Table of Contents
Einleitung: Die Komplexität der endokrinen Kontrolle
Das endokrine System funktioniert als hochverteiltes Kommunikationsnetzwerk, das physiologische Signale integriert, um die Homöostase aufrechtzuerhalten, den Stoffwechsel zu regulieren, die Fortpflanzung zu steuern und Stressreaktionen zu orchestrieren. Im Gegensatz zur relativ schnellen synaptischen Übertragung des Nervensystems funktioniert die hormonelle Signalisierung über Sekunden bis Stunden, wobei komplizierte Kaskaden, pulsatile Freisetzungen und nichtlineare Rückkopplungsschleifen auftreten. Störungen in diesen fein abgestimmten Signalwegen manifestieren sich als endokrine Störungen, von denen Hunderte von Millionen Menschen weltweit betroffen sind. Erkrankungen wie Diabetes mellitus, Schilddrüsenerkrankungen, Nebenniereninsuffizienz und polyzystisches Ovarialsyndrom stellen eine erhebliche klinische und wirtschaftliche Belastung dar.
Traditionelle Forschungsmethoden, einschließlich in vivo in vivo in vitro zellulären Assays haben grundlegendes Wissen über einzelne Hormone geliefert. Allerdings haben sie oft Schwierigkeiten, die dynamischen, multiskaligen Interaktionen zu erfassen, die die reale endokrine Physiologie charakterisieren. Hier hat sich die mathematische und rechnerische Modellierung von hormonellen Regulationssystemen als ein wesentliches Werkzeug herausgestellt. Durch die Erstellung abstrakter Darstellungen der biologischen Realität können Forscher komplexe Dynamiken simulieren, Hypothesen testen, klinische Ergebnisse vorhersagen und optimale therapeutische Interventionen identifizieren. Dieser Artikel untersucht die Prinzipien, Methoden und Anwendungen der Modellierung hormoneller Regulationssysteme und hebt hervor, wie diese Disziplin unser Verständnis und Management von endokrinen Störungen verändert.
Die wesentliche Architektur der Hormonregulation
Eine effektive Modellierung erfordert ein genaues Verständnis der Systemkomponenten und ihrer Wechselwirkungen. Das endokrine System ist in mehrere Funktionsachsen unterteilt, die jeweils durch hierarchische Steuerung, Feedback-Regelung und zeitliche Dynamik gekennzeichnet sind.
Hierarchische Steuerungs- und Feedback-Schleifen
Der Standard-Organisationsrahmen beinhaltet eine dreistufige Hierarchie: den Hypothalamus, die Hypophyse und die peripheren Zieldrüsen. Der Hypothalamus schüttet freisetzende Hormone (z. B. CRH, TRH, GnRH) in die Hypothalamus-Hypophysen-Portalzirkulation ab, wodurch die anteriore Hypophyse zur Freisetzung tropischer Hormone (z. B. ACTH, TSH, LH, FSH) angeregt wird. Diese tropischen Hormone wirken wiederum auf periphere Drüsen, um die Produktion von Effektorhormonen (z. B. Cortisol, T3/T4, Östrogen, Testosteron) zu stimulieren.
Negatives Feedback ist der vorherrschende Regulationsmechanismus. Effektorhormone oder Hypophysenhormone wirken hemmend auf die Hypothalamus- und Hypophysensekretion und halten streng kontrollierte Zirkulationsspiegel aufrecht. Zum Beispiel hemmt erhöhtes Cortisol sowohl die CRH-Freisetzung aus dem Hypothalamus als auch die ACTH-Freisetzung aus der Hypophyse. Positives Feedback ist weniger verbreitet, aber kritisch für bestimmte Ereignisse, wie den LH-Anstieg im mittleren Zyklus, der durch steigendes Östrogen ausgelöst wird. Ein Modell, das diese Feedbackschleifen ignoriert, kann das Systemverhalten nicht vorhersagen, insbesondere bei Störungen wie Stress, Krankheit oder pharmakologischer Intervention.
