Weißes Fettgewebe (WAT) stellt heute aus vielerlei Hinsicht ein interessantes Forschungsgebiet dar. Zum einen ist die Prävalenz der Adipositas weiterhin sehr hoch; mit ihr einher gehen Gesundheitsprobleme wie Bluthochdruck, Diabetes, Dyslipidämie und Atherosklerose, sowie deshalb das Bestreben, bessere Behandlungsmöglichkeiten zu entwickeln. Zum anderen hofft man im Bereich des Tissue Engineering, zukünftig mit in vitro hergestelltem weißem Fettgewebe Weichteildefekte decken zu können. Aus therapeutischer Sicht ist die weitere Erforschung von weißem Fettgewebe deshalb von großer Wichtigkeit. In vivo ist weißes Fettgewebe stark vaskularisiert. Die starken physiologischen Schwankungen von Fettgewebe erfordern deshalb ein besonders dynamisches Gefäßwachstum. Für ein genaueres Verständnis der Physiologie von WAT ist es unerlässlich das Zusammenspiel von Gefäß- und Fettzellen zu verstehen. 2-dimensionale Kultursysteme sind in ihrer Aussagekraft über die Bedingungen in vivo jedoch sehr limitiert. Deshalb kommt in der Erforschung von WAT zunehmend die 3-dimensionale Kultivierung zur Anwendung, welche bezüglich des Gewebekontextes einem lebenden Organismus näher kommt und damit eine größere Aussagekraft haben kann. Ein Ziel dieser Arbeit war, die Voraussetzungen für die Untersuchung der einzelnen Zellfraktionen von Kokulturen aus mesenchymalen Stammzellen aus humanem Fettgewebe (ASC) und mikrovaskulären Endothelzellen (MVEC) zu schaffen. Hierfür wurde erfolgreich ein Protokoll zur Trennung solcher Zellsuspensionen mittels Magnetic Activated Cell Sorting (MACS) etabliert. Während in vorangegangenen Arbeiten nur eine der beiden Zellfraktionen analysiert werden konnte, ermöglichte es dieses Protokoll nun beide Zellfraktionen einer Kokultur verunreinigungsfrei zu isolieren und zu analysieren. Dies eröffnet neue Möglichkeiten in der Erforschung des Zusammenspiels dieser beiden Zelltypen. Um diese zu demonstrieren wurde in dieser Arbeit die Expression von vier Genen in ASC und MVEC aus gemeinsamer Kokultivierung in einem 3-dimensionalen Sphäroid-Modell analysiert. Hierbei konnte festgestellt werden, dass die Expression der Gene Angiopoietin-2, Interleukin-1B, Interleukin-6 und Leukemia Inhibitory Factor in MVEC bei 3-dimensionaler Kokultivierung mit ASC nach zwei Tagen Kultur stark anstieg, während sich in der Fraktion der ASC kaum Veränderungen zeigten. Dies wiederum spricht für eine angiogene Aktivität der MVEC. Ohne ein Protokoll zur Trennung solcher ASC-MVEC-Kokulturen mittels MACS, welche die weitere Analyse beider Zelltypen erlaubt, wäre diese Untersuchung so nicht möglich gewesen Ziel dieser Arbeit war auch, der Hypothese über eine Beteiligung des Wnt-Signalwegs an der Steuerung der Adipogenese durch Endothelzellen in ASC-MVEC-Kokultur-Sphäroiden nachzugehen. Zuvor konnte beobachtet werden, dass in diesen die Triglyceridsynthese lokal reduziert war, während sie in ASC-Monokultur-Sphäroiden homogen verteilt und nicht inhibiert war. Hierfür wurden Schnitte von adipogen induzierten ASC-MVEC-Kokultur-Sphäroiden und ASC-Monokultur-Sphäroiden immunhistochemisch auf aktives beta-Catenin gefärbt, wodurch der aktive Wnt-Signalweg innerhalb des Sphäroids dargestellt werden konnte. Tatsächlich konnte innerhalb der Kokultur-Sphäroide für die Hälfte der untersuchten Schnitte eine regionale Erhöhung von aktivem beta-Catenin festgestellt werden, welche auf der Seite der ASC-Monokultur-Sphäroide nicht nachweisbar war. In Betrachtung der Ergebnisse dieser Arbeit -- auch im Kontext weiterer Forschungsergebnisse -- erscheint eine Beteiligung des Wnt-Signalwegs an der Steuerung der Adipogenese in ASC-MVEC-Kokultur-Sphäroiden sehr wahrscheinlich. In dieser Arbeit konnte ein Beitrag zum Verständnis des Zusammenspiels von ASC und MVEC in 3-dimensionaler Kokultivierung sowie dessen weiterer Untersuchung geleistet werden. Die gewonnenen Erkenntnisse unterstreichen die Anwendbarkeit und Wichtigkeit von 3-dimensionalen Kulturumgebungen in der Erforschung von weißem Fettgewebe, sowohl für die Adipositasforschung als auch für Adipose Tissue Engineering. / Coculture of Adipose Derived Stem Cells and Microvascular Endothelial Cells - Aspects in a 3D Spheroid-Model

