Comparing and Contrasting Individual-Based and Continuum Models of Within-Host Tuberculosis

In der menschlichen Lunge findet ein ständiger, lautloser Krieg statt. Wenn die Bakterien, die Tuberkulose verursachen, in den Körper gelangen, vermehren sie sich nicht einfach in einer gleichmäßigen Suppe aus Flüssigkeit. Stattdessen treffen sie auf eine komplexe, überfüllte Landschaft aus Immunzellen. Diese Zellen, die als Verteidigungskraft des Körpers fungieren, sammeln sich um die Eindringlinge herum und bilden dichte, strukturierte Cluster, die als Granulome bekannt sind. Der Ausgang dieser Schlacht – ob der Körper die Infektion beseitigt oder ob die Bakterien jahrelang fortbestehen – hängt maßgeblich davon ab, wie sich diese Zellen bewegen, interagieren und auf ihre unmittelbare Umgebung reagieren. Da das Lungengewebe ein physischer Raum ist, in dem die Position eine Rolle spielt, versuchen Wissenschaftler seit langem, Computermodelle zu entwickeln, um diese Dynamiken zu verstehen. Es gibt jedoch zwei sehr unterschiedliche Wege, ein solches Modell zu erstellen. Ein Ansatz betrachtet das Immunsystem als einen glatten, kontinuierlichen Fluss, wie Wasser, das durch ein Rohr fließt, wobei einzelne Zellen zu großen Gruppen gemittelt werden. Der andere Ansatz, bekannt als agentenbasiertes Modell (individual-based model), behandelt jede einzelne Zelle als einen distinkten Akteur mit seinem eigenen Standort, seiner eigenen Geschichte und seinen eigenen zufälligen Entscheidungen darüber, wann er sich bewegen oder angreifen soll.

Ein Forscherteam setzte sich zum Ziel, diese zwei sehr unterschiedlichen Arten, eine Tuberkuloseinfektion innerhalb eines einzelnen Wirts zu simulieren, miteinander zu vergleichen. Sie wollten sehen, ob die glatten, gemittelten Modelle die chaotische Realität einzelner Zellen in einem überfüllten Raum wirklich erfassen können. Zu diesem Zweck entwickelten sie eine neue, vereinfachte Version eines Computermodells, das jedes einzelne Bakterium und jede Immunzelle als separates Objekt verfolgt. Anschließend leiteten sie mathematisch ein zweites Modell aus demselben Regelsatz ab, zwangen es jedoch diesmal dazu, die Zellen als kontinuierliche Dichten zu behandten und alle individuellen Details zu glätten. Indem sie beide Modelle nebeneinander mit exakt denselben Ausgangsbedingungen laufen ließen – die gleiche Anzahl an Bakterien und Immunzellen an denselben Stellen platzierten – konnten sie beobachten, wie sich die Infektion in jeder Version entfaltete und wo sich die Geschichten deckten und wo sie voneinander abwichen.

Die Forscher ließen ihre Simulationen über einen Zeitraum von 96 Stunden laufen, was einigen Tagen einer Infektion in der Lunge entspricht. Sie testeten zehn verschiedene Ausgangsszenarien und ließen für jedes Szenario das agentenbasierte Modell viermal laufen, um der natürlichen Zufälligkeit des Lebens Rechnung zu tragen, während das glatte Modell einmal als ein einziger, deterministischer Pfad durchlief. Die Ergebnisse zeigten, dass die beiden Modelle oft beim endgültigen Urteil übereinstimmten: ob die Infektion beseitigt wird oder ob sie fortbesteht. Wenn das glatte Modell vorhersagte, dass die Bakterien vernichtet würden, stimmte das agentenbasierte Modell oft zu, und wenn das glatte Modell eine anhaltende Infektion vorhersagte, stimmte das agentenbasierte Modell in der Regel ebenfalls zu. Dies deutet darauf hin, dass die groben Züge der Immunreaktion durch die einfacheren, glatten Modelle recht gut erfasst werden.

