Search

Additional file 1: Supplementary Fig. 1. Baseline data for headache disability (PedMidas) of patients who provided follow up data compared to baseline data of patients who did not provide follow up data. Supplementary Table 1. Age distribution of patients in the program (yrs…years). Supplementary Table 2. School type of patients in the program. Supplementary Table 3. Mean values of the groups (with/without follow up data) for headache disability (PedMidas) and headache days are not significantly different at the beginning of the program. Supplementary Material 1. Therapy modules of the interdisciplinary multimodal treatment program for children and adolescents with headache (DreKiP).

Für einen Standard zum Test von implantierbaren Hörgeräten wurden erstmals experimentelle Daten zur Mittelohrübertragungsfunktion mehrerer Forschungsgruppen zusammengeführt [ref:1], [ref:2]. In dem Standard wird ein Vertrauensbereich gemittelter Mittelohrübertragungsfunktionen[zum vollständigen Text gelangen Sie über die oben angegebene URL], 23. Jahrestagung der Deutschen Gesellschaft für Audiologie

Cancer is a very complex genetic disease driven by combinations of mutated genes. This complexity strongly complicates the identification of driver genes and puts enormous challenges to reveal how they influence cancerogenesis, prognosis or therapy response. Thousands of molecular profiles of the major human types of cancer have been measured over the last years. Apart from well-studied frequently mutated genes, still only little is known about the role of rarely mutated genes in cancer or the interplay of mutated genes in individual cancers. Gene expression and mutation profiles can be measured routinely, but computational methods for the identification of driver candidates along with the prediction of their potential impacts on downstream targets and clinically relevant characteristics only rarely exist. Instead of only focusing on frequently mutated genes, each cancer patient should better be analyzed by using the full information in its cancer-specific molecular profiles to improve the understanding of cancerogenesis and to more precisely predict prognosis and therapy response of individual patients. This requires novel computational methods for the integrative analysis of molecular cancer data. A promising way to realize this is to consider cancer as a disease of cellular networks. Therefore, I have developed a novel network-based approach for the integrative analysis of molecular cancer data over the last years. This approach directly learns gene regulatory networks form gene expression and copy number data and further enables to quantify impacts of altered genes on clinically relevant downstream targets using network propagation. This habilitation thesis summarizes the results of seven of my publications. All publications have a focus on the integrative analysis of molecular cancer data with an overarching connection to the newly developed network-based approach. In the first three publications, networks were learned to identify major regulators that distinguish characteristic gene expression signatures with applications to astrocytomas, oligodendrogliomas, and acute myeloid leukemia. Next, the central publication of this habilitation thesis, which combines network inference with network propagation, is introduced. The great value of this approach is demonstrated by quantifying potential direct and indirect impacts of rare and frequent gene copy number alterations on patient survival. Further, the publication of the corresponding user-friendly R package regNet is introduced. Finally, two additional publications that also strongly highlight the value of the developed network-based approach are presented with the aims to predict cancer gene candidates within the region of the 1p/19q co-deletion of oligodendrogliomas and to determine driver candidates associated with radioresistance and relapse of prostate cancer. All seven publications are embedded into a brief introduction that motivates the scientific background and the major objectives of this thesis. The background is briefly going from the hallmarks of cancer over the complexity of cancer genomes down to the importance of networks in cancer. This includes a short introduction of the mathematical concepts that underlie the developed network inference and network propagation algorithms. Further, I briefly motivate and summarize my studies before the original publications are presented. The habilitation thesis is completed with a general discussion of the major results with a specific focus on the utilized network-based data analysis strategies. Major biologically and clinically relevant findings of each publication are also briefly summarized.

