No description available.

No description available.

No description available.

Perturbation experiments for example using RNA interference (RNAi) offer an attractive way to elucidate gene function in a high throughput fashion. The placement of hit genes in their functional context and the inference of underlying networks from such data, however, are challenging tasks. One of the problems in network inference is the exponential number of possible network topologies for a given number of genes. Here, we introduce a novel mathematical approach to address this question. We formulate network inference as a linear optimization problem, which can be solved efficiently even for large-scale systems. We use simulated data to evaluate our approach, and show improved performance in particular on larger networks over state-of-the art methods. We achieve increased sensitivity and specificity, as well as a significant reduction in computing time. Furthermore, we show superior performance on noisy data. We then apply our approach to study the intracellular signaling of human primary nave CD4+ T-cells, as well as ErbB signaling in trastuzumab resistant breast cancer cells. In both cases, our approach recovers known interactions and points to additional relevant processes. In ErbB signaling, our results predict an important role of negative and positive feedback in controlling the cell cycle progression.

T-cell receptor (TCR) polyclonal mature T cells are surprisingly resistant to oncogenic transformation after retroviral insertion of T-cell oncogenes. In a mouse model, it has been shown that mature T-cell lymphoma/leukemia (MTCLL) is not induced upon transplantation of mature, TCR polyclonal wild-type (WT) T cells, transduced with gammaretroviral vectors encoding potent T-cell oncogenes, into RAG1-deficient recipients. However, further studies demonstrated that quasi-monoclonal T cells treated with the same protocol readily induced MTCLL in the recipient mice. It has been hypothesized that in the TCR polyclonal situation, outgrowth of preleukemic cells and subsequent conversion to overt malignancy is suppressed through regulation of clonal abundances on a per-clone basis due to interactions between TCRs and self-peptide-MHC-complexes (spMHCs), while these mechanisms fail in the quasi-monoclonal situation. To quantitatively study this hypothesis, we applied a mathematical modeling approach. In particular, we developed a novel ordinary differential equation model of T-cell homeostasis, in which T-cell fate depends on spMHC-TCR-interaction-triggered stimulatory signals from antigen-presenting cells (APCs). Based on our mathematical modeling approach, we identified parameter configurations of our model, which consistently explain the observed phenomena. Our results suggest that the preleukemic cells are less competent than healthy competitor cells in acquiring survival stimuli from APCs, but that proliferation of these preleukemic cells is less dependent on survival stimuli from APCs. These predictions now call for experimental validation.

Perturbation experiments for example using RNA interference (RNAi) offer an attractive way to elucidate gene function in a high throughput fashion. The placement of hit genes in their functional context and the inference of underlying networks from such data, however, are challenging tasks. One of the problems in network inference is the exponential number of possible network topologies for a given number of genes. Here, we introduce a novel mathematical approach to address this question. We formulate network inference as a linear optimization problem, which can be solved efficiently even for large-scale systems. We use simulated data to evaluate our approach, and show improved performance in particular on larger networks over state-of-the art methods. We achieve increased sensitivity and specificity, as well as a significant reduction in computing time. Furthermore, we show superior performance on noisy data. We then apply our approach to study the intracellular signaling of human primary nave CD4+ T-cells, as well as ErbB signaling in trastuzumab resistant breast cancer cells. In both cases, our approach recovers known interactions and points to additional relevant processes. In ErbB signaling, our results predict an important role of negative and positive feedback in controlling the cell cycle progression.

