COMPUTATIONAL ANALYSIS OF ENGINEERED NETWORK MOTIFS AT DIFFERENT SCALES

Synthetic biology seeks to design and implement genetic circuits with predictable and robust behavior. However, achieving stability in gene expression remains a central challenge due to multiple sources of variability, including stochastic fluctuations in molecular interactions, the genetic and physiological context of the host, and the metabolic burden imposed by synthetic constructs. These factors can lead to significant discrepancies between theoretical predictions and experimental outcomes, highlighting the need for integrative strategies that combine mathematical modeling with experimental data analysis to improve the understanding and control of synthetic circuits. Given these premises, this PhD project addresses the challenge by developing and applying both deterministic and stochastic mathematical models to study the contex-dependent and between-cell variability of synthetic gene circuits. These models are complemented with the analysis of experimental data obtained from both population-level assays and single-cell techniques, such as flow cytometry and microfluidics. This integrated approach enables the dissection of how noise, host context, and resource competition influence circuit performance, providing insights that cannot be captured by theoretical or experimental methods alone.

La biologia sintetica mira a progettare e implementare circuiti genetici con un comportamento che sia prevedibile e robusto. Tuttavia, raggiungere una stabilità nell'espressione genica rimane una sfida importante a causa delle molteplici fonti di variabilità, tra cui le fluttuazioni stocastiche nelle interazioni molecolari, il contesto genetico e fisiologico dell'ospite e il carico metabolico imposto dai costrutti sintetici. Questi fattori possono portare a discrepanze significative tra le previsioni teoriche e i risultati sperimentali, evidenziando la necessità di strategie integrative che combinino la modellizzazione matematica con l'analisi dei dati sperimentali per migliorare la comprensione e il controllo dei circuiti sintetici. Date queste premesse, questo progetto di dottorato affronta il problema sviluppando e applicando modelli matematici deterministici e stocastici per studiare la variabilità dei circuiti genici sintetici. Questi modelli sono integrati dall'analisi dei dati sperimentali ottenuti sia da test a livello di popolazione che da tecniche su singole cellule, come la citometria a flusso e la microfluidica. Questo approccio integrato consente di analizzare in dettaglio come il rumore biologico, il contesto dell’ospite e la competizione per le risorse influenzano le prestazioni dei circuiti, fornendo informazioni che non possono essere acquisite solo con metodi teorici o sperimentali.