Meine Arbeit beschäftigt sich mit der Rekonstruktion genregulatorischer Netze, um die Funktionalität von Organismen und ihre Reaktionen auf die vielfältigen externen Einflussfaktoren besser zu verstehen. Die Analyse kurzer, zeitaufgelöster Daten mit Hilfe von Assoziationsmaßen kann dabei erste wesentliche Einblicke in mögliche Wechselwirkungskreisläufe liefern. In einer umfangreicher Vergleichstudie untersuche ich die Effizienz der Netzwerkrekonstruktion bei der Anwendung verschiedener Maße und Bewertungsschemata. Weiterhin führe ich IOTA (inner composition alignment) als ein neues asymmetrisches, permutationsbasiertes Ähnlichkeitsmaß ein, welches ein effektives Werkzeug zur Rekonstruktion gerichteter Netzwerke ohne die Verwendung zusätzlicher Bewertungsschemata darstellt. In meiner Arbeit betrachte ich verschiedene Modifikationen dieses Maßes und untersuche deren Eigenschaften. Dabei zeige ich, dass IOTA geeignet ist, um statistisch signifikante gerichtete, nichtlineare Kopplungen in verschiedenen Zeitreihen (autoregressive Prozesse, Michaelis-Menten Kinetik und chaotische Oszillatoren in verschiedenen Regimen) und Autoregulation zu untersuchen. Weiterhin erlaubt IOTA, ebenso wie die Korrelationsmaße, die Spezifizierung des Types der Regulation (Aktivierung oder Repression), was es zu dem einzigen Maß macht, dass die Ableitung aller für die Rekonstruktion genregulatorischer Netzwerke erforderlichen Kenndaten ermöglicht. Schließlich nutze ich das neuen Ähnlichkeitsmaß IOTA, um ein genregulatorisches Netzwerk für die Grünalgenart Chlamydomonas reinhardtii unter Kohlenstoffmangel aus experimentellen Daten abzuleiten. / My thesis is about reconstructing gene regulatory networks in order to better understand the functionality of organisms and their reactions to various external influences. In this context, the analysis of short, time-resolved measurements with association measures can yield crucial insights into possible interactions. In an extensive comparison study, I examine the efficiency of different measures and scoring schemes for solving the network reconstruction problem. Furthermore, I introduce IOTA (inner composition alignment), a novel asymmetric, permutation-based association measure, as an efficent tool for reconstructing directed networks without the application of additional scoring schemes. In my thesis, I analyze the properties of various modifications of the measure. Moreover, I show that IOTA is valuable to study significant, directed, nonlinear couplings in several time series (autoregressive processes, Michaelis-Menten kinetics and chaotic oscillators in different dynamical regimes) , as well as autoregulation. In addition, IOTA, similar to correlation measures, permits to identify the type of regulation (activation or repression). Hence, it is the only measure that can determine all necessay characteristics when reconstruction regulatory networks. Finally, I apply the novel association measure IOTA to infer a gene regulatory network for the green algae Chlamydomas reinhardtii under carbon deprivation from experimally obtained data.