Die Chronisch Myeloische Leukämie (CML) ist eine maligne, hämatologische Erkrankung, welche auf der unregulierten Proliferation von leukämischen myeloischen Zellen im Knochenmark beruht. Die Folge ist eine Verdrängung der normalen Hämatopoese durch leukämische Zellen mit einem unbehandelt letalen Verlauf. Die Einführung einer spezifischen Therapie der CML durch Tyrosinkinase-Inhibitoren (TKIs) hat die Behandlung der CML maßgeblich beeinflusst und stellt aktuell die Standardtherapie für betroffene Patienten dar. Mehrere klinische Studien zeigten, dass bei einem Teil der Patienten mit gutem Therapieansprechen im Verlauf die Therapie beendet werden kann, ohne dass es dabei zu einem Rückfall der Patienten kommt. Eine sichere Identifikation dieser Patienten ist aktuell nicht möglich. Weiterhin sind die Mechanismen, welche einer therapiefreien Remission zugrunde liegen, nicht endgültig geklärt. Allerdings ergaben mehrere aktuelle Studien Hinweise auf eine immunologische Komponente, der in diesem Zusammenhang eine entscheidende Rolle zukommen könnte. Im Rahmen dieser Arbeit wurde ein auf gewöhnlichen Differentialgleichungen basierendes, mathematisches Modell der CML um eine immunologische Komponente erweitert, um eine bessere Beschreibung des Verhaltens von CML-Patienten unter TKI-Therapie und nach Beendigung dieser zu ermöglichen. Es wurde im Sinne eines konzeptionellen Modellierungsansatzes untersucht, welche Mechanismen dem Rezidivverhalten innerhalb eines solchen Modells zugrunde liegen und ob anhand des verwendeten Modells das Auftreten eines Rezidivs zuverlässig vorhergesagt werden kann. Grundlage dieser Arbeit stellen BCR-ABL Verlaufsmessungen von 21 CML-Patienten dar, welche mit einem TKI behandelt wurden und bei denen dieser im Rahmen einer klinischen Intervention abgesetzt wurde. Während die Anpassung eines mathematischen Modells ohne immunologische Komponente bereits eine gute Beschreibung des BCR-ABL/ABL Abfall unter Therapie ermöglichte, versagte dieses Modell bei der Beschreibung einer therapiefreien Remission. Nur durch die Erweiterung des Modells um eine individuelle immunologische Komponente konnte der BCR-ABL/ABL Verlauf während und nach Stopp der TKI-Therapie korrekt wiedergegeben werden. Dabei zeigte sich, dass zur Bestimmung der Modellparameter allerdings eine Einbeziehung der BCR-ABL Messwerte nach Absetzen der Therapie notwendig war. Deutliche Unterschiede der auf diese Weise ermittelten immunologischen Modellparameter zwischen Patienten mit und ohne Rezidiv signalisierten einen entscheidenden Einfluss der immunologischen Komponente auf das Rezidivverhalten. Die weitere Untersuchung der Attraktorlandschaften für das Rezidivverhalten zeigte, dass Patienten darüber hinaus anhand ihrer Immunantwort in drei verschiedene Klassen eingeteilt werden können: Einige Patienten zeigten eine insuffiziente Immunantwort (Klasse A) und somit nach Therapiestopp immer ein Rezidiv, da ihr Immunsystem nicht in der Lage ist, die erneute Proliferation residualer leukämischer Zellen nach Absetzen der Therapie zu verhindern. Im Gegensatz dazu zeigten einige Patienten eine suffiziente Immunantwort. Während Patienten mit einer suffizienten und starken Immunantwort (Klasse B) nur eine minimale Therapiedauer in den Simulationen zur Aufrechterhaltung einer Remission nach Therapiestopp benötigten, war die Verhinderung eines Rezidivs für Patienten mit einer suffizienten und schwachen Immunantwort (Klasse C) nur bei Erreichen eines optimalen Gleichgewicht zwischen der Zahl leukämischer Zellen und der Aktivität des Immunsystems möglich. Es konnte gezeigt werden, dass dies theoretisch durch eine individuelle, fein abgestimmte Anpassung von Therapiedauer und Therapieintensität erreicht werden kann. Da eine Bestimmung der Modellparameter nur unter Einbeziehung der BCR-ABL Messungen nach Stopp der TKI-Therapie möglich war, erlaubte dieses Vorgehen entsprechend keine Vorhersage des Rezidivverhaltens. Daher erfolgte die Simulation einer 12-monatigen TKI-Dosisreduktion für jeden Patienten mit einer anschließenden Betrachtung der BCR-ABL/ABL Verläufe während der Dosisreduktion. Eine Korrelation zwischen dem BCR-ABL/ABL Anstieg innerhalb dieses Zeitraums und dem klinischen Rezidivverhalten zeigte, dass die aus einer