Pulsatilität und circadiane Rhythmen
Viele Hormone werden pulsatil und nicht kontinuierlich ausgeschüttet. Gonadotropin-Releasing-Hormon (GnRH) ist ein klassisches Beispiel; die Frequenz und Amplitude von GnRH-Impulsen bestimmen die relative Sekretion von LH und FSH. In ähnlicher Weise zeigen Wachstumshormon (GH) und Cortisol unterschiedliche ultradiane und circadiane Rhythmen. Die Modellierung muss diese zeitabhängigen Muster berücksichtigen, da die mittlere Konzentration allein oft kritische regulatorische Informationen verschleiert. Der Verlust der circadianen Rhythmizität von Cortisol ist zum Beispiel ein früher Marker für die HPA-Achsenfunktionsstörung bei Zuständen wie Cushing-Syndrom oder chronischem Stress.
Bindende Proteine und freie Hormondynamik
Die meisten zirkulierenden Hormone sind an Trägerproteine gebunden (z. B. SHBG, CBG, TBG). Die Hypothese des freien Hormons geht davon aus, dass nur die ungebundene Fraktion biologisch aktiv ist und für die Gewebeaufnahme zur Verfügung steht. Die Modellierung des Gleichgewichts zwischen gebundenen und freien Pools ist für genaue Simulationen unerlässlich, insbesondere wenn der Bindungsproteinspiegel durch Schwangerschaft, Lebererkrankungen oder Medikamentenkonsum verändert wird.
Warum traditionelle Ansätze ein Modellierungs-Framework erfordern
Das endokrine System stellt einzigartige Herausforderungen dar, die nur mit reduktionistischen Experimenten zu bewältigen sind. Nichtlineare Beziehungen, Zeitverzögerungen und redundante Wege erzeugen auftauchende Verhaltensweisen, die aus den Eigenschaften einzelner Komponenten nicht vorhersehbar sind. Zum Beispiel kann eine Mutation im Insulinrezeptor teilweise durch Veränderungen der Insulinsekretion oder Glukagondynamik kompensiert werden, wodurch der Phänotyp maskiert wird, bis eine metabolische Herausforderung angewendet wird.
Ethische und praktische Einschränkungen begrenzen auch die menschlichen Experimente. Es ist schwierig, Portalvenenkonzentrationen von Hypothalamushormonen beim Menschen zu messen, Feedbackschleifen risikolos zu manipulieren oder den Krankheitsverlauf über Jahrzehnte auf zellulärer Ebene zu beobachten. In silico Modelle bieten eine Plattform, um diese Lücken zu schließen, so dass Forscher Störungen simulieren können, die in vivo ] nicht machbar wären und iterativ verfeinert werden können, um einen systematischen Rahmen für die Hypothesengenerierung und das experimentelle Design zu schaffen.
Das Modeller-Toolkit: Ansätze zur Simulation endokriner Systeme
Es steht eine Vielzahl von mathematischen und computergestützten Techniken zur Verfügung, die jeweils für spezifische Fragen und Analyseskalen geeignet sind.
Normale Differentialgleichungsmodelle (ODE)
ODE-Modelle sind der etablierteste Ansatz in der endokrinen Modellierung. Sie repräsentieren Hormonkonzentrationen und Rezeptorzustände als kontinuierliche Variablen, die sich im Laufe der Zeit nach Differentialgleichungen ändern. Diese Modelle zeichnen sich durch die Erfassung von Rückkopplungsschleifen, Massenwirkungskinetik und Kompartimentverteilung aus. Das Bergman Minimalmodell der Glukose-Insulin-Dynamik ist ein wegweisendes ODE-Modell, das in der Diabetesforschung umfassend verwendet wird, um die Insulinsensitivität und Glukosewirksamkeit aus intravenösen Glukosetoleranztestdaten abzuschätzen. Solche Modelle zeichnen sich durch eine relativ kleine Anzahl von Parametern aus, die aus experimentellen Daten mit nichtlinearer Regression geschätzt werden können.
Pharmakokinetische/pharmakodynamische (PK/PD) Modelle
PK/PD-Modelle beschreiben den zeitlichen Verlauf der Arzneimittelabsorption, -verteilung, -stoffwechsel und -ausscheidung (PK), die mit den biochemischen und physiologischen Wirkungen des Arzneimittels in Verbindung stehen. Sie werden in der endokrinen Pharmakologie häufig angewendet, um die Wirkungen synthetischer Hormone, Rezeptoragonisten und Enzymhemmer zu simulieren. Beispielsweise kann ein PK/PD-Modell des Levothyroxinersatz vorhersagen, wie sich die Dosisverjüngung über Wochen auf die TSH-Werte auswirkt, wobei die lange Halbwertszeit von T4 und die Empfindlichkeit des Hypophysen-Feedback-Mechanismus berücksichtigt werden.
