22455 research outputs found
Sort by
Gesteigerte Migration in das Tumorgewebe mittels transduziertem Chemokinrezeptor CCR8 und Schutz vor den immunsuppressiven Signalen von TGF-β und PD-L1 zur Verbesserung der adoptiven T-Zell-Therapie
Get PDF
Auswirkungen eines EEG-basierten Neurofeedback-Trainings auf das Ruhe-EEG gesunder Proband*innen im Rahmen der Entwicklung eines Trainingsprotokolls für Patient*innen mit Depression
Get PDFDie Depression ist in der psychiatrischen Forschung eine Krankheit großer Aufmerksamkeit. Weltweit ist sie für mehr durch eine Krankheit verlorene Lebensjahre verantwortlich als jede andere Erkrankung, und sie wird immer noch zu selten diagnostiziert und behandelt, was unter anderem an der weltweiten Stigmatisierung psychischer Erkrankungen liegt (Smith, 2014). Hieraus ergibt sich der Bedarf effektiver Therapiemöglichkeiten. Eine dieser Therapieoptionen ist das EEG-basierte Neurofeedback. In der Vergangenheit zeigten sich bereits erste Erfolge in der Entwicklung eines EEG-basierten NFB-Trainings für Patient*innen mit Depression (Larsen and Sherlin, 2013, Melnikov, 2021). Aufgrund der geringen Invasivität sowie den niedrigen Kos-ten bietet es großes Potential als Therapieansatz bei Patient*innen mit De-pression und sollte in weiteren Studien berücksichtigt werden (Budzynski, Budzynski et al., 2009, Olbrich and Arns, 2013, Schoenberg and David, 2014).
Ziel der vorliegenden Arbeit war es, den Effekt des EEG-basierten Neurofeedback-Trainings auf das emotionale Erleben von gesunden Proband*innen zu beurteilen, und es wurde diskutiert, ob es in Zukunft als Therapiekonzept für Patient*innen mit einer Depression gewinnbringend integriert werden kann. Hierfür erfolgte die Begutachtung und Auswertung von Ruhe-EEGs von 10 Proband*innen, welche zu Beginn und nach Ende von 15 Sitzungen Neurofeedbacktraining abgeleitet wurden. Ziel des Trainings war eine sowohl frontale als auch parietale Veränderung der elektrophysiologischen Reaktion in unterschiedlichen Frequenzbereichen. Zusätzlich beantworteten die Pro-band*innen Fragebögen, unter anderem den BDI-II (Beck, Ward et al., 1961).
Im Vergleich der Ruhe-EEGs sowie der Fragebogendaten der Proband*innen nach dem NFB-Training mit vor dem Training zeigten sich keine signifikanten Unterschiede. Die Korrelation von Fragebogendaten und EEG-Power zeigte vereinzelt signifikante Ergebnisse, welche jedoch eher zufällig zustande gekommen zu sein scheinen. Teilweise passt die Richtung der Korrelation (positiv/negativ) zum Studienprotokoll und der angestrebten Veränderung, teilweise nicht.
Es lassen sich verschiedene Einflussfaktoren diskutieren, welche zu diesen Ergebnissen geführt haben könnten, wie beispielsweise die Stichprobengröße und die Anzahl der Trainingssitzungen. Studien zu EEG-basiertem NFB-Training fokussierten sich oft auf an einer Depression erkrankte Patient*innen ohne Einbeziehung von gesunden Kontrollpersonen (Patil, Lin et al., 2023). Dadurch wird ein Vergleich der Methodik sowie Ergebnisse der vorliegenden Studie mit bereits vorhandenen Studien ähnlichen Themengebietes erschwert.
Die vorliegende Studie zum Effekt eines EEG-basierten Neurofeedbacks auf das emotionale Erleben von gesunden Proband*innen ist eine Machbarkeitsstudie. Zusammenfassend lässt sich sagen, dass die nicht-signifikanten Ergebnisse dieser Studie aufgrund der Relevanz des Themas eine Weiterentwicklung dieser, beispielsweise an einer größeren Gruppe von Proband*innen mit Durchführung von mehr Trainingssitzungen, nicht ausschließen. Die Auswahl bestimmter EEG-Elektroden für das NFB-Training, welche auf der Pathologie der zugrunde liegenden Krankheit beruhen, scheint sich zu bewähren, und es ist trotz der nicht-signifikanten Veränderungen in den Protokoll-basierten Elektrodenbereichen dieser Studie vermutlich empfehlens-wert, diese Auswahl für weitere Studien beizubehalten (Rogala, Jurewicz et al., 2016).