solchen Systemstörung resultierenden Veränderungen der BCR-ABL/ABL Verläufe die notwendigen Informationen zur Vorhersage des Rezidivverhaltens liefern könnten. Dabei sind diese Modellvorhersagen in qualitativer und quantitativer Übereinstimmung mit klinischen Daten der DESTINY-Studie (NCT01804985). Es konnte somit gezeigt werden, dass ein mathematisches Modell der CML durch Erweiterung um eine immunologische Kontrollkomponente in der Lage ist, den Krankheitsverlauf von CML Patienten während und nach Absetzen der TKI-Therapie korrekt zu beschreiben. Damit unterstützt diese Arbeit die Ergebnisse aktueller klinischer Studien, welche einer anti-leukämischen Immunantwort eine Bedeutung in der Aufrechterhaltung einer therapiefreien Remission zuschreiben. Da eine Vorhersage des individuellen Rezidivverhaltens allein anhand der BCR-ABL Messungen vor Therapieabsetzen nicht möglich war, unterstreicht diese Arbeit die Notwendigkeit weiterer Studien auf diesem Gebiet. Dabei legen die Ergebnisse diese Arbeit nahe, dass Studien mit klinischen Interventionen, wie z.B. einer temporären TKI-Dosisreduktion, die notwendigen Informationen für solche Vorhersagen enthalten könnten.:1. Einleitung und Zielstellung 1.1. Einleitung 1.2. Fragestellung und Zielsetzung dieser Arbeit 2. Medizinischer Hintergrund 2.1. Hämatopoese 2.2. Chronische Myeloische Leukämie 2.2.1. Epidemiologie 2.2.2. Ätiologie und Pathogenese 2.2.3. Klinik und Verlauf 2.2.4. Diagnostik 2.2.5. Therapie 2.2.6. Immunologische Einflussfaktoren auf das Rezidivverhalten 3. Systembiologischer Hintergrund 3.1. Statistische Modelle der TKI-Therapie 3.2. Mechanistische Modelle der TKI-Therapie 3.3. Modellierung von Therapie und Absetzverhalten 3.4. Modelle der CML mit einer immunologischen Komponente 4. Material und Methoden 4.1. Klinische Daten 4.1.1. Herkunft der klinischen Daten 4.1.2. Selektion geeigneter Patienten 4.2. Statistische Beschreibung 4.2.1. Bi-exponentielles Modell 4.2.2. Modellanpassung 4.2.3. Statistische Tests 4.3. Mechanistisches Modell 4.3.1. CML-Modell ohne immunologische Komponente 4.3.2. CML-Modell mit immunologischer Komponente (Immunmodell) 4.3.3. Allgemeines Vorgehen zur Modellanpassung 4.3.4. Berechnung der Anfangsbedingungen 4.3.5. Anpassungsstrategien 4.3.6. Sensitivitätsanalysen 4.3.7. Phasenportaits 4.3.8. Regressionsmodelle 4.3.9. Statistische Tests 5. Ergebnisse 5.1. Patientencharakteristika 5.2. Struktureller Vergleich der Patienten mit und ohne Rezidiv 5.3. CML-Modell ohne immunologische Komponente 5.3.1. Aufbau des Modells 5.3.2. Sensitivitätsanalyse 5.3.3. Anpassung an die klinischen Daten 5.4. CML-Modell mit immunologischer Komponente (Immunmodell) 5.4.1. Aufbau des Modells 5.4.2. Anpassung an die klinischen Daten 5.4.3. Klassifizierung der Patienten anhand ihrer Immunantwort 5.4.4. Sensitivitätsanalyse 5.4.5. Einfluss der Therapie auf das Rezidivverhalten 5.4.6. Informationsgewinn durch Simulation einer Dosisreduktion 6. Diskussion 6.1. Diskussion der initial formulierten Fragestellungen 6.2. Kritische Betrachtung der Herangehensweise 6.2.1. Patientenselektion 6.2.2. Modellierung der CMLII 6.3. Ausblick 6.3.1. Erweiterungsmöglichkeiten des verwendeten mathematischen Modells 6.3.2. Unterstützung des Designs klinischer Studien 7. Zusammenfassung 8. Summary A. Anhang A.1. Berechnung des Immunfensters A.2. Berechnung der Attraktoren A.2.1. Heilungs-Attraktor A.2.2. Remissions- und Rezidiv-Attraktor A.3. Abbildungen und Tabellen Literaturverzeichnis Chronic Myeloid Leukemia (CML) is a hematological cancer characterized by the unregulated proliferation of immature myeloid cells in the bone marrow. This leads to a displacement of the normal hematopoiesis with a lethal course if untreated. The introduction of Tyrosine Kinase Inhibitors (TKIs) as a specific therapy has significantly influenced the CML treatment and represents the current first line treatment option for affected patients. Several clinical trials confirmed that TKI treatment can be stopped for some well responding patients without the occurrence of a relapse. It is not yet possible to prospectively identify those patients. Also, the mechanisms leading to a relapse or a treatment-free remission still remain unclear. However, recent clinical trials suggest that an