Bei Patienten mit mukoobstruktiven Atemwegserkrankungen (MAD) ist das Atemwegsmilieu durch dehydrierten Schleim aufgrund einer Hyperabsorption der Atemwegsoberflächenflüssigkeit und einer gestörten mukoziliären Clearance gekennzeichnet. Im Verlauf der MAD wird der pathologische Schleim aufgrund einer Überproduktion von Muzinen und der Anreicherung extrazellulärer DNA (eDNA) des Wirts zunehmend zähflüssiger. Pseudomonas aeruginosa, ein wichtiger Krankheitserreger bei MAD, besiedelt diese Schleimnische dauerhaft. Trotz inhalativer Antibiotikatherapien und dem Fehlen von Antibiotikaresistenzen stellt die Behandlung von Pseudomonas-Infektionen weiterhin eine klinische Herausforderung dar.
Wir nutzten die Datenvisualisierung und statistische Modellierung von JMP, um zu untersuchen, wie die Konzentrationen von Mucin und eDNA – den dominanten Polymeren im Atemwegsschleim – die Antibiotikaresistenz von P. aeruginosa beeinflussen und so die Antibiotikaresistenz besser zu verstehen. Unsere Ergebnisse zeigen, dass Polymerkonzentration und Molekulargewicht das Überleben von P. aeruginosa nach Antibiotikaexposition beeinflussen. Überraschenderweise ist die polymerbedingte Toleranz nicht allein auf eine reduzierte Antibiotikadiffusion zurückzuführen. Darüber hinaus etablierten wir ein In-vitro-Modell, das die ex vivo beobachtete Antibiotikaresistenz in Auswurfproben verschiedener Ursachen, Altersgruppen und Schweregrade der Atemwegserkrankung widerspiegelt und die intrinsische Variabilität der im Wirt entwickelten P. aeruginosa-Populationen verdeutlicht.
Hallo. Mein Name ist Jonathan Schisler. Ich bin Assistenzprofessor an der University of North Carolina in Chapel Hill und leite das Schisler-Labor. Mein Labor nutzt Systembiologie, um gesundes und ungesundes Altern, vorwiegend im Gehirn, aber auch im Herzen, zu erforschen. Wir sind außerdem an zahlreichen Forschungsprojekten im Bereich der Weltraumbiologie beteiligt, um Gegenmaßnahmen zu identifizieren, die für Langzeit-Weltraumflüge hilfreich sein könnten.
Unsere Anwendung der Systembiologie hat viele neue Kooperationsmöglichkeiten eröffnet. Heute werde ich über die Modellierung von Antibiotikaresistenz und chronischer Lungeninfektion sprechen. Dies geschah in Zusammenarbeit mit Matt Wolfgang und seinem Labor an der UNC Chapel Hill. Ich werde einige Datenanalysen vorstellen, die wir durchgeführt haben. Alle Daten wurden von Matthew Greenwald generiert, einem außergewöhnlich talentierten Doktoranden in Matt Wolfgangs Labor.
Die Krankheit, über die ich heute sprechen werde und auf die wir uns konzentrieren, sind mukoobstruktive Atemwegserkrankungen. Es handelt sich dabei um eine Gruppe von Erkrankungen. Einige davon sind Ihnen vielleicht bekannt, wie Mukoviszidose, chronisch obstruktive Lungenerkrankung (COPD), primäre Ziliendyskinesie und nicht-mukoviszidosebedingte Bronchiektasen. Dies ist ein weltweites Problem. Fast eine halbe Milliarde Menschen leiden an chronischen Atemwegserkrankungen.
In den Vereinigten Staaten verursacht COPD allein jährliche Kosten von fast 40 Milliarden Dollar. Hinzu kommt, dass Menschen mit chronischen bakteriellen Infektionen ein um fast 50 % erhöhtes Sterberisiko haben. Das größte Problem liegt in den Behandlungsmethoden. Denn Antibiotika versagen letztendlich in fast 50 % aller Fälle. Wir brauchen bessere Modelle, um bessere Medikamente zu finden.
Aus pathophysiologischer Sicht betrachtet, zeigen die Abbildungen links gesunde Atemwege und rechts schematisch, wie obstruktive Atemwegserkrankungen aussehen. Im Wesentlichen handelt es sich um die Ablagerung von zähem, klebrigem Schleim, der die Atemwege auskleidet und die Sauerstoffversorgung des Blutes erschwert, was zu Atemnot führt. In diesem Schleimmilieu können Bakterien ideale Wachstumsbedingungen vorfinden und kleine Nischen bilden, die letztendlich zu Antibiotikaresistenzen führen können. Unbehandelt kann dies zu Sepsis und Multiorganversagen führen.