Weitere Studien sind nötig, um den Effekt des EEG-basierten Neurofeedbacks auf das emotionale Erleben von gesunden Personen und Patient*innen sowie die Eignung desselben als Therapiekonzept zu beurteilen. Die in dieser Stu-die untersuchten Proband*innen könnten als Kontrollgruppe im Rahmen der Durchführung einer erneuten Studie an sowohl gesunden Personen als auch Patient*innen mit Depression dienen.In the field of psychiatric research great attention is directed to the mental disorder depression. All over the world, more years of life are lost at the hands of the disorder than any other disease, but nevertheless it continues to seldom be diagnosed and treated, which can be traced back to the worldwide stigmatization of mental illness among other things (Smith, 2014). Resulting from this is the need for effective therapeutic interventions. One of these possible treatment options is EEG-based neurofeedback. The past years have shown initial achievements in the development of an EEG-based NFB-training for patients suffering from depression (Larsen and Sherlin, 2013, Melnikov, 2021). Due to both its low invasiveness as well as costs the training bears great potential as a therapeutic approach for such patients and should therefore be regarded in further studies (Budzynski, Budzynski et al., 2009, Olbrich and Arns, 2013, Schoenberg and David, 2014).
The aim of the following dissertation was to evaluate the effect this EEG-based neurofeedback training has on the emotional experience of healthy, non-affected test subjects, and it has further discussed whether such training can be integrated in the future as a valuable therapeutic concept for patients affected by depression. For this, the resting-state-EEGs performed on ten testing subjects both before as well as after 15 different sessions of neurofeedback training were examined and evaluated. The objective of this training was both a frontal as well as a parietal change of the electrophysiological reaction in different frequency ranges. In addition, the subjects answered questionnaires, such as BDI-II (Beck, Ward et al., 1961).
Comparing both the resting-state-EEGs as well as the data derived from the questionnaires of the subjects after the NFB-training with those before this training has shown no significant differences. The correlation of questionnaire data and EEG-power indicated isolated incidents of significant results. However, these seem to have arisen by chance. In part, the direction of this correlation (positive/negative) fits the study protocol, partially it does not.
There are different influential factors that could have lead to such results, for instance the sample size and amount of training sessions. Studies concerned with EEG-based NFB-training often focus on patients affected by depression while simultaneously disregarding the healthy control-subjects (Patil, Lin et al., 2023). This turns out to be an impediment when wanting to compare the methodology as well as results of this following study with other existing studies focussing on similar topics.
The submitted study that focusses on the effects that EEG-based neurofeedback has on the emotional experience of healthy subjects can be regarded as a feasibility study. In conclusion, this study has shown that, even though its results are not significant, due to the topic’s relevance this nevertheless does not rule out a further development of this approach, for instance by means of a larger group of testing subjects accompanied by the implementation of more training sessions. The selection of the particular EEG-electrodes for the NFB-training, which are based on the pathology of the underlying mental illness, seems to prove itself. Thus, despite the changes in the protocol-based range of electrodes not proving to be significant, it might be beneficial to continue using this selection of electrodes in other studies (Rogala, Jurewicz et al., 2016).
Further research is needed to evaluate the effects such EEG-based neurofeedback has on the emotional experience of healthy people and patients, and further to study whether this training can be regarded as a potential therapeutic concept. The subjects assessed in this study could then serve as a control group when conducting additional studies both on healthy people as well as patients affected by depression
Federated and continual learning with deep learning methods for natural language text understanding
Get PDFNatural language text understanding is a sub-domain of natural language processing (NLP) that focuses on developing machine computational models to parse and extract syntactic and semantic knowledge from text documents in human language. In doing so, these models generate higher-order vector representations from the underlying text, which aligns with the paradigm of representation learning. These representations are used in focused downstream applications (tasks) to build an overall understanding of the underlying text. In real-world scenarios, text data is often generated as a continuous stream where the distribution can drift over time.
However, traditional machine learning (ML) is based on isolated data and lacks the ability to learn continuously, making it prone to errors over time. Therefore, as humans continually learn over their lifetime, the development of continual learning (CL) approaches for ML models is crucial, as they enable models to continually accumulate, adapt and transfer knowledge to enhance future learning without forgetting past knowledge. Similarly, just like humans acquire knowledge by interacting with other humans, an ML model on one client can leverage relevant knowledge captured by ML models on other clients. However, due to data sovereignty and privacy regulations like GDPR, knowledge transfer via data sharing is restricted. This has led to the development of federated learning (FL) approaches, which facilitate knowledge transfer across clients by sharing model parameters instead of exchanging raw data, thus preserving privacy.