immunological component plays an important role in the long-term disease control. Aim of this work was the expansion of a mathematical CML model by an anti-leukemic immune component to improve the description of the disease behavior of CML patients while treated with TKI and after stopping treatment. A mathematical proof of concept analysis of the model mechanisms leading to relapse or treatment-free remission was performed. Also, it was examined whether such a model can reliably predict the occurrence of a relapse. The BCR-ABL time courses of 21 TKI-treated CML patients, for whom TKI-therapy had been stopped as a clinical intervention, were used in this work. While the adaption of a simplified ODE-model without the immune component could describe the BCR-ABL/ABL decrease during therapy, the model failed to describe a treatment-free remission. Only by expanding the model with an individual immune component, it was possible to correctly reproduce the BCR-ABL/ABL time courses during TKI-treatment and after treatment cessation. Also, an estimation of the individual parameters was only possible by fitting the model to the complete BCR-ABL/ABL time course (including measurements after treatment cessation). Significant differences of the immune parameters determined in this way between relapsing and non-relapsing patients signaled an important influence of the immune component on the relapse behavior. A detailed mathematical analysis of the identified relapse behavior attractor landscapes also suggested that the available patients can be grouped in three general classes (A–C) corresponding to their individual immune response. Certain patients presented an insufficient immune response (class A) and thus, consistently relapsed after stopping treatment as they were unable to prevent a renewed proliferation of residual leukemic cells after treatment cessation. In contrast, some patients showed a sufficient immune response. While patients with a sufficient and strong immune response (class B) required only a minimal treatment duration in the simulations to retain a remission after stopping treatment, the prevention of a relapse for patients with a sufficient and weak immune response (class C) was only possible if an optimal balance between leukemia abundance and immunological activation was achieved before treatment cessation. It could be shown that this balance can theoretically be achieved by an individual titrated and narrowly adapted treatment duration and intensity. Since estimations of the model parameters could only be obtained if the complete data (including post-cessation measurements) were available, it was not possible to predict the individual relapse behavior. Therefore, a 12-months TKI dose reduction simulation was performed for each patient and the resulting BCR-ABL/ABL changes within this period were analyzed. A correlation between the BCR-ABL/ABL increase and the clinical relapse behavior suggested that the BCR-ABL/ABL changes from such system perturbation yields the required information for predictions of the relapse behavior. These simulation results are in qualitative and quantitative agreement with clinical data of the DESTINY trial (NCT01804985). It could be shown that a mathematical CML model is capable of describing the treatment response and relapse behavior of CML patients by incorporation of an immunological control component. Thus, this work supports the results of recent clinical trials which suggest an important role of immune cells for the maintenance of a treatment-free remission. Since a prediction of the individual relapse behavior cannot be obtained from BCR-ABL measurements before stopping treatment, this work highlights the need for further research in this clinical field. Moreover, the results of this work suggest that clinical trials with treatment interventions like a TKI-dose reduction could provide the information required for those predictions.:1. Einleitung und Zielstellung 1.1. Einleitung 1.2. Fragestellung und Zielsetzung dieser Arbeit 2. Medizinischer Hintergrund 2.1. Hämatopoese 2.2. Chronische Myeloische Leukämie 2.2.1. Epidemiologie 2.2.2. Ätiologie und Pathogenese 2.2.3. Klinik und Verlauf 2.2.4. Diagnostik 2.2.5. Therapie 2.2.6. Immunologische Einflussfaktoren