Στην εποχή της Συστημικής Ιατρικής, οι τεχνολογίες μαζικής καταγραφής της γονιδιακής και miRNA έκφρασης (π.χ. μικροσυστοιχίες, RNA-seq) αλλά και οι τεχνολογίες ανίχνευσης πρωτεϊνικών αλληλεπιδράσεων (π.χ. yeast two-hybrid, co-immunoprecipitation) απελευθέρωσαν τεράστια ποσά δεδομένων για την αποσαφήνιση των μηχανισμών των πολύπλοκων ασθενειών. Η παρούσα διδακτορική διατριβή συμβάλλει προσφέροντας νέες υπολογιστικές μεθοδολογίες και εργαλεία και παραθέτοντας νέες αξιόπιστες βιολογικές υποθέσεις για την επίλυση σύνθετων ασθενειών του ανθρώπου. Καταρχήν, αποκτήθηκε γνώση του θεωρητικού υπόβαθρου διάφορων μέγαλης κλίμακας μοριακών τεχνικών, τεχνικών εξόρυξης δεδομένων όπως η ομαδοποίηση καθώς και γραφοθεωρητικών προσεγγίσεων. Έπειτα, σχεδιάστηκε μια μεθοδολογία για συνδυασμό πρωτεωμικών και μεταγραφωμικών δεδομένων και αναπτύχθηκε ένα αλγόριθμος ομαδοποίησης γράφων, που ονομάζεται Detect Modules (DetMod), ο οποίος ανιχνεύει κοινοτήτες/υπο-δομές (modules) πρωτεϊνών με διακριτή βιολογική λειτουργία και έντονη δυναμική συσχέτιση σε επίπεδο έκφρασης. Η απόδοση και αξιοπιστία της μεθόδου εξετάστηκε και πιστοποιήθηκε στον απλό οργανισμό-μοντέλο Saccharomyces cerevisiae προτού εφαρμοστεί στην επίλυση προβλημάτων της φαρμακογονιδιωματικής όπως η απόκριση του μεταγραφήματος στην θεραπεία με ταμοξιφένη στην περίπτωση του θετικού στην απόκριση σε οιστρογόνα καρκίνου του μαστού. Αποτέλεσμα της μεθόδου είναι δυναμικοί βιοδείκτες της απόκρισης στην ταμοξιφένη με μορφή υπο-δομών αντί μεμονωμένων πρωτεϊνών. Παράλληλα, στα πλαίσια της σύγχρονης βιβλιογραφίας όπου οι εμπλεκόμενοι μηχανισμοί του καρκίνου αλληλοεπικαλύπτονται με αυτούς της γήρανσης, μια προσαρμοσμένη μεθοδολογία ανάλογη με την προαναφερόμενη εφαρμόστηκε στη μελέτη του φαινομένου της γήρανσης. Τα αποτελέσματα της μεθόδου σε πολλαπλούς ιστούς του ποντικού, και σε δεύτερο στάδιο μεμονωμένα στον καρδιακό ιστό, ανέδειξαν ποια μοριακά μονοπάτια εμπλέκονται στη γήρανση όλων των ιστών και ποια εξειδικεύονται σε ένα μόνο ιστό. Στην περίπτωση του καρδιακού ιστού βιοδείκτες σε μορφή υπο-δομών αποτυπώνουν τα εμπλεκόμενα μονοπάτια αλλά και τη συνεργατική δράση και υπαιτιότητα των miRNA. Σε επόμενο στάδιο μελετήθηκαν οι μηχανισμοί απόκρισης στη γρίπη Α (Η1Ν1) μέσω της ανακατασκευής Γονιδιακών Ρυθμιστικών Δικτύων (ΓΡΔ) που αναπαριστούν τις χρονικά μεταβαλλόμενες αιτιατές σχέσεις μεταξύ μοριακών μονοπατιών από χρονοσειρές γονιδιακής έκφρασης. Το χρονικά μεταβαλλόμενο ΓΡΔ προέκυψε μέσα από μια μέθοδο συνδυασμού πολλαπλών αλγορίθμων ανακατασκευής από διαφορετικές κλάσεις του μαθηματικού φορμαλισμού. Η μέθοδος προσέφερε νέα γνώση για τη συνδεσιμότητα των μοριακών μονοπατιών μέχρι και την 60η ημέρα μετά την εισβολή του ιού στον πνευμονικό ιστό του ποντικού από το στάδιο της φυσικής ανοσίας, στη χυμική ανοσία και τέλος στη διαδικασία αποκατάστασης. Τέλος, παρουσιάζεται ο OLYMPUS, ένας νέος υβριδικός μη επιβλεπόμενος αλγόριθμος ομαδοποίησης που εφαρμόστηκε σε χρονοσειρές γονιδιακής έκφρασης σε απόκριση στη γρίπη Α (Η1Ν1). Ο OLYMPUS χρησιμοποιεί τον Διαφορεξελικτικό αλγόριθμο ως στρατηγική βελτιστοποίησης ενός ασαφούς αλγορίθμου ομαδοποίησης και παράλληλα ενσωματώνει το κριτήριο Bayesian Information με σκοπό την αυτόματη εύρεση του βέλτιστου αριθμού ομάδων. Η ανάλυση των εξαγόμενων ομάδων προσέφερε νέες υποθέσεις σχετικά με τη δυναμική πολλών