Krebs und Infektionskrankheiten, wie z.B. Influenza, stellen zwei der großen Bedrohungen für die Menschheit dar. Gerade durch den demographischen Wandel sind immer mehr Menschen gefährdet. Mathematische Modelle von Krankheiten decken verschiedene Detailebenen ab -- von epidemologischen Modellen der Virusinfektion bis zu intrazellulären Modellen der Signaltransduktion in einzelnen Krebszellen. Diese Modelle, sofern sie anhand von biologische Daten kalibriert wurden, können sich als sehr nützlich erweisen um Hypothesen zu bisher unbekannten Wechselwirkungen zu generieren, Wirkstoffkandidaten vorherzusagen, und die Funktionsweise von existierenden Wirkstoffen besser zu verstehen. Im Rahmen dieser Arbeit möchte ich mehrere Projekte vorstellen, in denen prädiktive mathematische Modelle dazu benutzt wurden, tiefere Einblicke in die biologischen Prozesse zu gewinnen und die Therapieansätze bei Krebserkrankungen und den damit verbundenen Gesundheitsproblemen zu verbessern. Im ersten Teil geht es um die Bedeutung von gemeinschaftlich entwickelter Software für die Systembiologie. Eine offene und erweiterbare Modellierungssoftware ermöglicht es ständig verbessert zu werden und an die Bedürfnisse der Nutzer angepasst zu werden. Im zweiten Projekt wurden die intrazellulären Prozesse während der frühen Influenza A Infektion untersucht. Durch eine Kombination von biologischen Messungen und mathematischer Modellierung konnte der Abbau von viraler RNA wähernd des Transportes durch das Wirtszellzytoplasma als limitierender Faktor für die erfolgreiche Infektion identifiziert werden. Mit Hilfe eines experimentell modifizierten viralen Hämagglutintin-Proteins mit veränderter pH-Abhängigkeit konnte gezeigt werden, dass sich der Abstand zum Zellkern, in dem das virale Genom freigesetzt wird, vergrößert. Die Modellvorhersage, dass die Infektion dadurch weniger effektiv wird, konnte experimentell bestätigt werden. Im dritten Projekt beschäftigte ich mich mit gesundheitlichen Problemen, die im Zusammenhang mit einer Krebserkrankung und deren Behandlung auftreten können. Chemotherapie oder die Krebserkrankung selbst führt bei vielen Patienten zu einer Blutarmut (Anämie). Diese wird aktuell entweder durch regelmäßige Bluttransfusionen oder durch Verabreichung von sogenannten Erythropoiesis-Stimulating Agents (kurz: ESA, zu Deutsch: Erythropoese-stimulierende Substanzen) behandelt. Mithilfe eines publizierten mathematischen Modells zur ESA-EpoR Interaktion konnten die Bindungseigenschaften verschiedener ESAs charakterisiert und zudem die Anzahl der Bindungsstellen auf unterschiedlichen Zelllinien bestimmt werden. Durch eine Erweiterung des Modells mit einem pharmakokinetischen und -dynamischen Teil konnte die Dosierung für Anämiepatienten retrospektiv verbessert werden. Das letzte Projekt stellt eine computerbasierte Methode zur Analyse und Entschlüsselung der zellulären Zusammensetzung von Tumorproben dar. In den vergangenen Jahren wurde vermehrt eine neue Klasse von Krebsmedikamenten entwickelt, die sich das körpereigene Immunsystem zunutze macht, um den Krebs zu bekämpfen. Das Funktionieren dieser Medikamente hängt jedoch davon ab, ob bestimmte Immunzellen in der Umgebung des Tumors vorhanden sind. Auf Grundlage von Einzelzell RNA-Sequenzierungsdaten konnte eine existierende Methode so erweitert werden, dass nunmehr auch Proben von soliden Tumoren entschlüsselt werden können. Zudem wurden die Einflüsse von verschiedenen Faktoren, wie etwa der Gewebeherkunft oder dem verwendeten Algorithmus, systematisch ausgewertet. Zusammengefasst habe ich in dieser Arbeit dargestellt, wie prädiktive Computermodelle dazu verwendet werden können bestehende Behandlungsansätze zu verbessern und neue Wirkstoffkandidaten zu identifizieren. / Cancer and infectious diseases, such as influenza infection, represent major threats to the human population, especially since demographic change makes more and more people vulnerable. Mathematical modeling of disease covers several layers of detail ranging from epidemiological models for infection spread to cancer-associated signaling within individual cells. These models, when being