auf das Rezidivverhalten 3. Systembiologischer Hintergrund 3.1. Statistische Modelle der TKI-Therapie 3.2. Mechanistische Modelle der TKI-Therapie 3.3. Modellierung von Therapie und Absetzverhalten 3.4. Modelle der CML mit einer immunologischen Komponente 4. Material und Methoden 4.1. Klinische Daten 4.1.1. Herkunft der klinischen Daten 4.1.2. Selektion geeigneter Patienten 4.2. Statistische Beschreibung 4.2.1. Bi-exponentielles Modell 4.2.2. Modellanpassung 4.2.3. Statistische Tests 4.3. Mechanistisches Modell 4.3.1. CML-Modell ohne immunologische Komponente 4.3.2. CML-Modell mit immunologischer Komponente (Immunmodell) 4.3.3. Allgemeines Vorgehen zur Modellanpassung 4.3.4. Berechnung der Anfangsbedingungen 4.3.5. Anpassungsstrategien 4.3.6. Sensitivitätsanalysen 4.3.7. Phasenportaits 4.3.8. Regressionsmodelle 4.3.9. Statistische Tests 5. Ergebnisse 5.1. Patientencharakteristika 5.2. Struktureller Vergleich der Patienten mit und ohne Rezidiv 5.3. CML-Modell ohne immunologische Komponente 5.3.1. Aufbau des Modells 5.3.2. Sensitivitätsanalyse 5.3.3. Anpassung an die klinischen Daten 5.4. CML-Modell mit immunologischer Komponente (Immunmodell) 5.4.1. Aufbau des Modells 5.4.2. Anpassung an die klinischen Daten 5.4.3. Klassifizierung der Patienten anhand ihrer Immunantwort 5.4.4. Sensitivitätsanalyse 5.4.5. Einfluss der Therapie auf das Rezidivverhalten 5.4.6. Informationsgewinn durch Simulation einer Dosisreduktion 6. Diskussion 6.1. Diskussion der initial formulierten Fragestellungen 6.2. Kritische Betrachtung der Herangehensweise 6.2.1. Patientenselektion 6.2.2. Modellierung der CMLII 6.3. Ausblick 6.3.1. Erweiterungsmöglichkeiten des verwendeten mathematischen Modells 6.3.2. Unterstützung des Designs klinischer Studien 7. Zusammenfassung 8. Summary A. Anhang A.1. Berechnung des Immunfensters A.2. Berechnung der Attraktoren A.2.1. Heilungs-Attraktor A.2.2. Remissions- und Rezidiv-Attraktor A.3. Abbildungen und Tabellen Literaturverzeichnis

Hintergrund Die chronische myeloische Leukämie (CML) ist eine myeloproliferative Er- krankung, die aufgrund ihres Modellcharakters unter der Behandlung mit Tyrosin-Kinase- Inhibitoren (TKI) gut für eine Beschreibung mittels computerbasierter Modelle geeignet ist. Grundlage für die Entstehung einer CML ist die Bildung eines Philadelphia-Chromosoms durch eine Translokation der Chromosomen 9 und 22. Es resultiert das Onkogen BCR- ABL1, welches für eine konstitutiv aktive Tyrosinkinase codiert. Diese führt zu ungeregelter Proliferation der betroffen Zellen und zur Verdrängung der gesunden Blutbildung. Das überaktivierte Protein kann durch TKIs gezielt gehemmt werden. Damit ist es möglich, die Tumorlast erheblich zu senken und das Fortschreiten der Erkrankung aufzuhalten. Aktuell werden in der klinischen Anwendung außerhalb von Studien TKIs für die gesamte Lebensdauer der Patienten eingesetzt. Absetzstudien zeigten, dass circa 50% der Patienten nach einer über zwei Jahren nicht nachweisbaren BCR-ABL1-Last nach Behandlungsstopp kein erneutes Anwachsen der Tumorlast aufwiesen. Die Anwendung von computergestützten Modellsimulationen hilft, Zugriff auf die klinisch nur schwer zu messenden leukämischen Stammzellen zu bekommen und darüber Vorhersagen über den weiteren Therapieverlauf zu treffen. Aufgabenstellung Im Rahmen der vorliegenden Arbeit sollen Möglichkeiten der Übertragung von Patientendaten auf das etablierte Modell nach Roeder und Loeffler (2002) verbessert werden. Die vom Modell vorhergesagten Stammzellkinetiken sollen abschließend auf Praxistauglichkeit geprüft werden. Material und Methoden Aufgrund der Vergleichbarkeit zu früheren Untersuchungen erfolgte die Auswahl von 51 Patienten des deutsches Armes der IRIS-Studie. Deren Therapieverläufe wurden analysiert und können über eine biphasische exponentielle (biexponentielle) bzw. über eine stückweise lineare Funktion beschreiben werden. Als Erweiterung der Arbeiten von Horn et al. (2013) wurden alle Parameter der biexponentiellen Funktion in die Entwicklung neuer Methoden einbezogen. Zusätzlich wurde untersucht, ob die Einbeziehung von zensierten Messpunkte die Form der biexponentiellen Funktion verändert. Basierend auf den Therapiedaten der IRIS-Patienten erfolgte die Ermittlung eines Para meterraumes