Please use this identifier to cite or link to this item: http://dx.doi.org/10.18419/opus-4537
Authors: Hasenauer, Jan
Title: Modeling and parameter estimation for heterogeneous cell populations
Other Titles: Modellierung und Parameterschätzung für heterogene Zellpopulationen
Issue Date: 2013
metadata.ubs.publikation.typ: Dissertation
URI: http://nbn-resolving.de/urn:nbn:de:bsz:93-opus-85252
http://elib.uni-stuttgart.de/handle/11682/4554
http://dx.doi.org/10.18419/opus-4537
metadata.ubs.bemerkung.extern: Druckausg. beim Logos-Verlag, Berlin erschienen. ISBN 978-3-8325-3398-4
Abstract: Most of the modeling performed in biology aims at achieving a quantitative description and understanding of the intracellular signaling pathways within a “typical cell”. However, in many biologically important situations even genetically identical cell populations show a heterogeneous response. This means that individual members of the cell population behave differently. Such situations require the study of cell-to-cell variability and the development of models for heterogeneous cell populations. The main contribution of this thesis is the development of unifying modeling frameworks for signal transduction and proliferation processes in heterogeneous cell populations. These modeling frameworks allow for the detailed description of individual cells as well as differences between them. In contrast to many existing modeling approaches, the proposed frameworks allow for a direct comparison of model predictions with available data. Beyond this, the proposed population models can be simulated efficiently and, by exploiting the model structures, we are able to develop model-tailored Bayesian parameter estimation methods. These methods enable the calculation of the optimal parameter estimates, as well as the evaluation of the parameter and prediction uncertainties. The proposed tools allow for novel insights in population dynamics, in particular the model-based characterization of population heterogeneity and cellular subgroups. This is illustrated for two different application examples: pro- and anti-apoptotic signaling, which is interesting in the context of cancer therapy, and immune cell proliferation.
Häufig ist das Ziel von mathematischen Modellierungen in der Biologie die quantitative Beschreibung von Signaltranduktionswegen in einer „repräsentativen Zelle“ sowie ein besseres Verständnis dieser. In vielen biologisch relevanten Situationen weisen jedoch sogar genetisch identische Zellpopulationen ein heterogenes Verhalten auf. Das bedeutet, dass individuelle Mitglieder der Zellpopulation unterschiedlich reagieren. Dies erfordert die Untersuchung von Zell-Zell-Variabilität sowie die Entwicklung von Modellen für heterogene Zellpopulationen. Der Hauptbeitrag dieser Dissertation liegt in der Entwicklung von verallgemeinerten Modellierungsansätzen für Signaltranduktions- und Proliferationsprozesse in heterogenen Zellpopulationen. Diese Modellierungsansätze ermöglichen eine detaillierte Beschreibung von Einzelzellen sowie deren Unterschiede. Im Gegensatz zu vielen existierenden Modellierungsansätzen ist ein direkter Vergleich von Modellvorhersagen und Daten möglich. Durch die Ausnutzung der Modellstruktur konnten wir darüber hinaus effiziente Simulationsalgorithmen entwickeln, welche die Entwicklung von Modell-spezifischen Bayes'schen Inferenzmethoden ermöglichen. Diese Methoden ermöglichen die Berechnung von optimalen Parametern sowie die Auswertung von Parameter- und Modellunsicherheiten. Die entwickelten Methoden erlauben neuartige Einblicke in heterogene Zellpopulationen insbesondere durch die modellbasierte Charakterisierung von Zell-Zell-Variabilität und von zellulären Subgruppen. Dies wird an zwei Anwendungsbeispielen verdeutlicht: Pro- und anti-apoptotische Signalübertragung, welche im Kontext der Tumortherapie interessant ist, und Proliferation von Immunzellen.
Appears in Collections:07 Fakultät Konstruktions-, Produktions- und Fahrzeugtechnik

Files in This Item:
File Description SizeFormat 
Dissertation.pdf7,03 MBAdobe PDFView/Open


Items in OPUS are protected by copyright, with all rights reserved, unless otherwise indicated.