Differenzierungsentscheidungen von Zellen werden durch die Integration mehrerer Stimuli bestimmt. Die Differenzierung von Helfer-T-Zellen (Th-Zellen) ist hierfür ein gut untersuchtes Beispiel: reife Th-Zellen entwickeln sich beim Kontakt mit einem für sie spezifischen Antigen zu einem spezialisierten Subtyp, der von den in ihrer Umgebung vorhandenen Zytokinen abhängt und exprimieren dann einen spezifischen Mastertranskriptionsfaktor. Die häufigsten Th-Zell-Subtypen sind T-bet-exprimierende Th1-Zellen und GATA-3-exprimierende Th2-Zellen. Neuere Entdeckungen bezüglich der Plastizität von Th-Zell-Subtypen sowie die Existenz von T-bet+GATA-3+ Hybrid-Phänotypen haben die detaillierte Untersuchung vom Differenzierungsprozessen von Th-Zellen mit komplexer Zytokinsignale motiviert. Dazu haben wir systematisch die Zytokine IFN-g, IL-12 und IL-4 während der primären Differenzierung Th-Zellen titriert und Signaltransduktion und Zielgenexpression quantifiziert. Der Umfang und die Komplexität der Daten machten eine systematische Analyse notwendig, um involvierte Mechanismen genau zu identifizieren. Lineare Regressionsanalyse wurde verwendet, um die Netzwerktopologie zu extrahieren, wobei schon bekannte und zahlreiche neue Interaktionen vorausgesagt wurden. Die prognostizierte Netzwerktopologie wurde dann verwendet, um ein mechanistisches, mathematisches Modell der Zytokinsignalintegration zu entwickeln. Diese Methode hat ein hochgradig vernetztes regulatorisches Netzwerk inferiert. Bisher nicht beschriebene Funktionen von STAT-Proteine, die die Neuverkabelung des Netzwerkes während der Differenzierung vermitteln, wurden vorhergesagt. Ausgewählte neue Interaktionen wurden in gezielten genetischen Experimenten bestätigt. Während gegenseitige Inhibitionsmotive oft als kanonische digitale Schalter interpretiert werden, funktioniert das Th-Zell-Netwerk als ein Rheostat, der Variationen der Zytokinsignale in graduelle Expressionsänderungen der Mastertranskriptionsfaktoren übersetzt. Unsere Arbeit erklärt mechanistisch das beobachtete Kontinuum von Th-Zelldifferenzierungszuständen entlang der Th1-Th2-Achse und beschreibt eine quantitative Methode für die datenbasierte Inferenz zellulärer Netzwerke der Signalintegration. / Cell-fate decisions are governed by the integration of multiple stimuli. Th cell differentiation is a well-studied example thereof: mature Th cells differentiate into a specialised subtype upon encounter with their cognate antigen depending on the polarising cytokines present in their environment and start expressing specific master transcription factors. The most common Th cell subtypes are T-bet-expressing Th1 cells and GATA-3-expressing Th2 cells. Recent discoveries concerning the plasticity of Th cell subtypes as well as the existence of stable T-bet+GATA-3+ hybrid Th1/2 phenotypes have stimulated the detailed study of the differentiation process under different assumptions than the hitherto valid paradigm of single master transcription factor expression by using complex cytokine signals as inputs. Here, we developed a data-based approach for inferring the molecular network underlying the differentiation of T-bet- and/or GATA-3 expressing lymphocytes. We performed systematic titrations of the polarising cytokines IFN-g, IL-12 and IL-4 during primary differentiation of Th cells and quantified signal transduction as well as target-gene expression. The size and complexity of the dataset made a systematic analysis necessary to identify the mechanisms involved. To extract the network topology, we used linear regression analysis, retrieving known regulatory mechanisms and predicting numerous novel ones. This network topology was used to develop a mechanistic mathematical model of cytokine signal integration. This approach inferred a highly connected regulatory network. Previously undescribed functions of STAT proteins mediating network rewiring during differentiation were predicted. Selected new interactions were confirmed by experiments using gene-deficient cells. Importantly, while mutual-inhibition motifs are often considered canonical digital switches, the inferred Th-cell network acts as a rheostat, generating a continuum of differentiated states along the Th1-Th2 axis. This work explains the observed Th1-Th2 cell fate continuum mechanistically and provides a quantitative framework for the data-based inference of cellular signal integration networks.