Agentenbasierte und Multi-Scale-Modelle
Agentenbasierte Modelle (ABM) simulieren die Aktionen und Interaktionen autonomer Agenten (z. B. einzelner Zellen, Rezeptoren oder Moleküle), um ihre Auswirkungen auf das System als Ganzes zu bewerten. Dieser Bottom-up-Ansatz ist nützlich für die Untersuchung heterogener Gewebe, wie z. B. Pankreas-Inseln, bei denen Beta-Zellen, Alpha-Zellen und Delta-Zellen lokal interagieren, um die Insulin- und Glukagonsekretion zu regulieren. Multiskalige Modelle integrieren Phänomene auf verschiedenen Organisationsebenen, von molekularen Signalwegen bis hin zur Physiologie von Ganzorganismen, und bieten einen umfassenden Überblick über die endokrine Funktion.
Machine Learning und datengetriebene Ansätze
Die Verbreitung von Hochdurchsatzdaten, kontinuierlichen Glukosemonitoren und tragbarer Sensortechnologie hat datengesteuerte Modellierungsansätze ermöglicht. Machine-Learning-Algorithmen können nichtlineare Muster identifizieren, Krankheitszustände klassifizieren und zukünftige Hormonspiegel vorhersagen, ohne dass explizite biologische Gleichungen erforderlich sind. Deep-Learning-Modelle wurden beispielsweise angewendet, um hypoglykämische Ereignisse bei Typ-1-Diabetes mit historischen Glukose- und Insulindaten vorherzusagen. Diese Modelle wirken jedoch oft als "Black Boxes", da ODE- oder PK/PD-Modelle keine mechanistische Interpretierbarkeit bieten. Hybridansätze, die mechanistische Strukturen mit datengesteuerter Parameterschätzung kombinieren, sind ein aktiver Bereich der Entwicklung.
Kritische Anwendungen bei endokrinen Störungen
Der praktische Nutzen der endokrinen Modellierung wird am besten durch ihre Anwendung auf spezifische Krankheitszustände veranschaulicht.
Diabetes Mellitus: Der paradigmatische Fall
Diabetes war der Testgrund für endokrine Modellierung. Das Bergman Minimal Model (1981) destillierte das komplexe Glukose-Insulin-System in einen Satz von drei Differentialgleichungen und stellte eine standardisierte Methode zur Messung der Insulinsensitivität (SI) und der Glukosewirksamkeit (SG) aus klinischen Daten bereit. Dieser Rahmen wurde erweitert, um die freie Fettsäuredynamik, Inkretin-Effekte und den Umgang mit Nierenglukose einzubeziehen.
Fortgeschrittene Modelle untermauern die künstliche Bauchspeicheldrüse oder hybride geschlossene Insulinabgabesysteme. Diese Geräte verwenden einen kontinuierlichen Glukosemonitor (CGM), eine Insulinpumpe und einen Kontrollalgorithmus, der auf einem prädiktiven Modell der Glukosekinetik basiert. Der Algorithmus berechnet die optimale Insulininfusionsrate, wobei die Mahlzeitenaufnahme, körperliche Aktivität und individuelle Variabilität berücksichtigt werden. Klinische Studien mit wegweisenden Ergebnissen haben gezeigt, dass die Modellprädiktive Kontrolle (MPC) die Zeit im Bereich erheblich verbessern und die Hypoglykämie im Vergleich zur konventionellen Therapie reduzieren kann, was eine direkte Übersetzung der mathematischen Modellierung in ein lebensveränderndes klinisches Gerät darstellt.
Hypothalamus-Hypophysen-Nebennieren (HPA) Achsenstörungen
Die Modellierung der HPA-Achse lieferte Einblicke in Zustände, die vom Cushing-Syndrom bis zur Nebenniereninsuffizienz reichten. Frühe ODE-Modelle von Vinther und Kollegen simulierten Cortisol und ACTH-Dynamik, wobei die negative Rückkopplung von Cortisol auf CRH und ACTH sowie der circadiane Antrieb aus dem suprachiasmatischen Kern berücksichtigt wurden. Diese Modelle können die Auswirkungen exogener Glukokortikoide auf die endogene Cortisolproduktion vorhersagen und bei der Gestaltung von sich verjüngenden Regimen helfen, um eine Nebennierenkrise zu verhindern.