für Eingangsparameter der Modellsimulation (Modellparameter), welcher in 270.400 individuelle Paramterkombinationen unterteilt wurde. Es erfolgten anschließend die Simulation und Auswertung nach der biexponentiellen Beschreibung. Auf Basis dieser erheblich größeren Datengrundlage konnten zwei neue Verfahren der Modellparameteridentifikation für individuelle Patienten entwickelt werden. Einerseits wurde in Anlehnung an die Arbeit von Horn et al. (2013) ein Verfahren unter Nutzung der Regression vorgestellt. Andererseits konnte über den Vergleich der Abstände zwischen simulierten und realen Therapieverläufen eine Suche (lookup-table) etabliert werden. Die Berechnung des Abstandes zwischen Therapieverläufen ermöglicht gleichzeitig den Vergleich der verschiedenen Verfahren und damit eine Aussage über deren Anpassungsgüte. Zum Schluss wurde beispielhaft für einen Patienten das Verfahren der lookup-table angewendet und die resultierende Stammzellkinetik weiter analysiert. Ergebnisse Einführend erfolgte die Analyse der resultierenden biexponentiellen Funktion mit und ohne Einbeziehung von Messunsicherheiten. Es zeigte sich, dass der Verlauf dieser Funktion besonders in Bereichen, die von einbezogenen Messunsicherheiten betroffen sind, abweichend ist. Die Beschreibung des Langzeitverlaufs erfolgt jedoch annähernd gleich. Anschließend erfolgte die Validierung der Größe des vorsimulierten Datenpool anhand eines Vergleichs der statistischen Parameter von Patienten und Simulationen. Dieser zeigte sich dabei für die weiteren Untersuchungen geeignet. Die Nutzung der lookup-table zur Identifikation der am besten zu einem Patienten passenden Therapiesimulation ist überlegen sowohl gegenüber von der Horn et al. (2013) beschriebenen als auch in dieser Arbeit neu entwickelten Regressionsverfahren. Diese ergeben deutliche Abweichungen zwischen Patientendaten und Simulation. Eine Analyse des vorhergesagten Therapieverlaufes im Stammzellkompartiment ergibt jedoch, dass ähnliche Therapieverläufe im peripheren Blut durch stark unterschiedliche Stammzellkonfigurationen beschrieben werden können. Es resultiert eine starke Streuung der vorhergesagten Zeitpunkte eines möglichen Therapieendes. Schlussfolgerungen Die Nutzung der lookup-table zu Identifikation einer passenden Therapiesimulation ist hoch effektiv und anderen Verfahren, die auf Regression basieren, überlegen. Die etablierte Computersimulation nach Roeder und Loeffler (2002) bietet Zugriff auf die Therapie in der Ebene der Stammzellen. Die in weiteren Analysen gezeigten Streuungen der vorhergesagten Therapieverläufe im Stammzellkompartiment lassen den Schluss zu, dass Methoden zur Eingrenzung der Stammzellverläufe entwickelt werden müssen, um die Vorhersagen klinisch nutzbar zu machen. Weiterhin muss anhand von Messungen an Knochenmarkproben von realen Patienten geprüft werden, ob die von der Simulation postulierten Verläufe der Tumorlast im Stammzellkompartiment der realen Behandlung entsprechen. Ausblick Die in aktuellen Arbeiten beschriebene Rolle des Immunsystems im Therapieverlauf der CML (Saussele et al. 2016; Clapp et al. 2016) sollte in eine Verbesserung des Stammzellmodells nach Roeder und Loeffler (2002) einfließen. Weiterhin kann die Validierung der im Rahmen der Individualmedizin zu treffenden Absetzvorhersagen letztendlich nur über klinische Absetzuntersuchungen ermöglicht werden. Background Chronic myeloic leukaemia (CML) is a myeloproliferative disease, which is well suited for modelling approaches. It is characterized by the oncogenic BCR-ABL1 fusion gene originating from an inverse translocation of the chromosomes 9 and 22 leading to the Philadelphia chromosome. The result is a constitutively activated tyrosine-kinase. This is followed by an extensive proliferation of leukaemic stem cells leading to a displacement of normal haematopoesis. The molecular specificity of CML forms the basis of a highly efficient, targeted therapy by tyrosine kinase inhibitors (TKIs). TKIs can decrease the tumour burden and slow down or eventually stop progressing of the disease. Currently, in clinical applications drugs are administered for the remaining life span. Interestingly, in recent treatment cessation trials patients were stopped after two years of