This dissertation mainly focuses on three NLP tasks: topic modeling, language modeling and text classification. Topic Modeling (TM) is an unsupervised approach that utilizes word co-occurrence patterns to capture latent thematic clusters of words, known as topics, in a large collection of documents. Each topic represents a certain semantic theme and facilitates understanding of the document corpus via distribution over the word vocabulary. While traditional TMs use generative probabilistic modeling, neural topic models (NTMs) leverage the expressive and generalization power of artificial neural networks (ANNs) to capture complex patterns and boost the effectiveness of topic modeling. In doing so, NTMs utilize the extracted topic-word distributions to condense the semantic knowledge of a document into a global document-topic representation vector. This representation can be further leveraged to enhance coarse-grained text understanding in various downstream tasks, including document classification, information retrieval, and text generation.
In addition to Topic Modeling, Language Modeling (LM) is another unsupervised approach which assigns probabilities to each word in a text sequence given the backward and forward context. Neural language models (NLMs), such as RNNs, perform language modeling to capture syntactic information and accumulate semantic knowledge over the input sequence. They achieve this by capturing the semantic dependencies between words. In doing so, they generate localized word representations which assist in improving fine-grained text understanding via named entity recognition (NER), word sense disambiguation (WSD) and text generation tasks among others. We also use a Convolutional Neural Network (CNN)-based model for text classification tasks. This model performs 1D convolutions over word sequences to generate a global text representation.
NTMs, utilizing bag-of-words (BoW) representations of documents, have demonstrated efficiency in the extraction of latent topics and document-topic representations. However, because NLMs consider word order information, they can be expensive and challenging when capturing long-range semantic dependencies in large documents. Therefore, integrating an NTM and an NLM within a composite modeling framework can complement each other. Specifically, the NLM can leverage the broad document-level semantic knowledge captured by the NTM. This allows the NLM to effectively capture long-range semantic dependencies in large documents, thereby enhancing their performance while minimizing computational costs.
Although NTMs are powerful in modeling large text corpora, topic modeling remains challenging, especially in sparse (low-resource) data settings where word co-occurrence data is insufficient. Therefore, prior knowledge transfer in sparse data settings via (1) topical semantics (topic-word distributions) from one or more high-resource data, and (2) distributed word representations from pre-trained models like GloVe, FastText and BERT, with appropriate domain alignment, can alleviate this issue and generate coherent topics along with meaningful document representations.
In this dissertation, we have investigated the above-mentioned problem statements, and have consequently developed novel deep neural architectures. These architectures aim to learn meaningful local and global representations, improving fine-grained and coarse-grained text understanding respectively. Moreover, to tackle the challenges posed by drift in data distributions and data privacy concerns in real-world scenarios, we have devised novel frameworks for continual learning and federated learning for topic modeling and text classification tasks respectively. Specifically, we make the following contributions in Chapters 2-7:
- Continual Learning: In Chapter 5, we propose a novel neural topic modeling framework to tackle the inadequate word co-occurrence statistics under sparse data settings. Here, we demonstrate that the transfer of relevant knowledge using multi-view embedding spaces (topic-word distributions and word embeddings) from multiple high-resource data sources with domain alignment can enhance the quality of extracted topics and document representations for the sparse target data. These contributions can be viewed as the "knowledge transfer" component of a continual learning framework. Therefore, building on this, in Chapter 3, we propose a continual learning framework for neural topic modeling that can continually accumulate and transfer knowledge over its lifetime while minimizing catastrophic forgetting. Further, we extend the scope in Chapter 6, where we perform continual learning for text classification on several clients with their own private heterogeneous data streams.
- Federated Learning: In Chapter 6, we investigate the techniques for privacy-preserving knowledge transfer across clients under heterogeneous data distribution settings. In doing so, we combine the federated and continual learning paradigms to propose a novel framework that minimizes catastrophic forgetting at each client while maximizing knowledge transfer across clients for the text classification task.
- Neural Composite Modeling: In Chapter 2, we propose a novel neural composite modeling framework that exposes an NLM to the document-level semantics via NTM. In doing so, we leverage the latent and explainable topics and model the sentence-level topical discourse in a joint learning fashion. Similarly, in Chapter 4, we propose a novel neural composite modeling framework where we expose large language models (LLMs), like BERT, to the broad document-level semantics via NTM to boost the performance via complementary learning and optimize the computational costs of fine-tuning for the text classification task.
