Genetic network inference forms an enormous drive towards understanding the principles and details of the machinery which underlies the operation of living cells and systemic disease mechanisms such as cancer or diabetes. The invention of high throughput screening techniques and the resulting growth of biological data let data driven methods become very popular in the fields of genetic network inference. This thesis is concerned with elucidating gene regulatory network features by means of machine learning methods, more precisely, by means of graphical models. Besides learning regulatory relationships between molecules this thesis focuses on approaches to infer robust topological features which provide information about the function of specific genes in the global cellular system. Moreover a method called generative inverse modeling is presented which simulates the effect of local genetic changes on the global cellular state. The method can be used to estimate the relevance of genes regarding disease specific genetic mechanisms and to simulate local genetic changes on a global scale.     «

Genetic network inference forms an enormous drive towards understanding the principles and details of the machinery which underlies the operation of living cells and systemic disease mechanisms such as cancer or diabetes. The invention of high throughput screening techniques and the resulting growth of biological data let data driven methods become very popular in the fields of genetic network inference. This thesis is concerned with elucidating gene regulatory network features by means of machi...     »

Kenntnisse über das der Zelle zugrunde liegende genetische Netz helfen, die Entstehung systemischer Krankheiten besser zu verstehen und maßgeschneiderte Therapien und Medikamente zu entwickeln. Im Rahmen der Dissertation wurden eine Reihe datengetriebener Verfahren entwickelt, die – basierend auf dem Ansatz graphischer Modelle - aus molekularen Daten Beziehungen zwischen Genen lernen und so die Struktur des zugrunde liegenden genetischen Netzwerkes schätzen. Neben robusten Strukturlernverfahren und Methoden zur Analyse gelernter Netzwerke wurde ein Algorithmus entwickelt, der es ermöglicht, die Aktivität einzelner Gene im gelernten Wahrscheinlichkeitsmodell künstlich zu verändern und den daraus resultierenden Effekt auf das gesamte Netzwerk zu simulieren. Damit lässt sich unter anderem die Wirksamkeit von Medikamenten in Bezug auf bestimmte Krankheiten untersuchen oder aber auch der Effekt von Gen-Knockout bzw. RNAi Experimenten simulieren.     «

Kenntnisse über das der Zelle zugrunde liegende genetische Netz helfen, die Entstehung systemischer Krankheiten besser zu verstehen und maßgeschneiderte Therapien und Medikamente zu entwickeln. Im Rahmen der Dissertation wurden eine Reihe datengetriebener Verfahren entwickelt, die – basierend auf dem Ansatz graphischer Modelle - aus molekularen Daten Beziehungen zwischen Genen lernen und so die Struktur des zugrunde liegenden genetischen Netzwerkes schätzen. Neben robusten Strukturlernverfahren...     »