Abstract The stochasticity of gene expression is manifested in the fluctuations of mRNA and protein copy numbers within a cell lineage over time. While data of this type can be obtained for many generations, most mathematical models are unsuitable to interpret such data since they assume non-growing cells. Here we develop a theoretical approach that quantitatively links the frequency content of lineage data to subcellular dynamics. We elucidate how the position, height, and width of the peaks in the power spectrum provide a distinctive fingerprint that encodes a wealth of information about mechanisms controlling transcription, translation, replication, degradation, bursting, promoter switching, cell cycle duration, cell division, and gene dosage compensation. Predictions are confirmed by analysis of single-cell Escherichia coli data obtained using fluorescence microscopy. Furthermore, by matching the experimental and theoretical power spectra, we infer the temperature-dependent gene expression parameters, without the need of measurements relating fluorescence intensities to molecule numbers.

Abstract Intracellular reaction rates depend on concentrations and hence their levels are often regulated. However classical models of stochastic gene expression lack a cell size description and cannot be used to predict noise in concentrations. Here, we construct a model of gene product dynamics that includes a description of cell growth, cell division, size-dependent gene expression, gene dosage compensation, and size control mechanisms that can vary with the cell cycle phase. We obtain expressions for the approximate distributions and power spectra of concentration fluctuations which lead to insight into the emergence of concentration homeostasis. Furthermore, we find that (i) the conditions necessary to suppress cell division-induced concentration oscillations are difficult to achieve; (ii) mRNA concentration and number distributions can have different number of modes; (iii) certain size control strategies are ideal because they maintain constant mean concentrations whilst minimising concentration noise. Predictions are confirmed using lineage data for E. coli , fission yeast and budding yeast.

Abstract Classical gene expression models assume exponential switching time distributions between the active and inactive promoter states. However, recent experiments have shown that many genes in mammalian cells may produce non-exponential switching time distributions, implying the existence of multiple promoter states and molecular memory in the promoter switching dynamics. Here we analytically solve a gene expression model with random bursting and complex promoter switching, and derive the time-dependent distributions of the mRNA and protein copy numbers, generalizing the steady-state solution obtained in [SIAM J. Appl. Math. 72, 789-818 (2012)] and [SIAM J. Appl. Math. 79, 1007-1029 (2019)]. Using multiscale simplification techniques, we find that molecular memory has no influence on the time-dependent distribution when promoter switching is very fast or very slow, while it significantly affects the distribution when promoter switching is neither too fast nor too slow. By analyzing the dynamical phase diagram of the system, we also find that molecular memory in the inactive gene state weakens transient and stationary bimodality of the copy number distribution, while molecular memory in the active gene state enhances such bimodality.

Gene-gene interactions are crucial to the control of sub-cellular processes but our understanding of their stochastic dynamics is hindered by the lack of simulation methods that can accurately and efficiently predict how the distributions of protein numbers for each gene vary across parameter space. To overcome these difficulties, here we present Holimap (high-order linear-mapping approximation), an approach that approximates the protein number distributions of a complex gene network by the distributions of a much simpler reaction system. We demonstrate Holimap's computational advantages over conventional methods by applying it to predict the stochastic time-dependent protein dynamics of several gene regulatory networks, ranging from simple autoregulatory loops to complex randomly connected networks. Holimap is ideally suited to study how the intricate network of gene-gene interactions results in precise coordination and control of gene expression.

Abstract The standard model describing the fluctuations of mRNA numbers in single cells is the telegraph model which includes synthesis and degradation of mRNA, and switching of the gene between active and inactive states. While commonly used, this model does not describe how fluctuations are influenced by the cell cycle phase, cellular growth and division, and other crucial aspects of cellular biology. Here we derive the analytical time-dependent solution of an extended telegraph model that explicitly considers the doubling of gene copy numbers upon DNA replication, dependence of the mRNA synthesis rate on cellular volume, gene dosage compensation, partitioning of molecules during cell division, cell-cycle duration variability, and cell-size control strategies. Based on the time-dependent solution, we obtain the analytical distributions of transcript numbers for lineage and population measurements in steady-state growth and also find a linear relation between the Fano factor of mRNA fluctuations and cell volume fluctuations. We show that generally the lineage and population distributions in steady-state growth cannot be accurately approximated by the steady-state solution of extrinsic noise models, i.e. a telegraph model with parameters drawn from probability distributions. This is because the mRNA lifetime is often not small enough compared to the cell cycle duration to erase the memory of division and replication. Accurate approximations are possible when this memory is weak, e.g. for genes with bursty expression and for which there is sufficient gene dosage compensation when replication occurs.