Wie bereits erwähnt, ist das Versagen einer Antibiotikatherapie im Laufe der Zeit sehr häufig. Bei Menschen mit Mukoviszidose beispielsweise wird die Diagnose in der Regel in jungen Jahren gestellt. Auf der Y-Achse sehen wir die Menge dieser Bakterien, die wir im Folgenden kurz PAO nennen.
Mit der Zeit vermehren sich Bakterien in den Atemwegen. Diese werden mit Antibiotika behandelt. Dadurch kann die Bakterienanzahl zunächst sinken, doch es entsteht ein ständiger Kreislauf aus Bakterienansammlung und nachlassender Wirkung der Antibiotika. Durch die wiederholte Antibiotikabehandlung setzt mit der Zeit eine Art Selektionsprozess ein, bei dem Bakterien, die sich an die Umgebung und die Antibiotika angepasst haben, selektiert werden. Diese Anpassung führt schließlich zu einer sogenannten Antibiotikaresistenz, bei der Antibiotika die Bakterien nicht mehr wirksam bekämpfen. Damit ist die Phase der chronischen Erkrankung abgeschlossen.
Wir wissen aus Studien der letzten zehn Jahre, dass eine chronische Infektion mit diesem PAO mit einem Versagen der Mukoviszidose-Behandlung einhergeht. Sie kann die Krankheitslast zwar verringern, die Bakterien aber scheinbar nie vollständig eliminieren.
Ein weiterer interessanter Aspekt dieser Forschung ist, dass die Empfindlichkeit gegenüber dem Antibiotikum den Behandlungserfolg nicht vorhersagt. Man kann die Bakterien aus dem Körper des Patienten entfernen und mit einem Antibiotikum behandeln, und dieses tötet die Bakterien tatsächlich ab, obwohl es im Körper selbst nicht wirkt. Es stellt sich die große Frage, worin der Unterschied zwischen den Vorgängen im Körper und denen im Labor besteht. Können wir Modelle und Methoden entwickeln, um dieses Problem besser zu verstehen?
Um die Antibiotikaresistenz anschaulich zu erklären, kann man sich vorstellen, eine Bakterienkultur mit steigenden Antibiotikadosen zu behandeln. Die gegenüber Antibiotika empfindlichen Kulturen sterben normalerweise schon nach einer niedrigen Dosis ab, was durch die grüne Linie dargestellt wird. Tolerante Arten zeigen zwar ein verringertes Wachstum, überleben aber teilweise. Im schlimmsten Fall kommt es schließlich zur vollständigen Antibiotikaresistenz, bei der das Wachstum durch die Zugabe des Medikaments nicht mehr beeinträchtigt wird.
Hier sieht man Matt an einem Poster. Er hat einige wirklich interessante Fragen dazu aufgeworfen, was die Antibiotika-Wirkung beim Menschen im Vergleich zu Laboruntersuchungen tatsächlich beeinflusst. Dazu wurde eine bemerkenswerte klinische Studie durchgeführt, bei der Patientenproben – sogenannte Sputumproben – entnommen wurden. Wenn man also einen Schleimklumpen aushustet, dann ist das genau das, was wir mit Sputum meinen.
Bei Patienten mit Mukoviszidose oder COPD können wir Proben entnehmen. Die darin enthaltenen Bakterien lassen sich isolieren und kultivieren. Anschließend können wir vergleichen, wie sich die Behandlung dieser Bakterien mit dem Antibiotikum außerhalb des Körpers auf die Patienten selbst auswirkt, die mit denselben Antibiotika behandelt werden – ihrer üblichen Therapie. Wir führen ein wirklich bemerkenswertes Experiment durch: Patienten werden mit diesem Antibiotikum behandelt, während wir gleichzeitig den Phänotyp der Bakterien gegenüber demselben Antibiotikum außerhalb des Körpers analysieren.