Bei Cushing-Krankheit erzeugt ein Hypophysenadenom einen übermäßigen ACTH-Wert, der die Rückkopplungsschleife stört. Modellierung wurde verwendet, um die Auswirkungen therapeutischer Interventionen wie Somatostatin-Analoga oder adrenale Enzymhemmer auf Cortisolspiegel und Tagesrhythmen zu simulieren. Durch die Quantifizierung der Reaktionsfähigkeit des Systems auf Rückkopplung können Modelle helfen, zwischen Hypophysen- und Eileiterquellen von ACTH-Überschuss zu unterscheiden.
Polyzystisches Ovarialsyndrom (PCOS)
PCOS ist durch Hyperandrogenismus, ovulatorische Dysfunktion und polyzystische Ovarialmorphologie gekennzeichnet, die oft von Insulinresistenz begleitet wird. Die Pathophysiologie beinhaltet komplexe Wechselwirkungen zwischen der HPG-Achse und metabolischen Signalen. Modellstudien haben sich auf die Rolle der GnRH-Pulsfrequenz bei der LH-Sekretion konzentriert. Eine erhöhte GnRH-Pulsfrequenz begünstigt die LH-Synthese gegenüber FSH, was zu einem erhöhten LH / FSH-Verhältnis führt, das Ovarial-Theca-Zellen zur Produktion von Androgenen stimuliert.
Computermodelle haben Insulinsignalisierung mit Gonadotropin-Aktion integriert, was zeigt, wie Hyperinsulinämie die Produktion von Eierstock-Androgen direkt verstärkt und die hepatische SHBG-Synthese unterdrückt. Diese Modelle wurden verwendet, um virtuelle klinische Studien durchzuführen, die vorhersagen, dass die Kombinationstherapie mit Insulinsensibilisatoren und Antiandrogenen den Hyperandrogenismus synergistisch verbessern würde. Die gewonnenen Erkenntnisse helfen, personalisierte Behandlungsstrategien zu leiten, die auf die spezifischen zugrunde liegenden Mechanismen bei einzelnen Patienten abzielen.
Schilddrüsenachsenmodellierung
Die Hypothalamus-Hypophysen-Schilddrüsen-Achse (HPT) ist ein klassisches System der negativen Rückkopplung, das sich der quantitativen Modellierung anschließt. Modelle simulieren die TSH-Sekretion als Reaktion auf TRH und die negativen Rückkopplungseffekte von T3 und T4. Sie replizieren genau die log-lineare Beziehung zwischen TSH und freiem T4, die in klinischen Populationen beobachtet wurde.
Klinische Anwendungen umfassen die Optimierung der Levothyroxin-Ersatztherapie. Angesichts der langen Halbwertszeit von T4 (ca. 7 Tage) nehmen Dosisanpassungen Wochen in Anspruch, um den stationären Zustand zu erreichen. Ein PK/PD-Modell der T4-Absorption, -verteilung und -Rückmeldung auf TSH kann den zeitlichen Verlauf der TSH-Normalisierung nach Dosisänderungen vorhersagen, so dass Kliniker effizientere Dosierungspläne entwerfen können. Modellierung hilft auch bei der Interpretation von Schilddrüsenfunktionstests bei nicht-thyreoidalen Erkrankungen, bei denen die HPT-Achse unterdrückt wird, und bei Patienten, die gegen Morbus Graves Medikamente erhalten.
Wachstumshormon (GH) und IGF-1 Verordnung
Die meisten Sekretionen werden während des Schlafes mit langsamen Wellen durchgeführt. Die Deconvolution-Analyse, eine spezielle Form der Modellierung, wird verwendet, um die GH-Sekretionsrate, die Burst-Frequenz und die Halbwertszeit aus seriellen Blutproben zu schätzen. Dieser Ansatz hat deutliche Veränderungen der GH-Dynamik bei Alterung, Fettleibigkeit und GH-Mangel ergeben.
Modellierung wurde auch angewandt, um die Beziehung zwischen GH und seinem primären nachgeschalteten Mediator, IGF-1, zu verstehen. Die negative Rückkopplung von IGF-1 auf die GH-Freisetzung ist gut etabliert, aber die Dynamik wird durch das Vorhandensein mehrerer IGF-bindender Proteine (IGFBP) erschwert. Modelle, die IGFBP-Kinetik enthalten, bieten eine genauere Darstellung der GH-IGF-1-Achse und helfen bei der Interpretation von diagnostischen Tests für GHD und Akromegalie.