Hochdurchsatzverfahren quantifizieren eine Vielzahl zellulärer Komponenten, können aber selten deren Interaktionen beschreiben. Daher wurden in den letzten 20 Jahren verschiedenste Netzwerk-Rekonstruktionsmethoden entwickelt. Insbesondere Perturbationsdaten erlauben dabei Rückschlüsse über funktionelle Mechanismen in der Genregulierung, Signal Transduktion, intra-zellulärer Kommunikation und anderen Prozessen zu ziehen. Dennoch bleibt Netzwerkinferenz ein ungelöstes Problem, weil die meisten Methoden auf ungeeigneten Annahmen basieren und die Identifizierbarkeit von Netzwerkkanten nicht aufklären. Diesbezüglich beschreibt diese Dissertation eine neue Rekonstruktionsmethode, die auf einfachen Annahmen von Perturbationsausbreitung basiert. Damit ist sie in verschiedensten Zusammenhängen anwendbar und übertrifft andere Methoden in Standard-Benchmarks. Für MAPK und PI3K Signalwege in einer Adenokarzinom-Zellline generiert sie plausible Netzwerkhypothesen, die unterschiedliche Sensitivitäten von PI3K-Mutanten gegenüber verschiedener Inhibitoren überzeugend erklären. Weiterhin wird gezeigt, dass sich Netzwerk-Identifizierbarkeit durch ein intuitives Max-Flow Problem beschreiben lässt. Dieses analytische Resultat erlaubt effektive, identifizierbare Netzwerke zu ermitteln und das experimentelle Design aufwändiger Perturbationsexperimente zu optimieren. Umfangreiche Tests zeigen, dass der Ansatz im Vergleich zu zufällig generierten Perturbationssequenzen die Anzahl der für volle Identifizierbarkeit notwendigen Perturbationen auf unter ein Drittel senkt. Schließlich beschreibt die Dissertation eine mathematische Weiterentwicklung der Modular Response Analysis. Es wird gezeigt, dass sich das Problem als analytisch lösbare orthogonale Regression approximieren lässt. Dies erlaubt eine drastische Reduzierung des nummerischen Aufwands, womit sich deutlich größere Netzwerke rekonstruieren und neueste Hochdurchsatz-Perturbationsdaten auswerten lassen. / 'Omics' technologies provide extensive quantifications of components of biological systems but rarely characterize the interactions between them. To fill this gap, various network reconstruction methods have been developed over the past twenty years. Using perturbation data, these methods can deduce functional mechanisms in gene regulation, signal transduction, intra-cellular communication and many other cellular processes. Nevertheless, this reverse engineering problem remains essentially unsolved because inferred networks are often based on inapt assumptions, lack interpretability as well as a rigorous description of identifiability. To overcome these shortcoming, this thesis first presents a novel inference method which is based on a simple response logic. The underlying assumptions are so mild that the approach is suitable for a wide range of applications while also outperforming existing methods in standard benchmark data sets. For MAPK and PI3K signalling pathways in an adenocarcinoma cell line, it derived plausible network hypotheses, which explain distinct sensitivities of PI3K mutants to targeted inhibitors. Second, an intuitive maximum-flow problem is shown to describe identifiability of network interactions. This analytical result allows to devise identifiable effective network models in underdetermined settings and to optimize the design of costly perturbation experiments. Benchmarked on a database of human pathways, full network identifiability is obtained with less than a third of the perturbations that are needed in random experimental designs. Finally, the thesis presents mathematical advances within Modular Response Analysis (MRA), which is a popular framework to quantify network interaction strengths. It is shown that MRA can be approximated as an analytically solvable total least squares problem. This insight drastically reduces computational complexity, which allows to model much bigger networks and to handle novel large-scale perturbation data.