Borse, Florian2025-10-132025-10-132025-10-24978-952-84-1932-7http://hdl.handle.net/10138/602581Assessing the size of a population and its change is a ubiquitous task in biology. Typically, this is done by counting individual members, although often population size estimates can be retrieved from size-related characteristics of a population — for example, its spread across an environment. Deriving models to allow for such estimates carries the additional benefit of increasing understanding on how populations grow. This understanding for population growth is itself required in a wide variety of fields. In the field of medicine, growth can be desired, as in the regrowth of tissues and organs, or undesired, as in the case of pathogens infecting a host organism. In the field of evolution, the growth dynamics of subpopulations of individuals carrying a certain allele are crucial in order to understand the evolutionary dynamics of the whole population. Population growth occurs thus in a wide array of contexts and scales across biology. Here we focus on three population growth contexts: isogenic populations distributed across a shared environment, the relation between single-strain populations and multi-strain communities, and finally temporally changing environments across a long enough time span leading to evolutionary change of the populations. To understand growth across these systems we employ a hybrid approach using first machine learning (ML) models to gain insight of the processes at work. We then use these insights to both complement domain-specific approaches and inform explicit mechanistic models developed to characterise population growth. In the case of populations distributed spatially across a shared environment, we first find that the impact of location in several growth stages is due to intrinsic population specific aspects and the impact of populations on their immediate environment, as they consume its local resources. We then show that diffusion of available resources plays a major role in later growth stages, as populations located closer to the available excess resource grow much longer than those in less favourable locations. Our ability to mechanistically describe such growth dynamics opens a future possibility for massively parallel growth experiments, which will enable studying eco-evolutionary dynamics of microbes within a shared, spatially coupled, environment. For multi-strain communities, we find that a regression model can be devised to describe the growth characteristics of multi-strain communities from early growth characteristics of single-strain populations. Additionally, similar regression models uncover here a relation of rapidly diminishing returns for higher order interactions. This implies that single and pairwise experiments can capture most aspects of growth in the multi-strain community in the system studied. For population growth across changing environments, we find that phenotyping a population to certain antimicrobials can reveal its past, namely the time since exposure to that antimicrobial. We demonstrate this by combining ML and information theory to examine the mutual information carried by end-point phenotypic data on the whole antimicrobial exposure history, which is far higher than that obtained by chance. Our findings within each growth context uncover essential aspects of population growth, in the form of insights derived from the ML approach and utilising these results to develop explicit mathematical models. The developed data-driven modelling approach is broadly applicable to better understand growth and its modifiers from large scale experimental data beyond the study systems of this thesis.Populaatiokoon ja siinä tapahtuvien muutosten arviointi on usein tärkeää biologiassa. Yleensä tämä tehdään laskemalla populaation jäsenet yksitellen, mutta populaatiokoko voidaan usein myös päätellä siihen liittyvistä tekijöistä, kuten siitä, miten laajalle populaatio on levittäytynyt