43569 research outputs found
Sort by
From chimeras to extensive chaos in networks of heterogeneous Kuramoto oscillator populations
No full textPopulations of coupled oscillators can exhibit a wide range of complex dynamical behavior, from complete synchronization to chimera and chaotic states. We can, thus, expect complex dynamics to arise in networks of such populations. Here, we analyze the dynamics of networks of populations of heterogeneous mean-field coupled Kuramoto-Sakaguchi oscillators and show that the instability that leads to chimera states in a simple two-population model also leads to extensive chaos in large networks of coupled populations. Formally, the system consists of a complex network of oscillator populations whose mesoscopic behavior evolves according to the Ott-Antonsen equations. By considering identical parameters across populations, the system contains a manifold of homogeneous solutions where all populations behave identically. Stability analysis of these homogeneous states provided by the master stability function formalism shows that non-trivial dynamics might emerge on a wide region of the parameter space for arbitrary network topologies. As examples, we first revisit the two-population case and provide a complete bifurcation diagram. Then, we investigate the emergent dynamics in large ring and Erdös-Rényi networks. In both cases, transverse instabilities lead to extensive space-time chaos, i.e., irregular regimes whose complexity scales linearly with the system size. Our work provides a unified analytical framework to understand the emergent dynamics of networks of oscillator populations, from chimera states to robust high-dimensional chaos.The authors would like to thank Diego Pazó and Alessandro Torcini for useful feedback on this work. P.C. and J.G.O. have received funding from the Future and Emerging Technologies Programme (FET) of the European Union’s Horizon 2020 research and innovation programme (project NEUROTWIN, Grant Agreement No. 101017716). J.G.O. was also financially supported by the Spanish Ministry of Science and Innovation, the Spanish State Research Agency and FEDER (Project Reference No. PID2021-127311NB-I00), and by the ICREA Academia program. This work was done while P.F. was a student at the ETSETB, Universitat Politècnica de Catalunya
A Genome-wide CRISPR screen to identify novel pathways involved in reprogramming and x-chromosome reactivation
No full textDuring reprogramming of somatic cells into induced pluripotent stem cells (iPSCs), the epigenome needs to be reset. A prime example of this is the reversal of the silent state of the inactive X chromosome in female cells, which is achieved in a process called X-chromosome reactivation (XCR). Few players have been described to be involved in XCR so far, and a comprehensive understanding of the regulatory networks has been lacking. Therefore, in this doctoral thesis I aim to shed light onto the mechanism of XCR during somatic cell reprogramming into iPSCs, by performing a genome-wide CRISPR-screen during this process. Using this approach, I identified a number of previously known and unknown pathways which are involved in reprogramming and/or XCR. Of these, I focused on the interferon γ (IFNγ) pathway, the activation of which during the early phase of reprogramming accelerated pluripotency acquisition and XCR. In this study, I sought to uncover the mechanism by which IFNγ enhances XCR, and found a dependency on TET-enzyme activity and DNA demethylation. These findings will contribute to the mechanistic understanding of the process of XCR and could have a potential impact on improving iPSC generation.Durante la reprogramación de células somáticas hacia células pluripotentes inducidas (iPSCs), el epigenoma debe ser reseteado. Un ejemplo importante de esto es la reversión del estado de silenciamiento del cromosoma X inactivo en células femeninas, lo que es posible gracias a un proceso llamado reactivación del cromosoma X (XCR). Hasta ahora, se han descrito pocas moléculas que estén involucradas en la XCR, y se carece de una comprensión de sus redes de regulación. Por tanto, mi objetivo en esta tesis doctoral es contribuir al entendimiento del mecanismo de la XCR durante la reprogramación de células somáticas a iPSCs, usando un cribado de CRISPR hacia todo el genoma durante este proceso. Mediante esta aproximación, identifiqué ciertas vías conocidas y desconocidas involucradas en la reprogramación y la XCR. De éstas, me he centrado en la vía del interferón γ (IFNγ), cuya activación durante fases tempranas de la reprogramación acelera la adquisición de pluripotencia y la XCR. En este estudio, he tratado de descubrir el mecanismo por el que el IFNγ potencia la XCR y he encontrado una dependencia de las enzimas TET y la desmetilación del DNA. Estos resultados contribuirán al conocimiento del mecanismo de XCR y podrían tener impacto en mejorar la generación de iPSCs.Programa de doctorat en Biomedicin
Laparoscopic subtotal splenectomy: a feasible option in the treatment of splenic metastasis
No full text
Deep learning for predicting wave parameters from wind components in the Adriatic basin