In einem komplexen tierexperimentellen Ansatz wurde das Potenzial der anti huCD4-Antikörper MAX16H5 und MAX12F6 zur Modulierung zellvermittelter Immun-reaktionen in vivo untersucht. Dafür kam ein mehrfach transgenes Mausmodell zur Anwendung, in dem das humane Zielmolekül und dessen physiologischer Ligand als Transgene exprimiert waren. Als T-Zell vermittelte Immunreaktion wurde eine Kon-taktreaktion (delayed type hypersensitivity, DTH) gegen DNFB etabliert und validiert. An der DTH wurde untersucht, ob und wie die verschiedenen Antikörper die Sen-sibilisierungs- und die Auslösungsphase beeinflussen. Die experimentellen Ergeb-nisse zeigen, dass die Antikörper epitop- und isotypabhängig die beiden Phasen der DTH unterschiedlich beeinflussen. Die Applikation der Antikörper während der Sensi-bilisierung führte zu einer unterschiedlich ausgeprägten Suppression der DTH. Dage-gen hatten sie gegensätzliche Effekte auf die Auslösung. Während nach MAX12F6-Behandlung eine stärkere und prolongierte DTH gemessen wurde, verlief die DTH-Reaktion nach MAX16H5-Applikation deutlich abgeschwächt. Mittels flowzytometri-scher Analysen konnte gezeigt werden, dass die Antikörper unterschiedliche Subpo-pulationen der T-Helferzellen depletieren. Darüber hinaus führte MAX16H5 offen-sichtlich zur Induktion regulatorischer T-Zellen. Die Daten erklären unterschiedliche Erfolge aus ersten klinischen Studien mit verschiedenen anti huCD4 Antikörpern. Auch eignet sich CD4 auch als diagnostisches Target zur in vivo Diagnostik T-Zell vermittelter Entzündungsreaktionen. Mit Antikörperfragmenten von MAX16H5 wurde ein immunszintigraphisches Verfahren entwickelt, das die spezifische Darstellung der mit der DTH einhergehenden Entzündungsreaktion ermöglicht.

Dendritic cells (DC) constitute a heterogeneous leukocyte population having in common a unique capacity to induce primary T cell responses and are therefore most attractive candidates for immunomodulatory strategies. Two populations of blood DC (CD11c+ CD123dim and CD11c– CD123high) have been defined so far. However, their direct isolation for experimental purposes is hampered by their low frequency and by the lack of selective markers allowing large scale purification from blood. Here we describe the monoclonal antibody (mAb) M-DC8, which was generated by immunizing mice with highly enriched blood DC. This mAb specifically reacts with 0.2–1% of blood leukocytes and enables their direct isolation by a one-step immunomagnetic procedure from fresh mononuclear cells. These cells can be differentiated from T cells, B cells, NK cells and monocytes using lineage-specific antibodies. M-DC8+ cells express HLA class II molecules, CD33 and low levels of the costimulatory molecules CD86 and CD40. Upon in vitro culture M-DC8+ cells spontaneously mature into cells with the phenotype of highly stimulatory cells as documented by the upregulation of HLA-DR, CD86 and CD40; in parallel CD80 expression is induced. M-DC8+ cells display an outstanding capacity to present antigen. In particular, they proved to be excellent stimulators of autologous mixed leukocyte reaction and to activate T cells against primary antigens such as keyhole limpet hemocyanin. Furthermore, they induce differentiation of purified allogeneic cytotoxic T cells into alloantigen-specific cytotoxic effector cells. While the phenotypical analysis reveals similarities with the two known blood DC populations, the characteristic expression of Fc=γRIII (CD16) and the M-DC8 antigen clearly defines them as a novel population of blood DC. The mAb M-DC8 might thus be a valuable tool to determine circulating DC for diagnostic purposes and to isolate these cells for studies of antigen-specific T cell priming. / Dieser Beitrag ist mit Zustimmung des Rechteinhabers aufgrund einer (DFG-geförderten) Allianz- bzw. Nationallizenz frei zugänglich.