non-detectable tumour burden and about 50% remained without relapse. The application of computer-based modelling helps to gain access to stem cell counts being difficult to measure clinically. This forms the basis for predictions of long-term therapy outcomes. Aim of this work This work aims on identifying a suitable algorithm to efficiently identify model simulations that optimally decribe individual patient kinetics. Furthermore, the clinical usability of the new methods was investigated. Material and methods The analysed group of patients was chosen out of the German cohort of the IRIS trial to ensure comparability to former investigations. It consists of 51 individuals. The course of leukaemic burden , i. e. leukaemic vs. non-leukaemic cells on a single patient level can be described as a biphasic exponential (bi-exponential) or a piecewise linear function. As an extension to former methods described by Horn et al. (2013) all parameters are included into further method development. Additionally, an investigation was conducted whether censored data points change the functional behaviour of a bi-exponential fit based on patients’ data. According to therapy data of all patients an input parameter space for the model simulation was delimited, such that all observed patient kinetics can be mimicked by the model. This parameter space was uniformly divided into 270.400 discrete parameter combinations. The therapy simulation of each combination was conducted and described by a bi-exponential function likewise to the patients’ fit. With the help of these huge variety of in silico therapies two new methods of model parameter identification for individual patients were developed. The first one is an advanced approach based on a regression model proposed by Horn et al. (2013). The second one by comparing distances between the patients’ and the models’ bi-exponential functions (lookup table). The comparison of the distances between different therapy courses (either simulated or patients’ data) was also used to compare the quality of different methods. As an example, for one patient the stem cell kinetics from the model were analysed in more detail and checked for robustness. Such a strategy, which might build the basis for clinical applications. Results A comparison between the different bi-exponential functions with and without censored data points revealed differences especially in the area in which censoring was performed. However, for the long-term tumour burden censored data had no influence. Secondly, an investigation was performed showing the sufficiency of the pre-simulated therapy courses for the new methods, i. e. lookup-table and regression models. The lookup- table turns out to be superior to identify a therapy simulation for a unique patient, since the complexity of linear regression models lead to increased deviations between patients’ therapy courses and the simulations. Unfortunately, distinct stem cell configurations lead to similar therapy descriptions in peripheral blood, assuming the correctness of the model. As a result, the prediction of a safe treatment cessation is often widely spread. Conclusions The new developed lookup-table to identify model simulations suitable for an individual patient is highly effective and superior to other methods using regression models. The simulation of the TKI treatment using the agent-based model of Roeder und Loeffler (2002) gives easy access to therapy courses on the level of leukaemic stem cells. Unfortunately, the finding of a well fitting simulation within the peripheral blood is not enough to provide a point of safe treatment cessation, since different stem cell configurations can lead to similar therapy courses. Additionally, it is necessary to check which of the assumed therapy courses on the stem cell level is appropriate. This could be done by gathering more information from bone-marrow punctures during the course of treatment. Outlook Investigations of new data showed the important role of the immune system in CML treatment (Saussele et al. 2016; Clapp et al. 2016). This should be taken into account by improving the model of Roeder und Loeffler (2002). Additionally, data from cessation trials can be used to validate the model assumptions.