Es wurde überdeutlich, dass ein Unterschied zwischen dem Überleben der Bakterien außerhalb und innerhalb der Lunge besteht. Der hier angegebene MHK-Wert (minimale Hemmkonzentration) zeigt die Antibiotikadosis an, die zur Behandlung des Patienten benötigt wurde, im Vergleich zu der Dosis, die wir bei der Anzucht dieser Kultur außerhalb der Lunge beobachten. Einige Kulturen reagierten positiv auf das Antibiotikum, aber es gab natürlich auch viele Kulturen mit extremer Resistenz. Worin liegt dieser Unterschied? Was unterscheidet die Vorgänge in den Atemwegen so sehr von denen im Labor?
Es gibt viele verschiedene Faktoren, die zur Resistenzentwicklung beitragen können. Wir haben bereits kurz über Antibiotikaresistenz gesprochen, aber wenn wir die Antibiotikaresistenz gegenüber der Patientenbehandlung dem In-vitro-Überleben gegenüberstellen, sehen wir, dass es keine wirkliche Korrelation gibt. Irgendetwas fehlt. Irgendetwas erfassen wir nicht in diesen sogenannten In-vitro-Kulturen, mit denen wir die Ursachen der Antibiotikaresistenz aufdecken wollen.
Matt beschloss, sich auf die Umgebung zu konzentrieren. Was ist an der Umgebung in diesen verstopften Atemwegen einzigartig und könnte zu dieser Resistenz beitragen? Das sollten wir in unseren Modellen berücksichtigen. Zwei Faktoren erwiesen sich als naheliegend, um mögliche Ursachen für die Resistenz zu identifizieren: Mucin, das Hauptprotein des Schleims, und DNA. Mucin ist neben DNA das vorherrschende Protein im Schleim.
In den verengten Atemwegen findet sich viel Schleim und auch viel frei bewegliche DNA, die wahrscheinlich von absterbenden Immunzellen und anderen absterbenden Atemwegszellen stammt. Wir wissen, dass bei Patienten mit zunehmendem Alter und fortschreitender Erkrankung sowohl die Konzentrationen dieses Schleimproteins als auch dieser DNA ansteigen.
Matt hat ein wirklich cleveres Experiment durchgeführt: Er behandelte PAO-Bakterien mit Antibiotika. Bei der Behandlung ohne das Schleimprotein konnte man beobachten, dass das Antibiotikum das Wachstum der Bakterien weitgehend hemmte. Mit zunehmender Menge an Schleimprotein vermehrten sich die Bakterien jedoch. Dies ist ein erster Hinweis darauf, dass die Umgebung des Schleimproteins eine wichtige Rolle dabei spielt, wie Bakterien die Antibiotikabehandlung überwinden können. Je höher der Schleimproteingehalt, desto schwerer verläuft die Erkrankung.
Das deckt die Proteine ab. Wie sieht es mit der DNA aus? Im selben Experiment halten wir die Konzentration des Schleimproteins konstant und können die DNA-Menge schrittweise erhöhen. Mit zunehmender DNA-Konzentration beobachten wir eine höhere Überlebensrate. Sowohl die DNA als auch dieses Mucinprotein können das Überleben bzw. die Resistenz der Bakterien gegenüber der Antibiotikabehandlung steigern. Interessanterweise nimmt die Wirkung der DNA bei höheren Mucinprotein-Konzentrationen tendenziell etwas ab. Es scheint eine Wechselwirkung zwischen der DNA und dem Mucinprotein bei der Resistenzentwicklung zu geben.
Bevor wir uns mit der Datenmodellierung befassen, muss ich noch die sogenannte Rheologie einführen, auch Viskosität genannt. Die Viskosität des Mediums in den Atemwegen bzw. in diesem Fall im Reagenzglas hängt sowohl von der Menge an Mucinprotein als auch von der DNA ab. Die Viskosität ist also teilweise eine Funktion des Protein- und DNA-Gehalts. Ich wollte Ihnen die vier wichtigsten Variablen vorstellen, deren Modellierung für uns von zentraler Bedeutung ist.
Jetzt können wir JMP und insbesondere JMP Pro nutzen. Eine der wichtigsten Fragen war: Matt kam zu mir und sagte: „Wir haben diese Daten und sind sehr daran interessiert, wie all diese Variablen interagieren.“ Was mir an JMP besonders gefällt, ist die Datenvisualisierung. Es liefert auf übersichtliche Weise schnelle Antworten durch ansprechende Grafiken. Wir nutzen die multivariate Plattform, um die Beziehungen zwischen unseren vier Hauptvariablen schnell zu visualisieren.
