Biomechanical controls of epithelial morphostasis

Borges, Augusto (2024): Biomechanical controls of epithelial morphostasis. Dissertation, LMU München: Fakultät für Physik

Abstract

Interactions in biological systems are myriad. Attempting to understand them provides valuable insights with broader bearing in biology, bioengineering, and medicine. Notwithstanding this immense realm of applications, biology presents unique characteristics that are not present in other "traditional" physical systems, making Biological Physics an exciting area of research that has the possibility of introducing new physics. This thesis will be guided by the leitmotif of understanding the coordination that allows functional patterns to arise in biological matter. In other words, what is the interplay between mechanics and signaling that underlies tissue shape? The shape of biological tissue arises during development through the combination of morphogenetic signals and local mechanical interactions of the tissues' minimal units, the cells. Measuring mechanical observables such as stress and stiffness is crucial to understanding the shaping that occurs. Direct experimental manipulation of biological samples allows access to these observables at the cost of altering their natural course of development at best and destroying them irreversibly at worst. This restricts the type of phenomena that can be studied using these techniques, as investigating processes taking place over longer time scales would be challenging. Computational methods such as Stress Inference can overcome these problems. These methods do not require further interaction with the sample aside from microscopy imaging. Nonetheless, no publicly available methods exist to apply Stress Inference to time-dependent systems. In this thesis, I develop an innovative method to infer physical forces from a time series of microscopy images, which enables me to address shape generation (morphogenesis) and maintenance (morphostasis) in vivo. I introduce a formalism to incorporate dynamic information into the inference pipeline and model the cells as a viscoelastic material. With that assumption, I derive a relationship between the elastic and viscous scales for the first time in this type of model. I introduce ForSys as a new tool that utilizes dynamic microscopic information. I have made ForSys Open Source to enhance its usability and impact in the field of tissue biophysics. Tissues can be represented as a collection of geometrical entities. Vertex models use this approach to simulate the evolution of tissues by changing the position of vertices, representing tricellular junctions of the cells. I also introduce seapipy as a tool to create in silico ground truths of stress distributions from vertex models. Aided by this tool, I streamline the validation of ForSys in static and dynamic in silico settings before moving to in vivo systems. I test ForSys in three different systems belonging to two model organisms. I first show that ForSys' static predictions correlate with Myosin II fluorescence measurements in the Xenopus mucociliary epithelium. Then, I use it to investigate the formation of protoneuromasts in the zebrafish lateral line in the early hours of its development. I find that weighted inferred pressures are a good predictor of rosette formation prior to neuromast deposition. Finally, with ForSys, I study the stress distributions between homotypical and heterotypical cell-cell boundaries in the mechanosensory neuromasts of the zebrafish lateral line. There, ForSys predictions show asymmetries in the stress distributions between different cell types. I then turn my attention to the process by which sensory hair cells in the neuromast acquire their pattern, the Planar Cell Inversion process (PCI). Through careful quantitative measurements, I show that PCI can be divided into three phases with distinct features. Moreover, I study the process in two mutant lines with knockouts of the Emx2 transcription factor and the Notch1a gene, which are suspected to be involved in the Planar Cell Polarity pathway in the organ. My results show that the mutants have distinctive characteristics to the wild type. Then, I present a simple two-agent model to simulate PCI. I implement a one-dimensional Monte Carlo model that evolves using Metropolis-Hastings importance sampling, with a simple Hamiltonian that incorporates a soft spheres repulsion and attractive wells for each agent. Using the position of the wells, I propose two model alternatives: a symmetrical and an asymmetrical model. I show that the asymmetrical model qualitatively matches the wild-type observations, while the symmetrical model does so with the mutants. Using ForSys, I also show that the stress in homotypic hair cell tight junctions is lower than in the heterotypic junctions between them and the surrounding cells, hinting at adhesion differences consistent with experimental observations. I introduce two new software tools to aid in the experimental exploration of the mechanical state of biological matter. I apply them to study the PCI process and shed some light on the underlying biology that drives it. I believe that the formalism and tools I made available will push forward the development of better and more complete means to measure mechanical quantities in biological systems, aiding our understanding of morphogenesis and morphostasis at the mesoscopic scale.