tietyssä ympäristössä. Tällaisten arviointimallien kehittämisen lisäetuna on parempi ymmärrys populaatiokasvusta. Populaatiokasvun ymmärtäminen on itsessään tärkeää monille aloille. Esimerkiksi lääketieteessä populaatiokasvu voi olla toivottavaa kudosten ja elinten uusiutumisessa ja epätoivottavaa isäntäeliössä tautia aiheuttavissa patogeeneissa. Evoluutiobiologiassa puolestaan tiettyä alleelia kantavien alapopulaatioiden kasvudynamiikka on ratkaisevaa koko populaation evoluutiodynamiikan ymmärtämiseksi. Tässä työssä keskitytään kolmeen populaatiokasvun kontekstiin: jaetussa ympäristössä kasvaviin isogeenisiin populaatioihin; yksittäisten kantojen populaatioiden ja monia kantoja käsittävien yhteisöjen kasvun väliseen suhteeseen; sekä populaatioiden kasvuun muuttuvassa ympäristössä, missä tapahtuu evoluutiota. Työssä yhdistetään useita lähestymistapoja kasvun ymmärtämiseksi näissä konteksteissa. Aluksi koneoppimismallien avulla lisätään ymmärrystä kasvukontekstissa vaikuttavista tekijöistä. Tätä ymmärrystä käytetään sekä täydentämään alakohtaisia analyysimenetelmiä että tuottamaan tietoa, jota käytetään populaatiokasvua kuvaavien mekanististen mallien kehittämiseksi. Ensimmäisessä osatutkimuksessa havaittiin, että kun populaatiot kasvavat jaetussa ympäristössä, populaation sijainti vaikuttaa kasvuun useissa kasvuvaiheissa. Tämä johtuu populaatiokohtaisista tekijöistä ja populaatioiden vaikutuksesta välittömään ympäristöönsä, kun ne kuluttavat paikallisia resursseja. Käytettävissä olevien resurssien leviäminen on tärkeää myöhemmissä kasvuvaiheissa: ylimääräisten resurssien lähellä sijaitsevat populaatiot kasvavat pidempään kuin vähemmän suotuisissa paikoissa sijaitsevat populaatiot. Kykymme kuvata tämä kasvudynamiikka mekanistisesti mahdollistaa tulevaisuudessa suuren mittakaavan rinnakkaiset kasvukokeet, joilla voidaan tutkia mikrobien eko-evoluutiodynamiikkaa jaetussa, tilallisesti kytketyssä ympäristössä. Toisessa osatutkimuksessa havaittiin, että voidaan laatia regressiomalli, joka kuvaa monia kantoja käsittävien yhteisöjen kasvupiirteitä yksittäisten kantojen populaatioiden varhaisen kasvuvaiheen piirteiden avulla. Lisäksi regressiomallien vertailu paljastaa, että useiden lajien välisten vuorovaikutusten huomioinnilla on aleneva hyöty yhteisön kasvun ymmärtämiseksi. Toisin sanoen yksittäisten lajien ja lajiparien kasvukokeet paljastavat valtaosan monia kantoja käsittävän yhteisön kasvuominaisuuksista tutkimuksessa tarkastellussa yhteisössä. Kolmannessa osatutkimuksessa, jossa populaatiokasvua tarkasteltiin vaihtelevassa ympäristössä, havaittiin, että populaation mikrobilääkefenotyyppien määrittäminen voi paljastaa sen menneisyyden eli eri lääkeaineille altistumisesta kuluneen ajan. Tämä osoitettiin yhdistämällä koneoppimista ja informaatioteoriaa, jolla määritettiin eri mikrobilääkkeille altistumisen seurauksena muodostuneiden fenotyyppien keskinäinen informaatio, mikä oli huomattavasti sattumaa suurempi. Kussakin kasvukontekstissa saadut tulokset paljastavat tärkeitä kasvun piirteitä. Tässä oli olennaista koneoppimismalleilla saadun ymmärryksen hyödyntäminen matemaattisten mallien kehittämisessä. Kehitetty datapohjainen mallinnusmenetelmä on laajasti sovellettavissa ymmärryksen lisäämiseksi populaatiokasvusta ja siihen vaikuttavista tekijöistä myös tämän tutkimuksen tutkimuskohteiden ulkopuolisissa kokeellisissa aineistoissa.application/pdfengJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.Publikationen är skyddad av upphovsrätten. Den får läsas och skrivas ut för personligt bruk. Användning i kommersiellt syfte är förbjuden.computer ScienceURN:ISBN:978-952-84-1932-7ArtikkeliväitöskirjafulltextDoctoral Programme in Computer ScienceTietojenkäsittelytieteen tohtoriohjelmaDoktorandprogrammet i datavetenskap113 Tietojenkäsittely- ja informaatiotieteet113 Data- och informationsvetenskap113 Computer and information sciences1181 Ekologia, evoluutiobiologia1181 Ekologi, evolutionsbiologi1181 Ecology, evolutionary biology