- Neural Topic Modeling for Sparse Data: Chapter 7 investigates the information retrieval (IR), information extraction (IE) and ranking techniques for fine-grained knowledge extraction in the biomedical domain. Here, we introduce word-level attention in supervised NTM along with word embedding prior to generate meaningful document representations for the IR task and then re-rank the retrieved documents using the BM25 algorithm.
In summary, this dissertation demonstrates significant contributions to the improvement of NLP-based systems for various tasks such as topic modeling, language modeling and text classification. In particular, novel algorithms and techniques have been developed in the areas of neural composite modeling, continual learning and federated learning, each of which has achieved state-of-the-art results and overall led to improved machine understanding of textual documents
Percutaneous transhepatic biliary Drainage (PTBD) in patients with nondilated biliary system: technical success, clinical outcomes and overall success
Get PDFThroughout my dissertation, I aimed to assess the effectiveness, safety, and clinical outcomes of percutaneous transhepatic biliary drainage (PTBD) in a special group of patients who had non-dilated biliary systems, in the setting of postoperative management of their biliary leakages. Throughout 74 patients with a mean age of 64.1 ± 15.1 years, we found that PTBD is a safe and effec-tive treatment option (with 91.8% vs 80.8% success rates; technical vs clinical) in patients with biliary leakage with low interventional complication rates (less than <4%).
On the other hand, hepatic arterial bleedings are rare but severe complications in patients with recent abdominal surgery, which has to be managed quickly, either interventionally or surgically. Our second study aimed to evaluate the technical and clinical outcome of stent-graft placement in the interventional treatment setting for bleeding from the hepatic artery. In 27 patients with a mean age of 68.8 ± 10.1 years a technical success rate of 92.8% was foun
Entrainment, mixing, and the evolution of the cloud droplet size distribution
Get PDFClouds significantly influence Earth's climate by affecting radiation and moisture budgets, yet their representation remains a major source of uncertainty in climate models, as many processes are poorly understood. Advancing our understanding of cloud microphysics requires examining processes across a large range of scales, from individual droplet interactions to large-scale atmospheric dynamics. Among these, the entrainment and mixing process plays a critical role in shaping the cloud droplet size distribution (DSD) which affects cloud optical properties and precipitation efficiency. Most conventional models assume homogeneous mixing; however, mixing can also occur inhomogeneously. Inhomogeneous mixing alters the DSD differently than homogeneous mixing, often reducing the cloud's reflectivity. Thus, accurately representing these distinct mixing scenarios and understanding their prevalence are essential for improving cloud model accuracy. Representing inhomogeneous mixing is challenging, as its typical lengthscale lies below the resolution of even advanced cloud models. Here, we apply the L3 model—a novel large-eddy simulation framework coupled with particle-based cloud microphysics and a subgrid statistical turbulence model—to simulate the full range of turbulent mixing scales relevant to inhomogeneous mixing.
Clouds significantly influence Earth's climate by affecting radiation and moisture budgets, yet their representation remains a major source of uncertainty in climate models, as many processes are poorly understood. Advancing our understanding of cloud microphysics requires examining processes across a large range of scales, from individual droplet interactions to large-scale atmospheric dynamics. Among these, the entrainment and mixing process plays a critical role in shaping the cloud droplet size distribution (DSD) which affects cloud optical properties and precipitation efficiency. Most conventional models assume homogeneous mixing; however, mixing can also occur inhomogeneously. Inhomogeneous mixing alters the DSD differently than homogeneous mixing, often reducing the cloud's reflectivity. Thus, accurately representing these distinct mixing scenarios and understanding their prevalence are essential for improving cloud model accuracy. Representing inhomogeneous mixing is challenging, as its typical lengthscale lies below the resolution of even advanced cloud models. Here, we apply the L3 model—a novel large-eddy simulation framework coupled with particle-based cloud microphysics and a subgrid statistical turbulence model—to simulate the full range of turbulent mixing scales relevant to inhomogeneous mixing.