calibrated to biological data, can provide useful means for generating hypothesis of priorly unknown interactions, predicting drug targets for novel therapeutic substances and for improving the understanding and efficient functioning of existing treatment strategies. In this thesis, I present several projects in which predictive computational models are utilized to gain deeper insights into the biological processes and to improve therapy of cancer and associated health problems. The first part highlights the importance of community-driven software development for systems biology applications. Efficient, yet expandable and open software continuously improves, driven by an active community of users and developers. In the second project, the intracellular processes during the early influenza A infection are investigated. Using a combination of experimental measurements and mathematical modeling, degradation of the viral genome during its diffusion through the cytoplasm could be identified as a limiting factor for a successful infection. By experimentally increasing the pH sensitivity of the viral hemagglutinin protein, the distance of diffusion was increased and the computationally predicted decrease in infectivity could be validated in experiment. The third project deals with cancer-associated health issues and their treatment. Patients suffering from anemia, caused by the cancer itself or as a side-effect of chemotherapy, are treated either with blood transfusions or with an erythropoiesis stimulating agent (ESA). By adapting a published model of ESA-EpoR interaction, not only the biochemical properties of different ESAs could be characterized in silico but also the number of binding sites (i.e. Epo receptors on the cell surface) in different cell lines was accurately determined. The model was extended by a pharmaco-kinetic and -dynamic part. The combined ESA-EpoR-PK/PD model could be utilized to retrospectively optimize the dosing regimen of patients suffering from anemia. In the last project, a computational method for analyzing and deciphering the cellular composition of bulk tumor samples is presented. Only recently, a new class of anti-cancer drugs was introduced recruiting the body’s own immune system to combat malignant tissue. However, the efficient functioning of these immunotherapeutical drugs heavily depends on the presence of specific immune cells in the tumor micro-environment. Based on single-cell RNA sequencing data, an existing method for computational deconvolution could be adapted for data from solid tumor tissue and its performance was benchmarked. Taken together, in this thesis I present approaches how predictive computational models can be utilized to render more efficient existing treatment strategies.

Viele biologische Prozesse im Verhalten von ganzen Organismen, aber auch in den Prozessen und der biochemischen Zusammensetzung von Zellen zeigen einen zirkadianen Rhythmus, also einen Rhythmus mit einer Periode von etwa 24 Stunden. Diese 24-Stunden-Rhythmen sind in der Genexpression auf allen Ebenen zu finden: von der Tran- skriptionsinitiation bis zur Proteindegradation. Auf Transkriptebene, zirkadiane mRNA-Produktion und mRNA-Abundanz ist umfassend gemessen. Auf der anderen Seite, zirkadiane posttranskriptionelle Regulation ist weit weniger verstanden. In dieser Arbeit untersuche ich, wie bisher ungemessene, posttranskriptionelle Prozesse die rhythmischen Eigenschaften der Genexpression beeinflussen. Dazu beschreibe ich die Lebensstadien eines Bio-Moleküls mit einem Modell-Motiv, einer einfachen Differentialgleichung mit zeitabhängigen, rhythmischen Raten. Als erstes diskutiere ich die Einschränkungen von Phase und Amplitude zirkadianer Transkripte, die nur von konstanter PTR beeinflusst werden. Bei vielen gemessenen Transkripten sind diese Einschränkungen verletzt. In diesen Fällen muss es eine rhythmische PTR geben. Ich untersuche, welche rhythmische PTR diese Fälle erklären können und führe einen statistischen Test ein, der auf unbeobachtete, rhythmische PTR testet. Durch die Analyse zweier Datensätze von Mausleber und -niere finde ich, dass 18% aller