Abstract

Wechselwirkungen in biologischen Systemen sind vielfältig. Der Versuch, sie zu verstehen, liefert wertvolle Erkenntnisse, die in der Biologie, der Biotechnik und der Medizin von weitreichender Bedeutung sind. Ungeachtet dieses immensen Anwendungsbereichs weist Biologie einzigartige Merkmale auf, die in anderen ``traditionellen'' physikalischen Systemen nicht vorhanden sind. Die Biologische Physik ist somit ein spannendes Forschungsgebiet, welches möglicherweise neue Physik bietet. Das Leitmotiv der vorliegenden Arbeit ist das Verständnis der Koordination, die die Entstehung funktioneller Strukturen in biologischem Gewebe ermöglicht. Mit anderen Worten: Wie spielen Mechanik und Signalübertragung zusammen, um die Struktur von Gewebe zu bestimmen? Die Form von biologischem Gewebe entsteht während seiner Entwicklung durch die Kombination von morphogenetischen Signalen und lokalen mechanischen Wechselwirkungen zwischen den kleinsten Einheiten des Gewebes, den Zellen. Die Messung mechanischer Größen wie Spannung und Steifigkeit ist äußerst wichtig für das Verständnis dieser Formgebung. Direkte experimentelle Manipulation biologischer Proben ermöglicht den Zugang zu diesen Messgrößen, allerdings mit der Gefahr, dass der natürliche Entwicklungsverlauf im besten Fall verändert und im schlimmsten Fall irreversibel zerstört wird. Dies beschränkt die Arten von Phänomenen, die mithilfe dieser Techniken erforscht werden können, da länger andauernde Prozesse mit diesen Techniken nur schwer untersuchbar sind. Computergestützte Methoden wie die Spannungsinferenz können diese Probleme überwinden. Diese Methoden erfordern neben mikroskopischer Bildgebung keine weitere Interaktion mit der Probe. Dennoch gibt es keine öffentlich zugänglichen Methoden, um Spannungsinferenz auf zeitabhängige Systeme anzuwenden. In dieser Arbeit entwickle ich eine innovative Methode zur Ableitung physikalischer Kräfte aus einer Zeitreihe von Mikroskopiebildern, die es ermöglicht, die Formbildung (Morphogenese) und -erhaltung (Morphostase) in vivo zu untersuchen. Ich führe einen Formalismus ein, um dynamische Informationen in die Inferenzpipeline einzubeziehen und modelliere die Zellen als ein viskoelastisches Material. Aus dieser Annahme leite ich zum ersten Mal in dieser Art von Modell eine Beziehung zwischen der elastischen und der viskosen Skala ab. Ich stelle mit ForSys ein neues Tool vor, das dynamische mikroskopische Information nutzt. Ich habe ForSys Open Source zur Verfügung gestellt, um seine Anwendbarkeit zu erhöhen und seinen Beitrag zur Gewebebiophysik zu optimieren. Gewebe können als eine Sammlung von geometrischen Einheiten dargestellt werden. Vertex-Modelle nutzen diesen Ansatz, um die Entwicklung von Geweben zu simulieren, indem sie die Position von Vertices, also trizellulären Verbindungen, verändern. Außerdem präsentiere ich seapipy, ein Softwaretool, mit dem sich aus Vertex-Modellen in silico Ground Truths von Spannungsverteilungen erstellen lassen. Mithilfe dieses Tools optimiere ich die Validierung von ForSys in statischen und dynamischen in silico Konfigurationen, bevor ich zu in vivo Systemen übergehe. Ich teste ForSys in drei verschiedenen Systemen aus zwei Modellorganismen. Zunächst zeige ich, dass die statischen Vorhersagen von ForSys mit Myosin-II-Fluoreszenzmessungen im mukoziliären Epithel von Xenopus korrelieren. Anschließend untersuche ich mit ForSys die Bildung von Protoneuromasten im Seitenlinienorgan des Zebrafisches in den ersten Stunden seiner Entwicklung. Ich stelle fest, dass der gewichtete abgeleitete Druck ein guter Prädiktor für die Rosettenbildung vor der Ablagerung von Neuromasten ist. Schließlich nutze ich ForSys, um die Spannungsverteilung zwischen homotypischen und heterotypischen Zell-Zell-Grenzen in den mechanosensorischen Neuromasten des Zebrafisch-Seitenlinienorgans zu untersuchen. Dort zeigen die Vorhersagen von ForSys Asymmetrien in der Spannungsverteilung zwischen verschiedenen Zelltypen. Danach betrachte ich den Prozess, durch den die Haarsinneszellen im Neuromast ihre Struktur erhalten, die ebene Zellumkehr (PCI, Planar Cell Inversion). Durch sorgfältige quantitative Messungen zeige ich, dass PCI in drei Phasen mit unterschiedlichen Merkmalen unterteilt werden kann. Darüberhinaus untersuche ich den Prozess in zwei Mutantenlinien mit Knockouts des Transkriptionsfaktors Emx2 und des Gens Notch1a, von denen man annimmt, dass sie an der planaren Zellpolarität (planar cell polarity) in diesem Organ beteiligt sind. Meine Ergebnisse zeigen, dass der Prozess in den Mutanten andere Merkmale aufweist als im Wildtyp. Anschließend stelle ich ein einfaches Zwei-Agenten-Modell zur Simulation von PCI vor. Ich implementiere ein eindimensionales Monte-Carlo-Modell, das sich mithilfe des Metropolis-Hastings Importance Sampling anhand einer einfachen Hamilton-Funktion entwickelt. Diese besteht aus einer weiche-Kugeln-Abstoßung und Potentialtöpfen für jeden Agenten. Anhand der Position der Töpfe schlage ich zwei Modellalternativen vor: ein symmetrisches und ein asymmetrisches Modell. Ich zeige, dass das asymmetrische Modell qualitativ mit den Beobachtungen des Wildtyps, und das symmetrische mit denen der Mutanten übereinstimmt. Mit Hilfe von ForSys zeige ich außerdem, dass der Stress in homotypischen Haarzellen-Tight Junctions geringer ist als in heterotypischen Verbindungen zwischen ihnen und den sie umgebenden Zellen, was auf Adhäsionsunterschiede hinweist, die mit experimentellen Beobachtungen übereinstimmen. Ich stelle zwei neue Software-Tools vor, die bei der experimentellen Erforschung des mechanischen Zustands biologischer Gewebe helfen. Ich wende sie an, um den PCI-Prozess zu untersuchen und die zugrundeliegende Biologie, die ihn antreibt, zu beleuchten. Ich glaube, dass der Formalismus und die Werkzeuge, die ich zur Verfügung gestellt habe, die Entwicklung besserer und umfassenderer Mittel zur Messung mechanischer Größen in biologischen Systemen vorantreiben und unser Verständnis von Morphogenese und Morphostase auf der mesoskopischen Skala unterstützen werden.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Keywords: biological physics, zebrafish, stress inference, development, polarity cell inversion
• Themengebiete: 500 Naturwissenschaften und Mathematik ; 500 Naturwissenschaften und Mathematik > 530 Physik
• Fakultäten: Fakultät für Physik
• Sprache der Hochschulschrift: Englisch
• Datum der mündlichen Prüfung: 5. Dezember 2024
• 1. Bericht­erstatter:in: Rädler, Joachim