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.

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.