Die Übereinstimmung ging jedoch an dieser Stelle zu Ende. Als die Forscher sich die Details ansah, wie sich die Infektion im Zeitverlauf entfaltete, erzählten die beiden Modelle sehr unterschiedliche Geschichten. Das glatte Modell zeigte, dass die Bakterienzahlen in wiederholten Zyklen und häufigen Oszillationen anstiegen und fielen. Im Gegensatz dazu zeigte das agentenbasierte Modell ein gezacktes, treppenartiges Muster. In der agentenbasierten Version stieg die Bakterienpopulation an, während sie sich vermehrten, und sank dann scharf ab, wenn eine nahegelegene Immunzelle sie zufällig fand und fraß. Diese plötzlichen, diskreten Ereignisse erzeugten einen Rhythmus von Wachstum und Rückgang, den das glatte Modell schlichtweg nicht sehen konnte. Darüber hinaus unterschied sich auch der Zeitpunkt entscheidender Ereignisse erheblich. In den agentenbasierten Simulationen reagierte das Immunsystem oft langsamer, und die Bakterien wurden manchmal viel schneller oder viel langsamer eliminiert, als es das glatte Modell vorhersagte.

Einer der frappierendsten Befunde war die Rolle des Zufalls. Da das agentenbasierte Modell jede einzelne Zelle verfolgt, offenbarte es, dass der Ausgang einer Infektion stark vom Glück des Würfelspiels abhängen kann. In einem spezifischen Ausgangsszenario sagte das glatte Modell voraus, dass die Infektion fortbestehen würde, da die Bakterien das Immunsystem trotz wiederholter Abwehrversuche überwältigen würden. Doch in jedem einzelnen Durchlauf des agentenbasierten Modells für denselben Ausgangspunkt wurden die Bakterien vollständig vom Immunsystem eliminiert, und dies geschah, ohne dass die fortgeschritteneren Immunzellen überhaupt in den Kampf eingreifen mussten. Die einzelnen Zellen schafften es, allein dadurch, dass sie zur richtigen Zeit am richtigen Ort waren, den Kampf zu gewinnen, wo das gemittelte Modell einen Verlust vorhersagte. Dies unterstreicht, dass die spezifische Anordnung der Zellen zu Beginn einer Infektion die Waagschale in eine Weise kippen kann, die glatte Modelle unberücksichtigt lassen.

Die Studie fand auch heraus, dass die beiden Modelle die Bewegung der Immunzellen unterschiedlich handhaben. Im glatten Modell wandern die Zellen in einem stetigen, fließenden Strom in Richtung der Infektion. Im agentenbasierten Modell bewegen sich die Zellen eher erratisch und zufällig, bleiben gelegentlich stecken oder wandern vom Kurs ab, bevor sie ihr Ziel finden. Diese kleinen Unterschiede in der Bewegung summierten sich über die Zeit auf und führten zu unterschiedlichen Mustern darüber, wo sich die Bakterien befanden und wie viele Immunzellen in bestimmten Bereichen präsent waren. Die Forscher merkten an, dass das glatte Modell zwar hervorragend geeignet ist, um das allgemeine Verhalten großer Populationen zu verstehen, und mathematisch viel einfacher zu analysieren ist, aber die feinskaligen Details verliert, die die Infektion in der realen Welt vorantreiben. Das agentenbasierte Modell hingegen ist zwar rechenintensiver und schwieriger zu analysieren, bewahrt aber die entscheidenden Details individueller Interaktionen und räumlicher Überfüllung.

Letztlich kommt das Paper zu dem Schluss, dass keines der Modelle für sich allein perfekt ist, sie aber komplementäre Ansichten derselben biologischen Realität bieten. Das glatte Modell bietet eine klare Sicht auf die Trends der Population, während das agentenbasierte Modell die chaotische, stochastische Natur der zellulären Interaktionen offenbart, die diese Trends antreiben. Die Forscher fanden heraus, dass das glatte Modell im Allgemeinen besser darin ist, vorherzusagen, ob eine Infektion beseitigt wird oder nicht, aber oft daran scheitert, genau vorherzusagen, wann dies geschehen wird oder wie sich die Bakterien in der Zwischenzeit verhalten werden. Das agentenbasierte Modell mit seiner Fähigkeit, die Zufälligkeit individueller Zellbewegungen und Begegnungen zu erfassen, zeigte, dass der Ausgang einer Infektion nicht nur eine Frage der Zahlen ist, sondern auch eine Frage des Zufalls und der präzisen räumlichen Anordnung. Diese Arbeit legt nahe, dass Wissenschaftler zur vollständigen Untersuchung der Tuberkulose möglicherweise beide Ansätze nutzen müssen – indem sie sich auf die glatten Modelle für breite Vorhersagen verlassen und auf die agentenbasierten Modelle, um die spezifischen, unvorhersehbaren Momente zu verstehen, die über das Schicksal einer Infektion entscheiden.