Wir haben unsere zwei abhängigen Variablen, nämlich die Rheologie der Viskosität, von der ich bereits gesprochen habe, und das Überleben. Das ist die Fähigkeit, Antibiotikaresistenzen zu überwinden. Dann haben wir unsere zwei unabhängigen Variablen: Wir kontrollieren die Menge des Proteins, dieses Mucin-Proteins, und die Menge an DNA. Diese Grafik ist sehr hilfreich. Sie liefert auf einen Blick viele Informationen.
Wir führen eine multivariate Analyse durch. Damit erhalten wir ein Histogramm für jede Variable. Im Streudiagramm können wir die stärksten Zusammenhänge der Variablen leicht erkennen. Den Korrelationskoeffizienten stellen wir grafisch in einer Heatmap dar. Die Signifikanz der Ergebnisse lässt sich anhand der Größe visualisieren. Auf einen Blick erhält man so viele Informationen! Das ist einer der Gründe, warum wir von JMP Pro so begeistert sind.
Für dieses erste Ziel möchte ich Folgendes hervorheben: In meinem Fachgebiet der Systembiologie, wo wir normalerweise mit Tausenden und Zehntausenden von Datenpunkten und Proben arbeiten, ist dieser Datensatz relativ klein. Er umfasst lediglich 78 unabhängige Beobachtungen. Dies ist wichtig, um die Grenzen der Studie zu verstehen.
Wie erwartet, zeigt diese Grafik schnell, dass unsere beiden abhängigen Variablen nicht korreliert sind, was auch nicht zu erwarten war. Das war eine gute Plausibilitätsprüfung. Unsere beiden unabhängigen Variablen hingegen korrelierten stark: die Viskosität (diese rheologische Variable) und das Überleben. Die starke positive Korrelation ist sowohl im Streudiagramm als auch im Korrelationskoeffizienten ersichtlich.
Wir beobachten außerdem, dass jede unabhängige Variable eine deutlich dominante abhängige Variable aufweist. Betrachtet man die Menge dieses Schleimproteins, so zeigt sich eine sehr starke positive Korrelation mit dem Überleben, die im Streudiagramm und im oberen Quadranten für den Korrelationswert dargestellt ist. Bei der DNA hingegen fanden wir die stärkste positive Korrelation mit diesem Viskositätsfaktor, die in diesem Kasten und im Korrelationskoeffizienten dargestellt ist.
Das war großartig. Aber eine der Fragen von Matt und Matt war: „Wie können wir das alles zusammen modellieren?“ Sie sind daran interessiert, diese Faktoren im Wesentlichen in einem mathematischen Modell auszudrücken, das wir dann untersuchen und testen können, um die Auswirkungen zu beobachten.
Ich möchte an dieser Stelle die Modellvergleichsfunktion besonders hervorheben. Ich habe sie in der Software schon häufig genutzt. Allerdings bin ich etwas direkt zum Punkt gekommen und war etwas wählerisch. Letztendlich habe ich mich für die partielle Kleinste-Quadrate-Regression entschieden, teils aufgrund meiner Erfahrung, teils aufgrund der vorhandenen Daten.
Die Tatsache, dass wir zwei Y-Variablen und einige X-Variablen haben, die ebenfalls miteinander korrelieren, und dass ich Interaktionsterme berücksichtigen möchte, macht die PLS-Regression zu einem sehr geeigneten Modell. Schon anhand der Ausgangsdaten lässt sich erkennen, dass wahrscheinlich eine interessante Wechselwirkung zwischen den beiden X-Variablen – dem Mucinprotein und dem DNA-Gehalt – besteht.
Auch hier handelt es sich um relativ wenige Daten, daher ist unsere Kreuzvalidierung etwas eingeschränkt. Zum Zeitpunkt der Veröffentlichung dieser Arbeit verfügten wir noch nicht über einen unabhängigen Validierungsdatensatz; daran arbeiten wir jedoch. Dies sollte man bei der Erstellung von Modellen, die überangepasst sind, berücksichtigen. Es ermöglicht uns, die Beziehung zwischen diesen vier Variablen genauer zu untersuchen.
Wir verwenden die Funktion „Modell anpassen“ in JMP Pro. Wir nutzen erneut die Methode der partiellen kleinsten Quadrate (PLS) mit unseren zwei Y- und zwei X-Variablen, drei Faktoren und dem Interaktionsterm. Sowohl die unabhängigen Faktoren als auch der Interaktionsterm ergaben VIP-Werte über 0,8. Wir haben sie alle im Modell beibehalten. Die Korrelationen dienen hier lediglich als Referenz.
