Hur slumpmässig är en mus? Hittills har den gängse inställningen varit att det är helt styrt av slumpen vilka celler i det tidiga musembryot som ger upphov till fostret och vilka celler som bildar yttre strukturer, t ex moderkakan. För många icke-däggdjur, såsom amfibier, är det så att utvecklingen är väldigt styrd och följer ett förbestämt regelverk. Jämfört med detta så är embryonala däggdjursceller väldigt flexibla och återhämtar sig från rätt så stora störningar. Å andra sidan så verkar det som att musembryot inte endast är en sammansatt boll som består av helt identiska celler. Genom observationer har man sett att cellerna verkar anta specifika framtida egenskaper utifrån vilka positioner de hade i det tidiga embryot. Dessa egenskaper kommer sedan i sin tur att styra cellernas utveckling och till exempel avgöra vilka cell-linjer som kommer att bilda baksidan och vilka som bildar framsidan på musen.
Vi beskriver den här slumpmässiga men ändå styrda dynamiken med matematiska modeller. En svårighet är att slumpen ibland döljer huvudmekanismerna som styr utvecklingen. Dessutom är cellerna i embryot väldigt känsliga för yttre påverkan som till exempel ljusstress från mikroskopet. Därför använder vi oss av statistiska metoder för att försöka upplösa okända egenskaper i data. För att studera detta vidare har vi utvecklat och tillämpat olika metoder för att ta bort brus i data från en enklare modellorganism, nämligen jästcellen som också reagerar på ljusinducerad stress.
How random is a mouse? The prevailing opinion has been that it is completely
random whether cells in the early mouse embryo become the fetus and/or become
extraembryonic structures such as the placenta. In many non-mammalian
species the development follows a fixed set of instructions. In comparison, mammalian
cell fates are very flexible as the cells easily recover from quite extensive
perturbations. On the other hand, the early mammalian embryo is not merely
a blob of uniform cells. Cells do show some preferences of adopting certain fates
according to their initial positions, which in turn will govern their development,
and for instance which cells will form the front or the back of a mouse.
We describe these random, but still guided dynamics, with mathematical models.
However, a difficulty is that the randomness hides the main guidelines of
the dynamics. Also, the cells of the embryos are very sensitive to light exposure,
which is necessary during imaging of the processes. We turn to statistical
tools to try to tackle these difficulties and to resolve unknown features in the
data. To further study how this can be carried out, we develop and apply denoising
methods in data from a simpler model organism, namely yeast, which
also reacts to light induced stress.