Cell physiology based pharmacodynamic modeling of antimicrobial drug combinations

Zellphysiologie-basierte pharmakodynamische Modellierung von antimikrobiellen Wirkstoffkombinationen

  • Mathematical models of bacterial growth have been successfully applied to study the relationship between antibiotic drug exposure and the antibacterial effect. Since these models typically lack a representation of cellular processes and cell physiology, the mechanistic integration of drug action is not possible on the cellular level. The cellular mechanisms of drug action, however, are particularly relevant for the prediction, analysis and understanding of interactions between antibiotics. Interactions are also studied experimentally, however, a lacking consent on the experimental protocol hinders direct comparison of results. As a consequence, contradictory classifications as additive, synergistic or antagonistic are reported in literature. In the present thesis we developed a novel mathematical model for bacterial growth that integrates cell-level processes into the population growth level. The scope of the model is to predict bacterial growth under antimicrobial perturbation by multiple antibiotics in vitro. To this end, weMathematical models of bacterial growth have been successfully applied to study the relationship between antibiotic drug exposure and the antibacterial effect. Since these models typically lack a representation of cellular processes and cell physiology, the mechanistic integration of drug action is not possible on the cellular level. The cellular mechanisms of drug action, however, are particularly relevant for the prediction, analysis and understanding of interactions between antibiotics. Interactions are also studied experimentally, however, a lacking consent on the experimental protocol hinders direct comparison of results. As a consequence, contradictory classifications as additive, synergistic or antagonistic are reported in literature. In the present thesis we developed a novel mathematical model for bacterial growth that integrates cell-level processes into the population growth level. The scope of the model is to predict bacterial growth under antimicrobial perturbation by multiple antibiotics in vitro. To this end, we combined cell-level data from literature with population growth data for Bacillus subtilis, Escherichia coli and Staphylococcus aureus. The cell-level data described growth-determining characteristics of a reference cell, including the ribosomal concentration and efficiency. The population growth data comprised extensive time-kill curves for clinically relevant antibiotics (tetracycline, chloramphenicol, vancomycin, meropenem, linezolid, including dual combinations). The new cell-level approach allowed for the first time to simultaneously describe single and combined effects of the aforementioned antibiotics for different experimental protocols, in particular different growth phases (lag and exponential phase). Consideration of ribosomal dynamics and persisting sub-populations explained the decreased potency of linezolid on cultures in the lag phase compared to exponential phase cultures. The model captured growth rate dependent killing and auto-inhibition of meropenem and - also for vancomycin exposure - regrowth of the bacterial cultures due to adaptive resistance development. Stochastic interaction surface analysis demonstrated the pronounced antagonism between meropenem and linezolid to be robust against variation in the growth phase and pharmacodynamic endpoint definition, but sensitive to a change in the experimental duration. Furthermore, the developed approach included a detailed representation of the bacterial cell-cycle. We used this representation to describe septation dynamics during the transition of a bacterial culture from the exponential to stationary growth phase. Resulting from a new mechanistic understanding of transition processes, we explained the lag time between the increase in cell number and bacterial biomass during the transition from the lag to exponential growth phase. Furthermore, our model reproduces the increased intracellular RNA mass fraction during long term exposure of bacteria to chloramphenicol. In summary, we contribute a new approach to disentangle the impact of drug effects, assay readout and experimental protocol on antibiotic interactions. In the absence of a consensus on the corresponding experimental protocols, this disentanglement is key to translate information between heterogeneous experiments and also ultimately to the clinical setting.show moreshow less
  • Der Zusammenhang zwischen antibiotischer Exposition und antibakterieller Wirkung wird derzeitlich erfolgreich mithilfe von mathematischen Bakterienwachstumsmodellen studiert. Üblicherweise ignorieren diese Modelle jedoch die bakterielle Physiologie und Prozesse auf Zellebene. Es folgt, dass das mechanistische Einbinden von Wirkstoffeffekten auf Zellebene nicht möglich ist. Jedoch ist der zelluläre Wirkmechanismus besonders relevant für die Vorhersage, die Analyse und das Verständnis von Antibiotikainteraktionen. Leider gibt es keinen Konsens bezüglich des experimentellen Protokolls, um diese Interaktionen zu untersuchen. Das ist einer der Gründe, warum wir in der Literatur widersprüchliche Klassifizierungen von Antibiotikainteraktionen als additiv, synergistisch oder antagonistisch finden. In der vorliegenden Arbeit entwickelten wir ein neuartiges mathematisches Bakterienwachstumsmodel, welches Prozesse auf Zellebene in das Populationswachstum einbindet. Der Anwendungszweck dieses Models ist die Vorhersage bakteriellenDer Zusammenhang zwischen antibiotischer Exposition und antibakterieller Wirkung wird derzeitlich erfolgreich mithilfe von mathematischen Bakterienwachstumsmodellen studiert. Üblicherweise ignorieren diese Modelle jedoch die bakterielle Physiologie und Prozesse auf Zellebene. Es folgt, dass das mechanistische Einbinden von Wirkstoffeffekten auf Zellebene nicht möglich ist. Jedoch ist der zelluläre Wirkmechanismus besonders relevant für die Vorhersage, die Analyse und das Verständnis von Antibiotikainteraktionen. Leider gibt es keinen Konsens bezüglich des experimentellen Protokolls, um diese Interaktionen zu untersuchen. Das ist einer der Gründe, warum wir in der Literatur widersprüchliche Klassifizierungen von Antibiotikainteraktionen als additiv, synergistisch oder antagonistisch finden. In der vorliegenden Arbeit entwickelten wir ein neuartiges mathematisches Bakterienwachstumsmodel, welches Prozesse auf Zellebene in das Populationswachstum einbindet. Der Anwendungszweck dieses Models ist die Vorhersage bakteriellen Wachstums unter antimikrobieller Mehrfachexposition in vitro. Um das zu erreichen, kombinierten wir die Zellebene beschreibende Daten aus der Literatur mit Wachstumsdaten für Bacillus subtilis, Escherichia coli und Staphylococcus aureus. Die die Zellebene beschreibenden Daten bezogen sich auf Wachstums-bestimmende Charakteristika einer Referenzzelle, unter anderem auf die ribosomale Konzentration und Effizienz. Die Wachstumsdaten beinhalteten umfangreiche Zeit-Absterbe-Kurven für klinisch relevante Antibiotika (Tetracyclin, Chloramphenicol, Vancomycin, Meropenem, Linezolid) und Zweifachkombinationen aus diesen. Der neue Zellebenen-Ansatz erlaubt es erstmalig, einzelne und kombinierte Effekte der erwähnten Antibiotika für unterschiedliche experimentelle Protokolle gleichzeitig zu beschreiben. Insbesondere beziehen sich diese Unterschiede auf die Wachstumsphasen (Lag oder exponentiellen Phase). Die Berücksichtigung der ribosomalen Konzentration und persistenter Subpopulationen erklärte die verminderte Potenz von Linezolid gegen Kulturen in der Lag Phase im Vergleich zu Kulturen, die sich in der exponentiellen Phase befanden. Das Model erfasst Wachstumsraten-abhängiges Zelltöten und die Selbstinhibierung von Meropenem und - ebenso für Vancomycin - ein Wiederanwachsen der bakteriellen Kulturen aufgrund von adaptiver Resistenzentwicklung. Stochastische Analysen der Interaktionsoberflächen zeigen, dass der ausgeprägte Antagonismus zwischen Meropenem und Linezolid zwar robust gegenüber Variation der Wachstumsphase und der Definition des pharmakodynamischen Endpunktes reagiert, jedoch empfindlich von der Zeitspanne des Experiments beeinflusst wird. Desweiteren enthält der entwickelte Ansatz eine detaillierte Repräsentation des bakteriellen Zellzyklus. Wir nutzten diese Repräsentation, um Septierungsdynamiken während des Übergangs einer bakteriellen Kultur aus der exponentiellen Phase in die stationäre Phase zu beschreiben. Basierend auf einem neugewonnenen mechanistischen Verständnis für diese Übergänge, konnten wir außerdem die zeitliche Verzögerung erklären, die zwischen dem Anstieg der Zellanzahl und der Biomasse während des Übergangs von Lag zu exponentieller Phase auftritt. Außerdem reproduziert unser Modell den erhöhten intrazellulären RNA Massenanteil, der auftritt, wenn Bakterien Chloramphenikol ausgesetzt werden. Zusammenfassend steuern wir einen neuen Ansatz bei, der es erlaubt, die Einflüsse von Wirkstoffeffekten, Endpunktdefinitionen und des experimentellen Protokolls zu entflechten. Da kein Konsens hinsichtlich eines entsprechenden experimentellen Protokolls existiert, ist eine solche Entflechtung der Schlüssel, um Informationen zwischen unterschiedlichen Experimenten - und letztendlich auch in die Klinik - zu transferieren.show moreshow less