No full textTreball fi de màster de: Erasmus Mundus joint Master in Artificial Intelligence (EMAI)Mentor: doc. dr. Jana Faganeli Pucer
Co-mentor: doc. dr. Matjaz LicerPredicting high-resolution ocean wave parameters, such as significant wave height, mean wave period, and direction, in complex coastal regions like the Adriatic Sea is essential but computationally intensive when using traditional physical models. This thesis explores deep learning-based statistical downscaling, using coarse-resolution ERA5 wind fields to generate fine-scale wave predictions. Both deterministic (U-Net, ClimaX) and probabilistic (WGAN-GP, Conditional Flow Matching) models were developed and compared. Results show that deep learning can effectively model the nonlinear relationships between wind and waves. Among the tested approaches, the CFM model achieved the highest accuracy for ensemble mean predictions and offered reliable uncertainty quantification, highlighting its potential for efficient and scalable high-resolution wave forecasting
Selecting party leaders
No full textThis article revisits the foundations of previous research on the selection of party leaders. The authors argue that leader selection in party congresses entails two dimensions: fragmentation, or the number of candidates running for leadership, and dissent, or dissatisfaction with the winning candidate. Using original data from 435 regional party congresses of the two main national parties in Germany and Spain, the analysis shows that both the number of contenders and the support received by the winner depend on the party’s experience in government, but only the latter is (positively) affected by the party’s electoral performance. Additionally, upon examining the consequences of intraparty division, it is found that a party’s electoral performance is negatively impacted by the existence of several candidates fighting for leadership, while the support received by the leader in the party congress crucially influences their chances of becoming the top candidate in the next regional election.We acknowledge support from the Spanish Minister of Science, Innovation and Universities (Grant number AEI/FEDER CSO2017-85024-C2-1-P), the Catalan Institut for Self-government Studies (IEA), and the Catalan Institution for Research and Advanced Studies (ICREA) under the ICREA Academia programme
Misticismo, erotismo y dramatismo barroco en el Éxtasis de Santa Teresa de Bernini
No full textTreball de Fi de Màster en Estudis Comparatius de Literatura, Art i Pensament. Curs 2024-2025Tutor: Amador Vega Esquerr
Development of computational approaches for high precision and accuracy protein quantification.
No full textProteins are essential components of biological systems, driving critical processes such as enzymatic catalysis, structural integrity, and cellular signaling. Advances in mass spectrometry (MS)-based proteomics have revolutionized the study of protein dynamics, enabling unprecedented levels of detail in protein identification and quantification. This thesis develops computational approaches to enhance protein quantification, addressing three challenges in proteomics: i) the unambiguous identification of peptides and proteins of interest in the proteome, ii) the characterization and prediction of peptide stability for enhanced targeted proteome quantification, and iii) the development of analytical methods that extend and apply precise quantification to the whole proteome. A theoretical assessment was conducted to characterize the non-accessible portions of the human proteome and immunopeptidome caused by indistinguishable peptides, i.e., peptides with close retention time and nearly identical fragmentation patterns. Using state-of-the-art retention time and spectral prediction models, peptides with overlapping analytical features that defy unequivocal identification were identified. Insights were provided into the limitations of current high-resolution MS technologies when evaluating complex proteomes, such as when accounting for all natural amino acid variants in the human proteome. Additionally, a Python-based computational tool was developed for peptide indistinguishability assessment in proteomes of interest, enabling prioritization of the detection of unambiguous analytes. Then we investigated peptide stability, over 124,000 tryptic peptides from the human proteome were systematically evaluated under autosampler conditions. Peptides were clustered using unsupervised learning based on their longitudinal behavior over 21 days, distinguishing stable from unstable peptides. Building on these findings, a deep learning model was developed to predict peptide stability based on the amino acid sequences of tryptic peptides. Finally, the TMTCal quantification strategy was established to assess the linear behavior of tryptic peptides across the whole proteome, extending the advantages of multipoint internal calibration to whole-proteome quantification. This approach relies on the creation of tandem mass tag (TMT)- based multipoint internal calibration curves, enabling precise and reproducible quantification across the proteome in a single experiment. Applied to ovarian cancer cell lines treated with cisplatin, TMTCal confirmed the quantitative