Die Entwicklung von Autoimmunerkrankungen wird durch eine Vielzahl verschiedener Faktoren verursacht, darunter gewisse Umwelteinflüsse, genetische Veranlagungen oder Virusinfektionen. So vielfältig die Ursprünge von Autoimmunerkrankungen sind, so divers sind die daraus resultierenden Erkrankungen, wodurch die Entwicklung zuverlässiger Therapien erschwert wird. Obwohl verschiedene Behandlungsmöglichkeiten existieren, welche die Symptome bei Autoimmunerkrankungen wie neuroinflammatorischer Multipler Sklerose (MS) mildern können, z.B. mit monoklonalen Antikörpern (mAk), wirken die meisten Medikamente breit und unspezifisch. Dies beeinträchtigt die Funktionalität des Immunsystems, was wiederum zu einem höheren Risiko für bakterielle und virale Infektionen, maligne Erkrankungen oder sekundäre Autoimmunität führen kann. Andere Therapieansätze untersuchen daher Möglichkeiten einer Antigen-abhängigen Immuntoleranz-Induktion. Allerdings befinden sich diese noch in den frühen Entwicklungsphasen und deren klinische Wirksamkeit muss noch bewiesen werden. Alternativ hat es sich in der onkologischen Immuntherapie als erfolgreich erwiesen, entweder natürliche oder gentechnisch veränderte Immunzellen zu aktivieren. Bisher wurden humane T-Zellen, welche mit Hilfe chimärer Antigenrezeptoren (CAR) mit ausgewählter Spezifität ausgestattet sind, sehr erfolgreich in der Klinik gegen Tumorerkrankungen genutzt. Basierend auf diesen klinischen Erfolgen stellt sich die Frage, ob CAR T-Zellen auch zur Behandlung von Autoimmunerkrankungen eingesetzt werden können. Herkömmlichen CAR T-Zellen mangelt es jedoch sowohl an Flexibilität als auch an Kontrollierbarkeit, da sie mit einem CAR gegen ein einzelnes Antigen ausgestattet sind und in Gegenwart des Zielantigens dauerhaft aktiviert und nicht kontrollierbar sind. Um Limitationen konventioneller CARs zu überwinden, wurden universelle Adapter-CARs (UniCARs, RevCARs) in der Gruppe von Prof. Bachmann entwickelt. Die modulare UniCAR-Plattform besteht aus universell einsetzbaren UniCAR T-Zellen und anpassbaren antigenspezifischen Zielmodulen (TMs). Die Bindungseinheit des UniCAR basiert auf einem mAk mit Spezifität gegen ein Peptidepitop, das Teil des TMs ist und welches spezifisch an Zielantigene auf Tumorzellen bindet. Das TM fungiert als Adaptermolekül, das eine Vernetzung der UniCAR T-Zelle mit der Zielzelle herstellt. Nach der Vernetzung mit der Zielzelle über das TM wird die UniCAR T-Zelle aktiviert, so dass die Zielzelle eliminiert wird. Eine vor Kurzem vorgenommene Modifikation der extrazellulären UniCAR-Domäne führte zu der Reverse CAR (RevCAR)-Plattform, welche die Spezifität und Sicherheit noch weiter erhöhen sowie tonische Signale konventioneller CARs reduzieren soll. Dabei wurde die extrazelluläre mAk-basierte UniCAR-Domäne mit dem Peptidepitop des TM ausgetauscht. Eines der am besten untersuchten Autoantigene bei neuroinflammatorischen Erkrankungen ist das Myelin-Oligodendrozyten-Glykoprotein (MOG). Dieses Protein befindet sich ausschließlich im zentralen Nervensystem an der abaxonalen Membran der nervenschützenden Myelinscheide. Obwohl neuroinflammatorische Erkrankungen wie MS hauptsächlich durch T-Zellen verursacht werden, wurden bei MS-Patienten auch Autoantikörper gegen MOG nachgewiesen, was auf die Beteiligung autoreaktiver B-Zellen an der Verschlimmerung der Krankheit hinweist. Diese Ergebnisse werden durch die wirksame Behandlung von MS-Patienten mit anti-CD20-mAks belegt. In dieser Arbeit wurde MOG als erstes Modell-Zielantigen für das Retargeting von CAR-modifizierten T-Zellen gegen anti-MOG-Ak-exprimierende humane Zellen verwendet. Ziel dieser Arbeit war neue TMs basierend auf der extrazellulären Domäne des MOG Antigens zu entwickeln, die dazu dienen, UniCAR oder RevCAR T-Zellen zur Eliminierung von anti-MOG Ak-exprimierenden Zielzellen zu aktivieren. Zur Bestimmung des optimalen MOG-Antigen TM-Formats wurden für die UniCAR-Plattform ein monovalentes (25 kDa) und ein bivalentes MOG-Antigen TM (50 kDa) entwickelt. Die Wirksamkeit des UniCAR-Systems wurde in vitro demonstriert. Es konnte dabei gezeigt werden, dass beide TMs bereits nach einer kurzen Inkubationszeit von 8 Stunden eine TM-spezifische Lyse Anti-MOG scFv-exprimierender menschlicher Zelllinien durch UniCAR-T-Zellen vermitteln. Darüber hinaus war es möglich, das zytotoxische Potential der UniCAR-T-Zellen durch die Dosierung der TMs zu kontrollieren. Um zu überprüfen, ob der Effekt basierend auf der UniCAR-Platform gegen anti-MOG scFv-exprimierende Zielzellen noch gesteigert werden kann, wurde ein monovalentes MOG-Antigen RevTM für die RevCAR-Plattform entwickelt. In Kombination mit RevCAR-T-Zellen übertraf die Anwendung des RevTM beide UniCAR TMs hinsichtlich Bindungsaffinität und dosisabhängiger Zytotoxizität gegen zwei anti-MOG scFv-exprimierende Zelllinien in vitro. Außerdem war die Freisetzung proinflammatorischer und T-Zellwachstum-fördernder Zytokine im Vergleich zu UniCAR T-Zellen höher und ausgeprägter. Weiterhin wurde die Funktionalität des RevCAR-Systems gegen anti-MOG-scFv-exprimierende Zielzellen in vivo bewiesen. Zusammenfassend kann geschlussfolgert werden, dass die modularen Adapter-CAR T-Zell-Plattformen neben der Krebsimmuntherapie auch bemerkenswertes Potential für die Behandlung von MOG-assoziierten Autoimmunerkrankungen hat. Damit konnte ein erster Grundstein