Abstract Gene-gene interactions are crucial to the control of sub-cellular processes but our understanding of their stochastic dynamics is hindered by the lack of simulation methods that can accurately and efficiently predict how the distributions of gene product numbers vary across parameter space. To overcome these difficulties, here we present Holimap (high-order linear-mapping approximation), an approach that approximates the protein or mRNA number distributions of a complex gene regulatory network by the distributions of a much simpler reaction system. We demonstrate Holimap’s computational advantages over conventional methods by applying it to predict the stochastic time-dependent dynamics of various gene networks, including transcriptional networks ranging from simple autoregulatory loops to complex randomly connected networks, post-transcriptional networks, and post-translational networks. Holimap is ideally suited to study how the intricate network of gene-gene interactions results in precise coordination and control of gene expression.

Abstract Recent advances in single-cell technologies have enabled time-resolved measurements of the cell size over several cell cycles. This data encodes information on how cells correct size aberrations so that they do not grow abnormally large or small. Here we formulate a piecewise deterministic Markov model describing the evolution of the cell size over many generations, for all three cell size homeostasis strategies (timer, sizer, and adder). The model is solved to obtain an analytical expression for the non-Gaussian cell size distribution in a cell lineage; the theory is used to understand how the shape of the distribution is influenced by the parameters controlling the dynamics of the cell cycle and by the choice of cell tracking protocol. The theoretical cell size distribution is found to provide an excellent match to the experimental cell size distribution of E. coli lineage data collected under various growth conditions.

Abstract In experiments, the distributions of mRNA or protein numbers in single cells are often fitted to the random telegraph model which includes synthesis and decay of mRNA or protein, and switching of the gene between active and inactive states. While commonly used, this model does not describe how fluctuations are influenced by crucial biological mechanisms such as feedback regulation, non-exponential gene inactivation durations, and multiple gene activation pathways. Here we investigate the dynamical properties of four relatively complex gene expression models by fitting their steady-state mRNA or protein number distributions to the simple telegraph model. We show that despite the underlying complex biological mechanisms, the telegraph model with three effective parameters can accurately capture the steady-state gene product distributions, as well as the conditional distributions in the active gene state, of the complex models. Some effective parameters are reliable and can reflect realistic dynamic behaviors of the complex models, while others may deviate significantly from their real values in the complex models. The effective parameters can also be applied to characterize the capability for a complex model to exhibit multimodality. Using additional information such as single-cell data at multiple time points, we provide an effective method of distinguishing the complex models from the telegraph model. Furthermore, using measurements under varying experimental conditions, we show that fitting the mRNA or protein number distributions to the telegraph model may even reveal the underlying gene regulation mechanisms of the complex models. The effectiveness of these methods is confirmed by analysis of single-cell data for E. coli and mammalian cells. All these results are robust with respect to cooperative transcriptional regulation and extrinsic noise. In particular, we find that faster relaxation speed to the steady state results in more precise parameter inference under large extrinsic noise.

Abstract Unlike many single-celled organisms, the growth of fission yeast cells within a cell cycle is not exponential. It is rather characterized by three distinct phases (elongation, septation and fission), each with a different growth rate. Experiments also show that the distribution of cell size in a lineage is often bimodal, unlike the unimodal distributions measured for the bacterium Escherichia coli . Here we construct a detailed stochastic model of cell size dynamics in fission yeast. The theory leads to analytic expressions for the cell size and the birth size distributions, and explains the origin of bimodality seen in experiments. In particular our theory shows that the left peak in the bimodal distribution is associated with cells in the elongation phase while the right peak is due to cells in the septation and fission phases. We show that the size control strategy, the variability in the added size during a cell cycle and the fraction of time spent in each of the three cell growth phases have a strong bearing on the shape of the cell size distribution. Furthermore we infer all the parameters of our model by matching the theoretical cell size and birth size distributions to those from experimental single cell time-course data for seven different growth conditions. Our method provides a much more accurate means of determining the cell size control strategy (timer, adder or sizer) than the standard method based on the slope of the best linear fit between the birth and division sizes. We also show that the variability in added size and the strength of cell size control of fission yeast depend weakly on the temperature but strongly on the culture medium. Author summary Advances in microscopy enable us to follow single cells over long timescales from which we can understand how their size varies with time and the nature of innate strategies developed to control cell size. This data shows that in many cell types growth is exponential and the distribution of cell sizes has one peak, namely there is a single characteristic cell size. However data for fission yeast shows remarkable differences: growth is non-exponential and the distribution of cell sizes has two peaks, meaning two characteristic cell sizes exist. Here we construct the first mathematical model of this organism; by solving the model analytically we show that it is able to predict the two peaked distributions of cell size seen in data and provides an explanation for each peak in terms of the various growth phases of the single-celled organism. Furthermore by fitting the model to the data, we infer values for the rates of all microscopic processes in our model. This method is shown to provide a much more reliable inference than current methods and sheds light on how the strategy used by fission yeast cells to control their size varies with external conditions.