Überwindung der wichtigsten Herausforderungen in der endokrinen Modellierung
Trotz seiner großen Versprechen, das Feld steht vor mehreren Hindernissen, die angegangen werden müssen, um übersetzen Modelle in die routine der klinischen Nutzung.
Parameter-Identifikanz und Datenanforderungen
Viele endokrine Modelle enthalten eine große Anzahl von Parametern, aber klinische Daten sind oft auf wenige spärliche Messungen beschränkt. Dies führt zu einer Nicht-Identifikierbarkeit von Parametern, bei denen mehrere Parametersätze gleichermaßen gut zu den Daten passen, aber sehr unterschiedliche Vorhersagen treffen. Optimales experimentelles Design kann helfen, indem es identifiziert, welche Messungen die meisten Informationen für die Parameterschätzung liefern. In einigen Fällen ist es notwendig, die Modellstruktur zu vereinfachen oder Annahmen auf Populationsebene zu verwenden, um zuverlässige Ergebnisse zu erzielen.
Inter-individuelle Variabilität
Die endokrine Dynamik variiert zwischen Individuen aufgrund von Genetik, Alter, Geschlecht, Körperzusammensetzung und Krankheitszustand. Ein Modell, das für einen Patienten gut funktioniert, kann für einen anderen Patienten scheitern, wenn die zugrunde liegende Parameterverteilung nicht richtig charakterisiert wird. Hierarchische (Mischeffekt-) Modelle behandeln dies, indem sie sowohl feste Effekte (Bevölkerungsdurchschnitte) als auch zufällige Effekte (individuelle Abweichungen) abschätzen und einen Rahmen für personalisierte Vorhersagen liefern. Die Entwicklung robuster, patientenspezifischer Modelle erfordert oft dichte Zeitreihendaten, die in der routinemäßigen klinischen Praxis schwer zu erhalten sind.
Modellvalidierung
Die Validierung ist der Prozess, bei dem gezeigt wird, dass ein Modell das Verhalten des realen Systems unter definierten Bedingungen zuverlässig vorhersagt. Eine vollständige Validierung eines endokrinen Modells ist jedoch selten möglich, da das System nicht vollständig beobachtet oder willkürlich manipuliert werden kann. Die Forscher müssen sich auf eine partielle Validierung, Kreuzvalidierung gegen unabhängige Datensätze und Sensitivitätsanalyse verlassen, um Vertrauen in Modellvorhersagen aufzubauen. Eine transparente Berichterstattung über Modellannahmen und -beschränkungen ist für die wissenschaftliche Glaubwürdigkeit unerlässlich.
Integration über Skalen hinweg
Die endokrine Regulation umfasst Ereignisse, die von Millisekunden (Rezeptorbindung) bis Wochen (Rückkopplungsadaption) auftreten. Multiskalenmodelle, die diese zeitlichen und räumlichen Skalen überbrücken, sind rechenintensiv und mathematisch komplex. Fortschritte bei Hochleistungsrechentechnik und numerischen Algorithmen ermöglichen ausgefeiltere Multiskalensimulationen, aber praktische Modelle müssen Details sorgfältig mit der Traktionsfähigkeit in Einklang bringen.
Der Zukunftshorizont der endokrinen Systemmodellierung
Das nächste Jahrzehnt verspricht bedeutende Fortschritte, die durch technologische Innovation und interdisziplinäre Zusammenarbeit angetrieben werden.
Digitale Zwillinge in der Endokrinologie
Das Konzept eines digitalen Zwillings, eine virtuelle Darstellung des physiologischen Systems eines Individuums, die sich in Echtzeit mit dem Patienten entwickelt, gewinnt an Zugkraft. In der Endokrinologie könnte ein digitaler Zwilling kontinuierliche Sensordaten (Glukose, Herzfrequenz, Aktivität), Behandlungsgeschichte, genomische Informationen und ein mechanistisches Modell integrieren, um das tägliche Management zu leiten. Zum Beispiel könnte ein digitaler Diabetes-Zwilling Echtzeit-Insulindosisanpassungen empfehlen, die Auswirkungen von verpassten Mahlzeiten oder Bewegung vorhersagen und den Benutzer auf drohende Hypoglykämie aufmerksam machen. Erste Implementierungen werden bereits für Typ-1-Diabetes und Nebenniereninsuffizienz entwickelt.