In der vorliegenden Habilitationsschrift werden biomathematische Modelle beschrieben, mit deren Hilfe unterschiedliche Wirkungen von zytotoxischen Chemotherapien beschrieben und vorhergesagt werden können. Die meisten Anwendungen beziehen sich dabei auf Therapien von Lymphomerkrankungen. Die dargestellten Modellkonzepte sind aber prinzipiell auch auf Therapien anderer Erkrankungen übertragbar. Den Hauptteil der Arbeit umfassen Modellierungen der Hämatotoxizität einer konventionellen Chemotherapie in Abhängigkeit von der Art, der Dosierung und der zeitlichen Verabfolgung der zytotoxischen Substanzen, dem Einsatz von hämatopoetischen Wachstumsfaktoren und individuellen Risikofaktoren. Hierbei wurde die Hämatopoese im Knochenmark, die Pharmakokinetik und -dynamik hämatopoetischer Wachstumsfaktoren sowie die Wirkung der Chemotherapie mit Hilfe gewöhnlicher Differentialgleichungssysteme beschrieben. Ähnliche Modellierungen der murinen Hämatopoese begleitet und beeinflussen diese Arbeiten. Die Modelle ermöglichen eine Reihe von klinisch relevanten Vorhersagen, insbesondere bezüglich risikoadaptierter Therapien und Optimierung der Gabe von G-CSF. Diese wurden teilweise in später durchgeführten klinischen Studien validiert. Des Weiteren wurde das Risiko des Auftretens sekundärer hämatologischer Malignitäten in Abhängigkeit von den eingesetzten Primär- und Rezidivtherapien mittels statistischer Modelle beschrieben. Hierbei stand speziell die Frage im Vordergrund, wie sich entsprechende multiparametrische Modelle geeignet reduzieren lassen, um überhaupt parametrisiert werden zu können. Abschließend wird ein Konzept für ein immunologisches Tumormodell vorgeschlagen, mit dessen Hilfe perspektivisch die Tumorkontrolle unter kombinierten Chemo- und Immuntherapien des CD20 positiven B-Zelllymphoms vorhergesagt werden könnte. Die in dieser Arbeit vorgestellten mathematischen Modelle und Modellkonzepte stellen einen Beitrag zur Planung von klinischen Studien mittels systembiologischer Modelle dar.

Mittels Zeitrafferaufnahmen ist es möglich, einzelne Zellen und deren Nachkommenschaft innerhalb bestimmter Zellkulturen zu verfolgen. Fortgeschrittene Bilderverarbeitungsmethoden gestatten es, diesen Prozess der Zellverfolgung über Hunderte von aufeinanderfolgenden Bildern weitgehend zu automatisieren und baumartige Zelltrajektorien zu erzeugen. Allerdings kommt es dabei häufig zu Situationen, in denen die entsprechenden Algorithmen zu ungenau werden und ein Benutzereingriff erforderlich ist. Ziel dieser Arbeit war ein entsprechendes Softwaretool zu entwickeln, dass diesen Benutzereingriff gewährleistet und damit die automatische Zellverfolgung komplementiert. Die entsprechende Software ist in der Lage , die zu Grunde liegenden Bildstapel zu laden und als Bildsequenz darzustellen. Darüber hinaus werden zusätzliche Informationen zu den erkannten Zellobjekten und den automatisch generierten Zelltrajektoren (vor-prozessierte Metadaten aus Mathematica) geladen und repräsentiert. Zentrale Aufgabe der Software ist es, eine Plattform zu schaffen, auf der ein geschulter Nutzer die erkannten Trajektorienabschnitte effizient und benutzerfreundlich erkennen und gegebenenfalls miteinander verknüpfen kann. Die entsprechend ergänzten Trajektorien können anschliessend als Metadaten für die weitere Verarbeitung und Auswertung zur Verfügung gestellt werden. Das Softwaretool stellt einen wichtigen Bestandteil einer Auswertepipline für zeitlich ausgedehnte Videoaufnahmen von Zellkulturen dar und leistet damit einen Beitrag zum Verständnis von Zellorganisation und zellulärer Migration.