dafür gelegt werden, CAR T-Zellen auf die Anwendung in Autoimmunerkrankungen zu übertragen, um zukünftig gezielt fehlerhafte Immunzellen zu beseitigen, die nachweislich zur Verschlimmerung von Autoimmunerkrankungen beitragen.:Table of contents I List of abbreviations VI 1 Introduction 1 1.1 The human immune system 2 1.2 B cells and antibodies 3 1.2.1 Antibody structure 3 1.2.2 Tolerance induction 4 1.2.3 B cell activation 5 1.2.4 B cell functions in autoimmune diseases 6 1.3 Multiple sclerosis – an example for neuroinflammatory demyelination diseases 8 1.3.1.1 Disease phenotypes 9 1.3.1.2 Immunopathogenesis 9 1.3.2 Autoantigen myelin oligodendrocyte glycoprotein 11 1.4 Immunotherapy 14 1.4.1 Monoclonal antibody therapy 14 1.4.2 Chimeric antigen receptor therapy 16 1.4.2.1 UniCAR and RevCAR T cell system 18 1.4.2.2 CAR T cells in autoimmune diseases 22 1.5 Objectives 23 2 Materials and Methods 25 2.1 Materials 25 2.1.1 Consumables 25 2.1.2 Devices and software 27 2.1.3 Chemicals and reagents 32 2.1.4 Buffers and solutions 36 2.1.5 Enzymes and enzyme buffers 38 2.1.6 Kit systems 39 2.1.7 Plasmid vectors 39 2.1.8 Oligonucleotides 41 2.1.9 Antibodies 41 2.1.10 Basic media, additives, and recombinant proteins 43 2.1.11 Composition of culture media 44 2.1.12 Bacterial strain 46 2.1.13 Cell lines 46 2.1.14 Mouse strain 47 2.2 Methods 47 2.2.1 Molecular biological and microbiology methods 47 2.2.1.1 DNA digestion with restriction enzymes 47 2.2.1.2 Dephosphorylation of vectors 48 2.2.1.3 Agarose gel electrophoresis 48 2.2.1.4 Isolation and purification of DNA fragments from agarose gels 48 2.2.1.5 Ligation of DNA fragments 49 2.2.1.6 Heat-shock transformation of competent E. colis 49 2.2.1.7 Plasmid mini preparation 49 2.2.1.8 Plasmid midi preparation 50 2.2.1.9 Determination of DNA concentration 50 2.2.1.10 DNA sequencing 50 2.2.2 Cell biology methods 50 2.2.2.1 Cultivation of eukaryotic cells 50 2.2.2.2 Freezing and thawing cultured cells 51 2.2.2.3 Determination of cell number 52 2.2.2.4 Lentiviral transduction of eukaryotic cells 52 2.2.2.5 Immunofluorescence labeling 54 2.2.2.6 Flow cytometry and analysis of flow cytometry data 55 2.2.2.7 Isolation of human peripheral blood mononuclear cells 57 2.2.2.8 Isolation of T cells from PBMCs with magnetic-activated cell sorting 58 2.2.2.9 Stimulation of isolated human T cells 58 2.2.2.10 Engraftment of T cells with chimeric antigen receptors 59 2.2.3 Methods of protein biochemistry 59 2.2.3.1 Isolation of target module constructs 59 2.2.3.2 Dialysis of purified target module constructs 60 2.2.3.3 Discontinuous Sodium dodecyl sulfate polyacrylamide gel electrophoresis 60 2.2.3.4 Determination of concentration and immunochemical detection of target module constructs 62 2.2.3.5 Determination of binding affinities of target modules using enzyme-linked immunosorbent assay 63 2.2.4 In vitro functional studies 64 2.2.4.1 T cell activation and exhaustion assay 65 2.2.4.2 Luciferase assay (cytotoxicity assay) 65 2.2.4.3 Determination of cytokine concentration 65 2.2.5 In vivo functionality studies 66 2.2.5.1 Evaluation of tumor killing in vivo 66 2.2.5.2 Optical imaging of luciferase-expressing tumors in vivo 67 2.2.6 Statistical evaluation 67 3 Results 68 3.1 Design and generation of novel MOG target modules 68 3.1.1 MOG target module constructs 68 3.1.2 Expression of target modules 69 3.2 Establishment of scFv MOG-presenting cell models 72 3.3 Binding properties of MOG target modules 74 3.3.1 Determination of binding affinity between anti-MOG antibody and MOG target modules with enzyme-linked immunosorbent assay 74 3.3.2 Determination of binding affinity between anti-MOG receptor-expressing cell lines and MOG target modules with flow cytometry 75 3.4 Generation of human CAR-expressing T cells and binding of MOG target modules 80 3.4.1.1 Genetic modification of human T cells for UniCAR expression 81 3.4.1.2 Genetic modification of human T cells for RevCAR expression 83 3.5 Redirection of UniCAR T cells in vitro 85 3.5.1 Activation of redirected UniCAR T cells 85 3.5.2 Cytokine profile of redirected UniCAR T cells 87 3.5.3 Elimination of scFv MOG-positive target cells by UniCAR T cells 89 3.5.3.1 Time-dependent retargeting of scFv MOG-positive target cells by UniCAR T cells 89 3.5.3.2 Efficacy of UniCAR target modules 91 3.6 Redirection of RevCAR T cells in vitro 92 3.6.1 Activation of redirected RevCAR T cells 92 3.6.2 Cytokine profile of redirected RevCAR T cells 95 3.6.3 Elimination of scFv MOG-positive target cells by RevCAR T cells 99 3.6.3.1 Time-dependent retargeting of scFv MOG-positive target cells using RevCAR T cells 99 3.6.3.2 Efficacy of RevCAR target module 101 3.7 Investigation of RevCAR T cell-mediated cytotoxicity in vivo 103 4 Discussion 105 4.1 Structure and purification of MOG target modules 106 4.2 Expression and purification of target modules 107 4.3 Binding properties of MOG target modules 107 4.4 In vitro cytotoxic potential of UniCAR and RevCAR T cells redirected by MOG target modules 110 4.4.1 Target module-specific redirection of UniCAR T cells to scFv MOG-expressing target cells 110 4.4.2 Target module-specific redirection of RevCAR T cells to scFv MOG-expressing target cells 112 4.5 Future prospective 116 5 Summary 119 6 Zusammenfassung 121 7 References 124 List of figures 145 List of tables 147 Acknowledgement 148