Hybride mechanistisch-maschinelle Lernmodelle
Die Kombination der Interpretierbarkeit mechanistischer ODE-Modelle mit der Flexibilität und Mustererkennungskraft des maschinellen Lernens stellt eine wichtige Grenze dar. Bei diesem Ansatz liefert das mechanistische Modell ein strukturelles Skelett, das bekannte Biologie repräsentiert, während ein neuronales Netzwerk oder ein Gauß-Prozess unbekannte Funktionen, Parameterwerte oder fehlende Dynamik aus Daten schätzt. Diese Hybridmodelle können zuverlässiger extrapolieren als rein datengesteuerte Modelle, während sie weniger Trainingsdaten benötigen als mechanistische Modelle allein.
Echtzeit-Adaptive Modelle
Closed-Loop-Systeme, wie die künstliche Bauchspeicheldrüse, beruhen auf Modellen, die sich an die sich im Laufe der Zeit verändernde Physiologie des Benutzers anpassen. Fortschritte bei der Online-Parameterschätzung und rekursiver Bayes-Filterung ermöglichen es Modellen, sich in Echtzeit zu aktualisieren und allmähliche Veränderungen der Insulinsensitivität oder des Stressniveaus zu verfolgen. Die Ausweitung dieser adaptiven Modellierungsprinzipien auf andere endokrine Systeme, wie den Glukokortikoid-Ersatz bei Nebenniereninsuffizienz im geschlossenen Kreislauf, ist ein aktives Forschungsgebiet, mit frühen Prototypen, die Cortisol-Sensorik verwenden, um die Hydrocortison-Infusion zu automatisieren.
Integration mit Multi-Omics-Daten
Die Einführung von Hochdurchsatz-Genomik, Proteomik und Metabolomik bietet eine beispiellose Fülle von molekularen Daten. Die Integration dieser Daten in mechanistische endokrine Modelle kann aufzeigen, wie genetische Polymorphismen den Feedbackgewinn, die Rezeptorsensitivität oder die Hormonclearance beeinflussen. Solche integrierten Modelle haben das Potenzial, Patienten basierend auf der vorhergesagten Arzneimittelreaktion zu schichten, und bewegen sich über die Bevölkerungsdurchschnitte hinaus zu einer wirklich personalisierten Endokrinologie. Ein Patient mit einem Polymorphismus im Deiodinase-Enzym (DIO2) zum Beispiel könnte unterschiedliche T3-Anforderungen haben, und ein integriertes Modell könnte die optimale T4/T3-Kombinationstherapie vorhersagen.
Fazit: Ein neues Paradigma zum Verständnis der endokrinen Krankheit
Die Modellierung von hormonellen Regulationssystemen hat sich von einer abstrakten akademischen Übung zu einer praktischen Notwendigkeit für das Verständnis und die Behandlung endokriner Störungen entwickelt. Indem sie einen strengen Rahmen für die Integration von Multiskalendaten, die Simulation dynamischer Feedbackschleifen und die Vorhersage des Systemverhaltens unter Störungen bieten, befassen sich diese Modelle mit den Grenzen traditioneller reduktionistischer Ansätze. Die direkte Übersetzung des Bergman Minimalmodells in klinische Messungen der Insulinsensitivität und die algorithmische Steuerung des Blutzuckers durch die künstliche Bauchspeicheldrüse illustrieren das tiefgreifende Potenzial dieser Disziplin.
Die Herausforderungen der Parameteridentifizierbarkeit, interindividuellen Variabilität und Validierung sind beeindruckend, aber zunehmend praktikabel, unterstützt durch Fortschritte in der Rechenleistung, Sensortechnologie und statistischen Methodik. Da sich das Feld in Richtung digitaler Zwillinge, hybrider Modellierungsrahmen und adaptiver Echtzeitsteuerung bewegt, rückt die Vision der personalisierten, prädiktiven Endokrinologie in einen schärferen Fokus. Für Forscher und Kliniker gleichermaßen bietet die Einbeziehung einer Systemperspektive und der Werkzeuge der mathematischen Modellierung den vielversprechendsten Weg, um unser Verständnis von endokriner Gesundheit und Krankheit zu verändern.