Betrachtet man die Modellkoeffizienten der PLS-Regression, so zeigt sich, dass auch nach Berücksichtigung von Mucin (dem Protein) und der Protein-DNA-Interaktion der größte Beta-Koeffizient für die DNA in Bezug auf die Viskosität vorliegt. Bezüglich des Überlebens war der größte Koeffizient für das Mucin-Protein zu ermitteln. Mithilfe dieser Informationen konnten wir die Zusammenhänge zwischen den Variablen besser verstehen.
Wir führen die üblichen Qualitätskontrollen durch, indem wir die Ist-Werte mit den Vorhersagewerten vergleichen. Im linken Streudiagramm sehen wir die Viskosität bzw. Rheologie der Ist-Werte im Vergleich zu den Vorhersagewerten sowie die Überlebensrate. Ist-Werte im Vergleich zu den Vorhersagewerten. Natürlich überprüfe ich das immer gern. Wie sieht die Gleichung aus? Sie überzeugt mich. Dies ist das Ergebnis unserer Viskositäts- und Überlebensratenberechnung in Abhängigkeit vom Mucinprotein, der DNA und deren Wechselwirkung.
Ein weiteres großartiges Werkzeug in JMP ist das Vorhersage-Tool. Ich habe es selbst sehr gerne ausprobiert, um Ideen zur Funktionsweise des Modells zu gewinnen. Unsere Kooperationspartner finden das natürlich immer sehr spannend. Eine meiner größten Herausforderungen war die optimale Freigabe von Arbeitsbereichen. Ich bin froh, dass ich mich zumindest etwas mit JMP Live und der öffentlichen JMP-Domäne beschäftigt habe, was sich als unglaublich hilfreich für den Datenaustausch erwiesen hat. Ich möchte außerdem betonen, wie wichtig es ist, insbesondere für Wissenschaftler, die Möglichkeit zu haben, Daten zugänglich zu machen und unvoreingenommen zu teilen.
Ich freue mich sehr, mehr über JMP Live zu erfahren und wie wir es in unsere Datenberichterstattung integrieren können. Als wir eine Publikation veröffentlichten, haben wir hier einen Link zu diesem Arbeitsbereich eingefügt, damit Interessierte das Profil bearbeiten und die Rohdaten herunterladen können. Dies ist ein wesentlicher Bestandteil der reproduzierbaren und fundierten Forschung.
Ein weiterer Vorteil des Prädiktors war, dass man die Funktionsweise des Modells bei einer breiten Palette von Eingabewerten untersuchen konnte. Außerdem lässt sich damit Monte-Carlo-Simulationen durchführen. Dies ist wiederum eine der Stärken von JMP, die wir häufig nutzen.
Um Ihnen das zu verdeutlichen: In diesem Fall haben wir unsere Protein- und unsere DNA-Komponente. Es ist sehr vorteilhaft, dass wir experimentell oder klinisch ermittelte Werte verwenden können, um die Verteilung der Stichproben anzupassen. Hier nutzen wir die abgeschnittene Normalverteilung, da wir experimentell ermittelte Unter- und Obergrenzen haben, auf die wir die Stichproben beschränken möchten. Anschließend können wir mit diesen Daten mehrere tausend Simulationen durchführen und die Leistungsfähigkeit des Modells bei verschiedenen Eingangsgrößen testen.
Auch hier spricht vieles für JMP und den Graph Builder. Mit ihm lassen sich die einzelnen Diagramme aller 1000 Simulationen ganz einfach betrachten, und man erkennt schnell interessante Zusammenhänge im Modell. Die Möglichkeit, ein Modell mit vier Variablen elegant zusammenzufassen und dabei sowohl die DNA-Konzentration als auch die Proteinkonzentration, die Viskosität und das Überleben in einem plausiblen Rahmen darzustellen, ist ein großer Vorteil. Die gute und einfache Interpretierbarkeit ist ein herausragendes Merkmal.
Ein weiterer wichtiger Punkt, den ich ansprechen möchte, ist der Interaktionsprofiler. Beim Erstellen von Modellen möchte man natürlich keine sinnlosen Interaktionsterme hinzufügen, die das Modell nur unnötig verfälschen. Der Interaktionsprofiler ist ein hervorragendes Werkzeug, um schnell zu erkennen, wo eine Interaktion im Modell wirklich sinnvoll sein kann. Das ist eine weitere großartige Funktion von JMP.
