Florian Borse väittelee aiheesta Mikrobipopulaation kasvun mallintaminen eri kasvukonteksteissa

M.Sc. Florian Borse puolustaa väitöskirjaansa "Modelling Microbial Population Growth Across Spatial, Strain and Environmental Diversity" perjantaina 24.10.2025 klo 12 Helsingin yliopiston päärakennuksen salissa F3017 (Fabianinkatu 33, 3. kerros). Vastaväittäjänä toimii professori Leo Lahti (Turun yliopisto) ja kustoksena professori Ville Mustonen (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi.

Florian Borsen väitöskirjatyö on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Bioinformatics and Evolution -ryhmässä tehtävää tutkimusta. Väitöskirjan ohjaajina ovat toimineet professori Ville Mustonen (Helsingin yliopisto) ja kollegiumtutkija, dosentti Johannes Cairns (Turun yliopisto).

Mikrobipopulaation kasvun mallintaminen erilaisissa kasvukonteksteissa

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 väitöskirjatyössä 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, jossa 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.

Väi­tös­kir­jan saa­ta­vuus

Väitöskirjan elektroninen versio tulee olemaan saatavilla Helsingin yliopiston avoimessa julkaisuarkistossa Heldassa osoitteessa .

Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: .