the cochlea must be canceled via active processes in hair cells, effectively bringing the cochlea to the edge of instability. But how can the cochlea be globally tuned to the edge of instability with only local feedback? To address this question, we use a discretized version of a standard model of basilar membrane dynamics, but with an explicit contribution from active processes in hair cells. Surprisingly, we find the basilar membrane supports two qualitatively distinct sets of modes: a continuum of localized modes and a small number of collective extended modes. Localized modes sharply peak at their resonant position and are largely uncoupled. As a result, they can be amplified almost independently from each other by local hair cells via feedback reminiscent of self-organized criticality. However, this amplification can destabilize the collective extended modes; avoiding such instabilities places limits on possible molecular mechanisms for active feedback in hair cells. Our work illuminates how and under what conditions individual hair cells can collectively create a critical cochlea.

ABSTRACT Time efficiency of self-assembly is crucial for many biological processes. Moreover, with the advances of nanotechnology, time efficiency in artificial self-assembly becomes ever more important. While structural determinants and the final assembly yield are increasingly well understood, kinetic aspects concerning the time efficiency, however, remain much more elusive. In computer science, the concept of time complexity is used to characterize the efficiency of an algorithm and describes how the algorithm’s runtime depends on the size of the input data. Here we characterize the time complexity of non-equilibrium self-assembly processes by exploring how the time required to realize a certain, substantial yield of a given target structure scales with its size. We identify distinct classes of assembly scenarios, i.e. ‘algorithms’ to accomplish this task, and show that they exhibit drastically different degrees of complexity. Our analysis enables us to identify optimal control strategies for non-equilibrium self-assembly processes. Furthermore, we suggest an efficient irreversible scheme for the artificial self-assembly of nanostructures, which complements the state-of-the-art approach using reversible binding reactions and requires no fine-tuning of binding energies.

Living systems continually respond to signals from the surrounding environment. Survival requires that their responses adapt quickly and robustly to the changes in the environment. One particularly challenging example is olfactory navigation in turbulent plumes, where animals experience highly intermittent odor signals while odor concentration varies over many length- and timescales. Here, we show theoretically that olfactory receptor neurons (ORNs) can exploit proximity to a bifurcation point of their firing dynamics to reliably extract information about the timing and intensity of fluctuations in the odor signal, which have been shown to be critical for odor-guided navigation. Close to the bifurcation, the system is intrinsically invariant to signal variance, and information about the timing, duration, and intensity of odor fluctuations is transferred efficiently. Importantly, we find that proximity to the bifurcation is maintained by mean adaptation alone and therefore does not require any additional feedback mechanism or fine-tuning. Using a biophysical model with calcium-based feedback, we demonstrate that this mechanism can explain the measured adaptation characteristics of ORNs. Published by the American Physical Society 2024

Abstract E. coli use a regular lattice of receptors and attached kinases to detect and amplify faint chemical signals. Kinase output is characterized by precise adaptation to a wide range of background ligand levels and large gain in response to small relative changes in ligand concentration. These characteristics are well described by models which achieve their gain through equilibrium cooperativity. But these models are challenged by two experimental results. First, neither adaptation nor large gain are present in receptor binding assays. Second, in cells lacking adaptation machinery, fluctuations can sometimes be enormous, with essentially all kinases transitioning together. Here we introduce a far-from equilibrium model in which receptors gate the spread of activity between neighboring kinases. This model achieves large gain through a mechanism we term lattice ultrasensitivity (LU). In our LU model, kinase and receptor states are separate degrees of freedom, and kinase kinetics are dominated by chemical rates far-from-equilibrium rather than by equilibrium allostery. The model recapitulates the successes of past models, but also matches the challenging experimental findings. Importantly, unlike past lattice critical models, our LU model does not require parameters to be fine tuned for function.