Was haben wir im Hinblick auf dieses Ziel gelernt? Was lernen wir aus den Daten von Matts großem Experiment, indem wir dieses PLS-Modell erstellen? Zunächst haben wir festgestellt, dass die Antibiotikaresistenz – oder in diesem Fall quantifiziert als Überleben – über alle DNA-Konzentrationen hinweg positiv mit Mucin korreliert. Wir beobachten positive Steigungen der Regressionsgeraden für das Mucin-Protein in Abhängigkeit vom Überleben, unabhängig davon, ob die DNA-Konzentration niedrig oder hoch ist. Auch in der obigen Grafik ist dieser Zusammenhang erkennbar.
Wir beobachteten außerdem einen positiven Zusammenhang zwischen Mucin und Viskosität, der sich mit steigender DNA-Konzentration abschwächte. Dies wird im Interaktionsdiagramm besonders deutlich. Hier ist zu erkennen, dass die Viskosität in Abwesenheit von DNA mit der Mucinkonzentration zunahm. Bei höheren DNA-Konzentrationen kehrt sich die Steigung jedoch vollständig um.
Dies zeigt auf elegante Weise, dass wir einen differenziellen Effekt beobachten, insbesondere bei mittleren bis hohen DNA-Konzentrationen, der die positive Korrelation zwischen Viskosität und Überleben beeinflusst. Ich finde, das war eine sehr gelungene und wissenschaftlich sinnvolle Verknüpfung dieser vier Variablen. Die Mucin- und Proteinkonzentration scheint tatsächlich der Hauptfaktor für die bakterielle Resistenz zu sein, zumindest in unserem Zellkulturmodell. Sie kann aber durchaus durch die Menge an extrazellulärer DNA beeinflusst werden.
Das letzte Beispiel für die Nutzung von JMP in dieser Studie war die Frage: „Vielleicht brauchen wir einfach bessere Modelle.“ Wir möchten im Labor Modelle verwenden, die die Vorgänge in den Atemwegen von Patienten genauer widerspiegeln. Wir haben bereits gezeigt, wie wir durch die Berücksichtigung dieses Mucinproteins und der DNA diesen antibiotikaresistenten Phänotyp nachbilden können. Was können wir über die Entwicklung besserer Modelle lernen?
Im letzten Experiment isolierte Matt die Bakterien von allen Patienten. Anschließend kultivierte er diese Bakterien mit steigenden Konzentrationen des Mucinproteins. Die Frage war, ob es im Labor eine bestimmte Bedingung gibt, die die tatsächlichen Bedingungen in den Atemwegen der Patienten am besten widerspiegelt. Erstaunlicherweise stellten wir fest, dass die Verwendung des Mucinproteins in einer Konzentration von 2 % etwa 90 % der Kulturen ergab, die den Patientendaten am ähnlichsten waren, verglichen mit allen anderen Mucinkonzentrationen. Dies lässt sich auch übersichtlich grafisch darstellen, indem wir die Differenz zwischen den In-vitro-Befunden im Labor und den Ex-vivo-Befunden beim Patienten abbilden.
Je näher wir an Null liegen, desto besser bilden wir die Beobachtungen bei den Patienten ab. Bei diesem Mucin-Wert von 2 % lagen fast alle Patientenproben in diesem optimalen Bereich. Nun haben wir diese beiden Ausreißer. Es ist sehr interessant zu sehen, was diese Ausreißer auszeichnet. Dieser Ansatz war für uns eine hervorragende Möglichkeit, dies zu untersuchen. Können wir bessere Modelle für die Erforschung dieser Krankheit finden?
Zusammenfassend lässt sich sagen, dass die Konzentration des Schleimpolymers, das sowohl aus dem Mucinprotein selbst als auch aus extrazellulärer DNA besteht, die Antibiotikaresistenz von PAO bestimmt. Mithilfe unserer mathematischen Modelle können wir bessere In-vitro-Modelle zur Untersuchung von Antibiotikaresistenzen entwickeln.
JMP Pro ist in jeder Phase der Datenverarbeitung, Modellentwicklung, Visualisierung sowie der Datenfreigabe und -berichterstellung hilfreich. Ich hatte zwar noch keine Gelegenheit, alle Komponenten im Detail zu erläutern, aber wir nutzen JMP im gesamten Datenpipeline-Prozess und es hat sich als äußerst nützlich erwiesen. Vielen Dank fürs Zuhören.