At the forefront of cancer treatment development and evaluation, three-dimensional Tumour Spheroid Control Experiments play a pivotal role in the battle against cancer. Conducting and evaluating in vitro experiments are time-consuming processes. This thesis details the development, implementation, and validation of an algorithmic model that classifies spheroids as either controlled or relapsed by assessing the success of their treatments based on criteria rooted in biological insights. The introduction of this model is crucial for biologists to accurately and efficiently predict treatment efficacy in 3D in vitro experiments. The motivation for this research is driven by the need to improve the objectivity and efficiency of treatment outcome evaluations, which have traditionally depended on manual and subjective assessments by biologists. The research involved creating a comprehensive dataset from multiple 60-day in vitro experiments by combining data from various sources, focusing on the growth dynamics of tumour spheroids subjected to different treatment regimens. Through preprocessing and analysis, growth characteristics were extracted and utilized as input features for the model. A feature selection and optimization technique was applied to refine the software model and improve its predictive accuracy. The model is based on a handful of comprehensive criteria, calibrated by employing a grid search mechanism for hyperparameter tuning to optimize accuracy. The validation process, conducted via independent test sets, confirmed the model’s capability to predict treatment outcomes with a high degree of reliability and an accuracy of about 99%. The findings reveal that algorithmic classification models can make a significant contribution to the standardization and automation of treatment efficacy assessment in tumour spheroid experiments. Not only does this approach reduce the potential for human error and variability, but it also provides a scalable and objective means of evaluating treatment outcomes.:1 Introduction 1.1 Background and Motivation 1.2 Biological Background 1.3 Iteration Methodology 1.4 Objective of the Thesis 2 Definition of basic Notation and Concepts 2.1 Time Series Analysis 2.2 Linear Interpolation 2.3 Simple Exponential Smoothing 2.4 Volume of a Spheroid 2.5 Heavyside Function 2.6 Least Squares Method 2.7 Linear Regression 2.8 Exponential Approximation 2.9 Grid Search 2.10 Binary Regression 2.11 Pearson Correlation Coefficient 3 Observation Data 3.1 General Overview 3.1.1 Structure of the Data 3.1.2 Procedure of Data Processing using 3D-Analysis 3.2 Data Engineering 3.2.1 Data Consolidation and Sanitization 3.2.2 Extension and Interpolation 3.2.3 Variance Reduction 4 Model Development 4.1 Modeling of Various Classification-Relevant Aspects 4.1.1 Primary Criteria 4.1.2 Secondary Criteria 4.1.3 Statistical Learning Approaches 4.2 Day of Relapse Estimation 4.3 Model Implementation 4.3.1 Combination of Approaches 4.3.2 Implementation in Python 4.4 Model Calibration 4.4.1 Consecutive Growth 4.4.2 Quintupling 4.4.3 Secondary Criteria 4.4.4 Combined Approach 5 Model Testing 5.1 Evaluation Methods 5.1.1 Applying the Model to New Data 5.1.2 Spheroid Control Probability 5.1.3 Kaplan-Meier Survival Analysis 5.1.4 Analysis of Classification Mismatches 5.2 Model Benchmark 5.2.1 Comparison to Human Raters 5.2.2 Comparison to Binary Regression Model 5.3 Robustness 5.3.1 Test using