linearity of the vast majority of peptides in the proteome. This methodology holds great potential for various applications in both basic research and clinical settings, including low-input and single-cell proteomics. Together, the studies presented in this thesis address critical challenges in modern proteomics, enhancing understanding of proteome accessibility, stability, and quantification. The tools and methodologies developed contribute to extending the reliability and scope of MS-based proteomics, with broad implications for biomarker discovery, translational research, and personalized medicine.Las proteínas son componentes esenciales de los sistemas biológicos, involucradas en procesos críticos como la actividad enzimática, la integridad estructural y la señalización celular. Los avances en proteómica basada en espectrometría de masas (MS) han revolucionado el estudio de la dinámica de las proteínas, permitiendo un nivel de detalle sin precedentes en la identificación y cuantificación proteica. Esta tesis desarrolla herramientas computacionales para mejorar la cuantificación de proteínas, abordando tres desafíos clave en proteómica: i) la identificación sin ambigüedades de los péptidos y proteínas de interés en el proteoma, ii) la caracterización y predicción de la estabilidad de los péptidos para mejorar la cuantificación en métodos de proteómica dirigida, y iii) el desarrollo de métodos analíticos de cuantificación precisa aplicables a proteomas completos. En primer lugar, se realizó una evaluación teórica para caracterizar las regiones no accesibles del proteoma humano y del inmunopeptidoma causadas por la presencia de péptidos indistinguibles, es decir, aquellos con tiempos de retención similares y patrones de fragmentación casi idénticos. Mediante el uso de modelos de predicción de última generación de tiempos de retención y espectros de fragmentación, se identificaron péptidos con características analíticas superpuestas que dificultan una identificación inequívoca, determinando así las partes del proteoma que no pueden ser identificadas y, por lo tanto, permanecen inaccesibles. Además, se describieron las limitaciones de las tecnologías actuales de MS de alta resolución para resolver proteomas complejos, incluyendo el impacto de las variantes naturales de aminoácidos. Como resultado de este análisis, se desarrolló una herramienta computacional basada en Python para evaluar la indistinguibilidad de los péptidos en proteomas de interés, permitiendo la priorización de la detección de analitos no ambiguos. Posteriormente, se evaluó sistemáticamente la estabilidad de más de 124,000 péptidos trípticos del proteoma humano bajo condiciones ambientales en muestreadores automáticos. Mediante el uso de aprendizaje no supervisado, los péptidos fueron agrupados según su comportamiento longitudinal durante un período de 21 días. A partir de estos resultados, se desarrolló un modelo de aprendizaje profundo capaz de predecir la estabilidad de los péptidos trípticos directamente a partir de sus secuencias de aminoácidos. Por último, se implementó la estrategia de cuantificación TMTCal para evaluar el comportamiento lineal de los péptidos trípticos en el proteoma y extender las ventajas de la calibración interna multipunto a la cuantificación proteómica integral. Este enfoque se basa en la generación de curvas de calibración interna multipunto mediante el uso de etiquetas en tándem TMT, lo que permite una cuantificación precisa y reproducible en todo el proteoma en un solo experimento. Aplicada a líneas celulares de cáncer de ovario tratadas con cisplatino, la estrategia TMTCal confirmó la linealidad en la cuantificación de la mayoría de los péptidos del proteoma humano. Esta metodología muestra un gran potencial para diversas aplicaciones en investigación básica y entornos clínicos, incluyendo proteómica de muestras limitadas y análisis a nivel de células individuales. En conjunto, los estudios presentados en esta tesis abordan desafíos fundamentales en la proteómica actual, mejorando el conocimiento sobre la accesibilidad, estabilidad y cuantificación del proteoma. Las herramientas y metodologías desarrolladas amplían la fiabilidad y el alcance de la proteómica basada en espectrometría de masas, con implicaciones significativas para el descubrimiento de biomarcadores, la investigación traslacional y la medicina personalizada.Les proteïnes són components essencials dels sistemes biològics i participen en processos crítics com la catàlisi enzimàtica, la integritat estructural i la senyalització cel·lular. Els avenços en proteòmica basada en espectrometria de masses han revolucionat l'estudi de la dinàmica de les proteïnes, permetent nivells de detall sense precedents en la seva identificació i quantificació. Aquesta tesi desenvolupa eines i recursos computacionals per millorar la quantificació de proteïnes, abordant tres desafiaments actuals en la proteòmica: i) la identificació sense ambigüitats dels pèptids i proteïnes d'interès en el proteoma, ii) la caracterització i predicció de l'estabilitat dels pèptids per millorar la quantificació en mètodes de proteòmica dirigida, i iii) el desenvolupament de mètodes analítics de quantificació