Using the L3 model, we investigate how entrainment and mixing alter the DSD shape in distinct ways. Our results confirm that homogeneous mixing broadens the DSD, while inhomogeneous mixing reduces droplet concentration with negligible change to DSD width. Additionally, we identify a new mixing scenario that narrows the DSD width. Additionally, we show that while homogeneous mixing is prevalent, inhomogeneous mixing increases over the life cycle of shallow cumulus clouds. This is consistent with previous observational suggestions. Moreover, we find that increasingly inhomogeneous mixing is related to the degree of cloud dilution, influenced either by the cumulative effect of entrainment or by a drier, aerosol-laden surrounding environment. Finally, by tracking individual droplets, we investigate DSD evolution in stratocumulus clouds, where droplets strongly or weakly affected by entrainment and mixing can exhibit distinct evolutions in DSD shape. While these resemble different mixing scenarios, they are not necessarily a result of mixing, but rather a result of large-scale processes. In conclusion, our findings demonstrate that the L3 model not only supports existing theories of entrainment and mixing but also reveals previously overlooked complexities. Thus, L3 can be considered a valuable tool for addressing further key questions in cloud microphysics and advancing our understanding of clouds' role in the climate system.Wolken haben einen erheblichen Einfluss auf das Erdklima, da sie den Strahlungs- und Wasserhaushalt verändern. Dennoch bleibt ihre Darstellung eine große Unsicherheitsquelle in Klimamodellen, da viele Prozesse noch unzureichend verstanden sind. Um unser Verständnis der Wolkenmikrophysik zu vertiefen, müssen Prozesse skalenüberübergreifend untersucht werden, von Wechselwirkungen einzelner Tropfen bis hin zu großräumigen atmosphärischen Dynamiken. Dabei spielen Eintrainment- und Mischungsprozesse eine entscheidende Rolle bei der Formung der Tröpfchengrößenverteilung (Droplet Size Distribution; DSD), welche wiederum die optischen Eigenschaften und die Niederschlagseffizienz der Wolke beeinflusst. Die meisten konventionellen Modelle gehen von homogener Mischung aus; jedoch kann die Mischung auch inhomogen erfolgen. Inhomogene Mischung verändert die DSD anders als homogene Mischung und reduziert oft die Reflektivität der Wolke. Daher ist die genaue Darstellung dieser unterschiedlichen Mischungszenarien und das Verständnis ihrer Häufigkeit für die Verbesserung der Wolkenmodellgenauigkeit von entscheidender Bedeutung. Die Darstellung inhomogener Mischung ist eine Herausforderung, da ihre typische Längenskala unterhalb der Auflösung selbst fortschrittlicher Wolkenmodelle liegt. Hier verwenden wir das L3-Modell—ein neuartiges Grobstruktursimulationsmodell, das mit partikelbasierter Wolkenmikrophysik und einem subskaligen Turbulenzmodell gekoppelt ist—um das vollständige Spektrum turbulenter Mischungsskalen zu simulieren, die für inhomogene Mischung relevant sind.
Mit dem L3-Modell zeigen wir, wie Entrainment und Mischung die DSD-Form auf unterschiedliche Weise verändern. Wir zeigen, dass sich die DSD-Form bei homogenen und imhomogenen Mischungsprozessen wie erwartet ändert, identifizieren aber auch ein neues Szenario, in dem die DSD-Form auf bislang unbekannte Art und Weise beeinflusst wird. Dieses Szenario tritt dann ein, wenn die DSD anfänglich breit ist. Wir fanden zudem heraus, dass die anfängliche DSD-Breite entscheidend für das Eintreten der drei Mischungsszenarien ist - ein Umstand, der in bisherigen Arbeiten nicht vollständig berücksichtigt wird. Wir zeigen außerdem, dass homogene Mischungsprozesse zwar die vorherrschenden sind, aber der Anteil inhomogener Mischungsprozesse übereinstimmend mit Beobachtungen im Laufe des Lebenszyklus flacher Kumuluswolken zunimmt. Es bleibt aber unklar, welche mikrophysikalischen und Umgebungseffekte dafür verantwortlich sind. Wir fanden heraus, dass zunehmend inhomogene Mischung mit dem Grad der Wolkenverdünnung zusammenhängt, die entweder durch den kumulativen Entrainmenteffekt oder durch eine trockenere, aerosolbeladene Umgebung beeinflusst wird. Abschließend untersuchen wir durch die Verfolgung einzelner Tropfen die DSD-Entwicklung in Stratocumulus-Wolken. Wir zeigen, dass sich die Form der DSD unterschiedlich entwickeln kann, je nachdem, ob die Tropfen stark oder schwach von Entrainment und Mischung beeinflusst sind. Dies könnte auf unterscheidliche Mischungsszenarien hindeuten, obwohl dies nicht notwendigerweise auf die Mischung selbst zurückzuführen ist, sondern eher auf großskalige Prozesse. Zusammengefasst zeigen unsere Ergebnisse, dass das L3-Modell nicht nur bestehende Theorien zum Entrainment und zur Mischung unterstützt, sondern auch bislang übersehene Komplexitäten aufdeckt und ein wertvolles Instrument für die Bearbeitung zentraler Fragen in der Wolkenmikrophysik darstellt, um unser Verständnis der Rolle von Wolken im Klimasystem voranzubringen
Untersuchung des Effekts von Zigarettenrauch auf die plazentale Genexpression im Mausmodell
Get PDFAktives Rauchen während der Schwangerschaft kann Mutter und Kind großen Schaden zufügen. Die intrauterine Exposition von Zigarettenrauch gilt als eine der Hauptrisikofaktoren im späteren Leben eine Asthmaerkrankung zu entwickeln und kann der Auslöser für diverse Schwangerschaftskomplikation sein.
