Molekular-biologische Forschung hat sich durch die Entstehung von Hochdurchsatz Verfahren grundlegend verändert. Die parallele Messung einer Vielzahl zellulärer Komponenten ist möglich geworden und das Ziel ist nun, durch eine erfolgreiche Integration der Daten funktionalen Modellen abzuleiten, die den Zusammenhang von phänotypischen Observablen und molekulare Zustände der Zelle erklären. Der gegenwärtige Standard zur Darstellung funktionaler Modelle sind Interaktions Netzwerke. In dieser Arbeit werden zwei Schwächen gängiger Methoden zur Ableitung funktionaler molekular-biologischer Netzwerke adressiert. Die meisten Ansätze ermöglichen es nicht verschiedenen Typen funktionaler Interaktionen zu unterschieden, was die Interpretation der abgeleiteten Netzwerke erschwert. Desweiteren leiden diese Netzwerke an erhöhten Falsch Positiv (FP) und Falsch Negativ (FN) Raten. Um die erste Schwäche zu adressieren wendete ich Machine-Learning Methoden auf omics-Daten an und war so im Stande drei Typen von funktionalen Interaktionen vorherzusagen. Um FP/FN zu reduzieren wurden zwei Algorithmen entworfen mit dem Ziel, Netzwerk-Vorhersagen zu verbesseren basierend auf einer Abschätzung der Topolgie des zu rekonstruierenden Netzwerkes. Desweiteren wurde die Eignung von P-Systems zur Rekonstruktion von Netzwerken untersucht. Das Ergebnis dieser Arbeit besteht in einem Überblick über die Integration von omics-Daten, der Evaluierung unterschiedlicher Machine-Learning Methoden und einer Machbarkeits-Studie für die Topologie basierten Algorithmen. Es konnte gezeigt werden, dass die Vorhersage eines spezifischen Kantentyps möglich ist bei der Verwendung geeigneter Machine-Learning Verfahren, und auch die Machbarkeit der Topologie basierten Ansätze wurde deutlich. Abschliessend werden die praktischen Implikationen der Egebnisse im Kontext der Analyse von B-Zellen Lymphoma diskutiert.