different Segmentation 5.3.2 Feature Reduction 5.3.3 Sensitivity 5.3.4 Calibration Templates 6 Discussion 6.1 Practical Application Opportunities 6.2 Evaluation of the Algorithmic Model 6.3 Limitations 7 Conclusion 7.1 Summary 7.2 Future Research Directions / Dreidimensionale Experimente zur Kontrolle von Tumorsphäroiden sind zentral für die Entwicklung und Evaluierung von Krebstherapien. Die Durchführung und Auswertung von In-vitro-Experimenten ist jedoch zeitaufwendig. Diese Arbeit beschreibt die Entwicklung, Implementierung und Validierung eines algorithmischen Modells zur Einstufung von Sphäroiden als kontrolliert oder rezidivierend. Das Modell bewertet den Behandlungserfolg anhand biologisch fundierter Kriterien. Diese Innovation ist entscheidend für die präzise und effiziente Vorhersage der Wirksamkeit von Behandlungen in 3D-In-vitro-Experimenten und zielt darauf ab, die Objektivität und Effizienz der Beurteilung von Behandlungsergebnissen zu verbessern, die traditionell von manuellen, subjektiven Einschätzungen der Biologen abhängen. Die Forschung umfasste die Erstellung eines umfassenden Datensatzes aus mehreren 60-tägigen In-vitro-Experimenten, bei denen die Wachstumsdynamik von Tumorsphäroiden unter verschiedenen Behandlungsschemata untersucht wurde. Durch Vorverarbeitung und Analyse wurden Wachstumscharakteristika extrahiert und als Eingangsmerkmale für das Modell verwendet. Das Modell basiert auf wenigen umfassenden Kriterien, die mithilfe eines Gittersuchmechanismus zur Abstimmung der Hyperparameter kalibriert wurden, um die Genauigkeit zu optimieren. Der Validierungsprozess bestätigte die Fähigkeit des Modells, Behandlungsergebnisse mit hoher Zuverlässigkeit und einer Genauigkeit von etwa 99 % vorherzusagen. Die Ergebnisse zeigen, dass algorithmische Klassifizierungsmodelle einen wesentlichen Beitrag zur Standardisierung und Automatisierung der Bewertung der Behandlungseffektivität in Tumorsphäroid-Experimenten leisten können. Dieser Ansatz verringert nicht nur das Potenzial für menschliche Fehler und Schwankungen, sondern bietet auch ein skalierbares und objektives Mittel zur Bewertung von Behandlungsergebnissen.:1 Introduction 1.1 Background and Motivation 1.2 Biological Background 1.3 Iteration Methodology 1.4 Objective of the Thesis 2 Definition of basic Notation and Concepts 2.1 Time Series Analysis 2.2 Linear Interpolation 2.3 Simple Exponential Smoothing 2.4 Volume of a Spheroid 2.5 Heavyside Function 2.6 Least Squares Method 2.7 Linear Regression 2.8 Exponential Approximation 2.9 Grid Search 2.10 Binary Regression 2.11 Pearson Correlation Coefficient 3 Observation Data 3.1 General Overview 3.1.1 Structure of the Data 3.1.2 Procedure of Data Processing using 3D-Analysis 3.2 Data Engineering 3.2.1 Data Consolidation and Sanitization 3.2.2 Extension and Interpolation 3.2.3 Variance Reduction 4 Model Development 4.1 Modeling of Various Classification-Relevant Aspects 4.1.1 Primary Criteria 4.1.2 Secondary Criteria 4.1.3 Statistical Learning Approaches 4.2 Day of Relapse Estimation 4.3 Model Implementation 4.3.1 Combination of Approaches 4.3.2 Implementation in Python 4.4 Model Calibration 4.4.1 Consecutive Growth 4.4.2 Quintupling 4.4.3 Secondary Criteria 4.4.4 Combined Approach 5 Model Testing 5.1 Evaluation Methods 5.1.1 Applying the Model to New Data 5.1.2 Spheroid Control Probability 5.1.3 Kaplan-Meier Survival Analysis 5.1.4 Analysis of Classification Mismatches 5.2 Model Benchmark 5.2.1 Comparison to Human Raters 5.2.2 Comparison to Binary Regression Model 5.3 Robustness 5.3.1 Test using different Segmentation 5.3.2 Feature Reduction 5.3.3 Sensitivity 5.3.4 Calibration Templates 6 Discussion 6.1 Practical Application Opportunities 6.2 Evaluation of the Algorithmic Model 6.3 Limitations 7 Conclusion 7.1 Summary 7.2 Future Research Directions