Die initiale Beeinträchtigung der Lungenentwicklung könnte eine spätere Asthmaerkrankung begünstigen. Der Effekt von intrauteriner Nikotinexposition auf die komplexen immunologischen Vorgänge und die sich daraus ergebenden Konsequenzen sind bis heute noch nicht vollständig erforscht. Im Hinblick auf die recht hohe Prävalenz von Nikotinkonsum in der Schwangerschaft, mit denen daraus resultierenden gesundheitlichen Folgen, zeigt auf, wie immens wichtig Forschung in diesem Gebiet ist.
Ziel dieser Arbeit war es, die Auswirkungen der Rauchexposition auf die Expression bestimmter Gene in der Plazenta zu untersuchen. Zum einen wurde untersucht, ob es zu einer Veränderung immunologisch wichtiger Transkriptionsfaktoren Tbx21 (Th1), Gata3 (Th2), Rorc (Th17) und Foxp3 (Treg) kommt. Veränderungen in der Expression dieser Gene könnten sich negativ auf das sich entwickelnde Immunsystem auswirken und somit das Risiko einer späteren Asthmaerkrankung erhöhen. Zum anderen wurde untersucht, inwiefern die Expression von Genen, die für die Wachstumsentwicklung des Fötuses wichtig sind (Igf1, Igfbp3) durch die Rauchexposition dereguliert werden. Neben den Genexpressionsstudien wurden im Rahmen des Rauchmodells auch die Gewichtsentwicklung der trächtigen Mütter und die Geburtsgewichte der Nachkommen gemessen.
Im Rahmen dieser Studie wurde ein bereits durch unsere Arbeitsgruppe etabliertes Rauchmodell genutzt. Schwangere Mäuse (CS Mäuse) wurden ab Tag 2,5 der Paarung bis zum Kaiserschnitt am Tag 18,5 täglich Tabakrauch exponiert. Dabei wurde aktives Rauchen durch eine Rauchmaschine simuliert. Das Gewicht der weiblichen Mäuse wurde täglich gemessen.
Zur Vorbereitung der Genexpressionsanalysen wurde mRNA aus murinem Plazentagewebe isoliert und im nächsten Schritt mittels reverser Transkription in cDNA umgeschrieben. Nach der Etablierung von Referenzgenen konnte die Genexpression von T-Helferzell-spezifischen-, sowie GH/IGF1-spezifischen 6 Transkriptionsfaktoren mittels qPCR untersucht werden. Die Daten wurden mit Graph-Pad Prism (Version 7) und Microsoft Excel berechnet und statistisch ausgewertet (Mann-Whitney U Test, unpaired t-Test) Das statistische Signifikanzniveau wurde auf 5 Prozent gesetzt.
Die intrauterine Rauchexposition führte bei den rauchexponierten Mäusen im Gegensatz zu den Kontrollmäusen zu einer geringeren Gewichtszunahme, sowie zu niedrigeren Geburtsgewichten bei den CS Nachkommen. Bei den Genexpressionsstudien wurde der Transkriptionsfaktor Tbx21 (Th1) auf mRNAEbene in Plazenten von Mäusen nach Rauchexposition signifikant stärker exponiert als bei den Kontrollmäusen.
Das mütterliche Immunsystem spielt eine Schlüsselrolle für den Erfolg der Schwangerschaft. Die Veränderung der Tbx21-Expression in der Plazenta demonstriert, dass Rauchen in der Schwangerschaft das Immunsystem lokal beeinflussen
kann