Die Arbeit beschreibt zuerst alle relevanten Grundlagen zum angeborenen und erworbenen Immunsystem. Insbesondere die anatomischen und histologischen Bestandteile und deren Funktion, sowie Blutbildung, Lymphozyten-Selektion und Interaktion der Bestandteile. Antikörperklassen und Blutzellen werden dabei ebenso tabellarisch zusammengefasst. Die ablaufenden Prozesse der angeborenen und erworbenen Immunantwort (letztere unterteilt in humoral und zellvermittelt, sowie primär und sekundär) werden näher erläutert. Ebenso wird die Antigenerkennung und die Funktionalität von B-Zellen und T-Zellen detailliert erklärt. Anschließend werden intensiv Störungen des Immunsystems wie Allergien und Immunsuppressionen beschrieben. Anhand etlicher Stoffe und Stoffklassen, wie Cyclosporin A, Thalidomid und polyhalogenierter Kohlenwasserstoffe, werden die vielfältigen Wirkmechanismen toxikologischer Substanzen auf das Immunsystem beschrieben und anschaulich dargestellt. Zuletzt wird ein Vorschlag unterbreitet, wie der Inhalt in das Toxnetz-Körpermodell eingearbeitet werden kann. Als Beispiel wurde der immunmodulierende Antikörper Pembrolizumab ausgewählt, ein Protein, welches bei der Krebstherapie eingesetzt wird und die T-Zell-Erkennung von Krebszellen wieder aktiviert.