μοριακών μονοπατιών που εμπλέκονται στην ανοσολογική απόκριση και για πρώτη φορά αναδείχθηκε ο ρόλος των κατασταλμένων διεργασιών στο κινητικό μοντέλο της γρίπης Α. / In the Systems Medicine era, the large scale gene and miRNA expression techniques (e.g. microarrays, RNA-seq) as well as techniques for the detection of protein interactions (e.g. yeast two-hybrid, co-immunoprecipitation) have released mass amounts of data for deciphering the underlying mechanisms of complex diseases. The present PhD thesis contributes by providing new computational methodologies and tools, and by offering novel biological hypotheses for solving complex human diseases. Initially, a good grasp of the current high-throughput molecular techniques was acquired along with familiarization with data mining tecniques such as clustering and with graph-theoretic approaches. Then, a methodology for integrating proteomic and transcriptomic data was designed and a graph clustering algorithm was developed, called Detect Modules (DetMod), which detects, on the composite transcriptome-proteome network, communities/modules with distinct biological function and enhanced association at the dynamic expression level. The performance and reliability of the method was tested and validated in the simple model organism Saccharomyces cerevisiae before solving pharmacogenomics problems such as the transcriptome response mechanisms during tamoxifen response in estogen-response-positive breast cancer cases. The output of the method was dynamic biomarkers of tamoxifen response in the form of modules instead of individual proteins. In parallel, the recent literature associates the mechanisms involved in cancer with those involved in aging. In this context, an adapted methodology similar to the aforementioned was applied in the study of aging. The findings of the method in multiple mouse tissues and on second level in cardiac tissue highlighted the cross-tissue aging molecular pathways as well as the tissue-specific. In the case of cardiac tissue modular biomarkers captured the underlying tissue-specific pathways as well as the synergism of miRNAs. On next level, the response mechanisms to Influenza A (H1N1) were explored through the reconstruction of Gene Regulatory Networks (GRNs), which in turn represent the time-varying causal pathway interactions based on time series expression data. The final time-varying GRN was derived from an ensemble of reconstruction algorithms from different classes of mathematical formalism. The method offered new knowledge for the pathway interactivity until the day 60 after the viral invasion in the mouse lung tissue, from the innate response to the humoral and the late repair phase. Finally, OLYMPUS is presented, a novel unsupervised hybrid clustering algorithm which was applied at time series expression data in response to Influenza A (H1N1). OLYMPUS uses the Differential Evolutionary algorithm as optimization strategy of a fuzzy clustering algorithm and in parallel integrates the Bayesian Information Criterion in order to detect automatically the optimal cluster number. The cluster analysis offered new hypotheses regarding the dynamics of several molecular pathways and for the first time, the role of suppressed biological processes was highlighted in the Influenza A kinetic model.