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar Statistics
Metadaten
Author:Christoph Philipp HetheyORCiDGND
URN:urn:nbn:de:kobv:517-opus4-401056
Advisor:Wilhelm Huisinga
Document Type:Doctoral Thesis
Language:English
Year of Completion:2017
Publishing Institution:Universität Potsdam
Granting Institution:Universität Potsdam
Date of final exam:2017/09/19
Release Date:2017/10/04
Tag:Antibiotika; Pharmakodynamik; Wirkstoffinteraktionen; mathematische Modellierung
antibiotic combinations; bacterial population growth; drug drug interactions; mathematical modelling; pharmacodynamics; ribosomal dynamics; time-kill curves
Pagenumber:102
RVK - Regensburg Classification:WE 2200, XI 1887
Organizational units:Mathematisch-Naturwissenschaftliche Fakultät / Institut für Biochemie und Biologie
Dewey Decimal Classification:5 Naturwissenschaften und Mathematik / 57 Biowissenschaften; Biologie / 570 Biowissenschaften; Biologie
MSC Classification:92-XX BIOLOGY AND OTHER NATURAL SCIENCES / 92Bxx Mathematical biology in general / 92B05 General biology and biomathematics
Licence (German):License LogoCreative Commons - Namensnennung, Nicht kommerziell 4.0 International