precisa aplicables a proteomes complets. En primer lloc, es va realitzar una avaluació teòrica per caracteritzar les porcions no accessibles del proteoma humà i de l'immunopeptidoma causades per pèptids indistinguibles, és a dir, aquells amb temps de retenció similars i patrons de fragmentació gairebé idèntics. Mitjançant l’ús de models de predicció d’última generació de temps de retenció i espectres de fragmentació, es van identificar pèptids amb característiques analítiques superposades que dificulten una identificació inequívoca, delimitant així les regions del proteoma que no poden ser identificades i, per tant, romanen inaccessibles. A més, es van descriure les limitacions de les tecnologies actuals de MS d'alta resolució per a l'anàlisi de proteomes complexos, avaluant l'impacte de les variants naturals d'aminoàcids en la fracció no accessible del proteoma humà. Com a resultat d'aquest estudi, es va desenvolupar una eina computacional basada en Python per avaluar la indistinguibilitat de pèptids en qualsevol proteoma d’interès, facilitant així la priorització de la detecció d’analits no ambigus. En segon lloc, es va avaluar sistemàticament l'estabilitat de més de 124.000 pèptids triptícics del proteoma humà en condicions ambientals dels mostrejadors automàtics. Els pèptids es van agrupar mitjançant aprenentatge no supervisat en funció del seu comportament longitudinal durant un període de 21 dies. A partir d’aquests resultats, es va desenvolupar un model d'aprenentatge profund per predir l'estabilitat dels pèptids triptícics directament a partir de les seves seqüències d'aminoàcids. Finalment, es va establir l'estratègia de quantificació TMTCal per avaluar el comportament lineal dels pèptids triptícics en el proteoma i estendre els avantatges de la calibració interna multipunt a la quantificació proteòmica integral. Aquest enfocament es basa en la generació de corbes de calibració interna multipunt mitjançant etiquetes en tàndem TMT, fet que permet una quantificació precisa i reproductible en tot el proteoma en un sol experiment. Aplicada a línies cel·lulars de càncer d'ovari tractades amb cisplatí, l'estratègia TMTCal va confirmar la linealitat en la quantificació de la majoria dels pèptids del proteoma humà. Aquesta metodologia presenta un gran potencial per a diverses aplicacions tant en investigació bàsica com en entorns clínics, incloent-hi la proteòmica de mostres limitades i l’anàlisi a nivell de cèl·lules individuals. En conjunt, els estudis presentats en aquesta tesi aborden desafiaments crítics en la proteòmica actual, millorant la comprensió de l’accessibilitat, l’estabilitat i la quantificació del proteoma. Les eines i metodologies desenvolupades amplien la fiabilitat i l’abast de la proteòmica basada en espectrometria de masses, amb implicacions significatives per al descobriment de biomarcadors, la recerca translacional i la medicina personalitzada.Universitat Pompeu Fabra. Doctorat en Biomedicin
Leveraging engineered pseudomonas putida minicells for bioconversion of organic acids into short-chain methyl ketones
No full textMethyl ketones, key building blocks widely used in diverse industrial applications, largely depend on oil-derived chemical methods for their production. Here, we investigated biobased production alternatives for short-chain ketones, adapting the solvent-tolerant soil bacterium Pseudomonas putida as a host for ketone biosynthesis either by whole-cell biocatalysis or using engineered minicells, chromosome-free bacterial vesicles. Organic acids (acetate, propanoate and butanoate) were selected as the main carbon substrate to drive the biosynthesis of acetone, butanone and 2-pentanone. Pathway optimization identified efficient enzyme variants from Clostridium acetobutylicum and Escherichia coli, tested with both constitutive and inducible expression of the cognate genes. By implementing these optimized pathways in P. putida minicells, which can be prepared through a simple three-step purification protocol, the feedstock was converted into the target short-chain methyl ketones. These results highlight the value of combining morphology and pathway engineering of noncanonical bacterial hosts to establish alternative bioprocesses for toxic chemicals that are difficult to produce by conventional approaches.We are indebted to the Microscopy Team, especially the characterization specialist Marie Karen Tracy Hong Lin at DTU NanoLab (National Centre for Nano Fabrication and Characterization, Technical University of Denmark), for their help with the processing of the samples and visualization by cryo-SEM. E.K. was the recipient of a fellowship from the Novo Nordisk Foundation as part of the Copenhagen Bioscience Ph.D. Programme (Cohort 2017), supported through grant NNF17CC0026768. M.N.D. acknowledges the support received from the European Union’s Horizon2020 Research and innovation program under the Marie Sklodowska-Curie grant agreement No. 713683 (COFUNDfellowsDTU) and from the VELUX Foundation under the Villum Experiment program (grant No. 40979). The financial support from the Novo Nordisk Foundation (grants NNF18OC0034818, NNF20CC0035580, and NNF21OC0067996) to P.I.N. is also gratefully acknowledged