zirkadianen Gene in Niere und 34% in Leber rhythmisch posttranskriptionell reguliert sind. Im zweiten Teil analysiere ich weitere Aspekte von PTR in einem Hypothesen-getriebenen Ansatz. Ich zeige, dass Spleißen mit einem Rhythmus von 24 Stunden 12 Stunden-Rhythmen in der Abundanz von mRNA erzeugen kann. Als nächstes schlage ich ein Modell vor, das rhythmische Degradation von Mitgliedern der zirkadianen Uhr beschreibt. Schließlich erweitere ich das Modell-Grundmotiv zu einer partiellen Differentialgleichung (PDG), die das “Altern” von Molekülen beschreibt. / In almost all organisms on Earth, many behavioral, physiological, and biochemical activities oscillate with a circadian rhythm, a rhythm with a period of about 24 hours. In gene expression, the 24-hour-rhythm can be found on all stages: from transcription initiation to protein degradation. On the transcript level, circadian mRNA production and mRNA abundance are comprehensively charted through numerous genome-wide high throughput studies. Circadian post-transcriptional regulation, however, is less well understood. In this thesis, I will investigate how unobserved post-transcriptional processes influence rhythmic properties of gene expression. To this end, I quantify the life-stages of biomolecules using one modeling motif, a simple ordinary differential equation describing production and degradation with time-dependent rhythmic rates. This basic modeling motif is systematically varied to examine and discuss various influences of post-transcriptional regulation (PTR) on circadian mRNA expression. I first discuss the restrictions of rhythmic phase and amplitude of circadian transcripts influenced by non-rhythmic PTR. For many genes these restrictions are violated and we have to assume the existence of a rhythmic PTR. I discuss which rhythmic PTR can explain these findings and further introduce a statistical test to quantify the extent of unobserved rhythmic PTR. Analyzing two data sets on mouse liver and kidney, I find that 18% of circadian genes in kidney and 34% in liver are under rhythmic post-transcriptional control. In a second part, I analyze more specific aspects of PTR in a hypothesis-driven approach. Firstly, I find that splicing with a rhythm of 24 hours is able to generate 12-hour rhythms in abundance of mature mRNA. Secondly, I propose and analyze a model to investigate rhythmic degradation of core clock genes. And finally, I extend the core modeling motif to a partial differential equation (PDE) model that accounts for the “aging” process of molecules.

In dieser Arbeit wird das Konzept der Scopes und auf großskalige metabolische Netzwerke angewendet. Scopes beschreiben die Synthesekapazität eines Netzwerkes, wenn dieses mit bestimmten Ausgangsstoffen versorgt wird. Dabei werden für definierte Ausgangsstoffe alle durch das Netzwerk synthetisierbaren Stoffe berechnet. In dieser Arbeit wird insbesondere das Referenznetzwerk der KEGG-Datenbank untersucht, welches Reaktionen unabhängig von ihrem Vorkommen in unterschiedlichen Organismen enthält. Es werden die Synthesekapazitäten systematisch für alle Einzelstoffe und für einige Stoffkombinationen errechnet und untersucht. Der Effekt von Kofaktoren wird analysiert. Desweiteren ist es möglich, Kombinationen von Ausgangsstoffen zu finden, aus denen wichtige Metabolite der Zelle produziert werden können. Somit kann der Nährstoffbedarf einer Zelle abgeschätzt werden. Im zweiten Teil wird eine Hierarchie der Scopes basierend auf Inklusionsrelationen zwischen diesen erstellt. Diese Hierarchie kann mit der chemischen Komposition der enthaltenen Stoffe, also mit deren chemischen Bausteinen, den Elementen oder Gruppen, in Verbindung gebracht werden. Dabei erhalten Scopes mit sehr häufigen Bausteinkombinationen eine hervorgehobene Rolle in der Hierarchie. Die Scopehierarchie kann mit der Autotrophie des Netzwerkes in Zusammenhang gebracht werden. Der dritte Teil beschäftigt sich mit möglichen Änderungen in der Topologie des Netzwerkes und deren Auswirkungen auf die Scopes. Es stellt sich heraus, dass die Synthesekapazitäten sich im allgemeinen sehr robust gegenüber solchen Veränderungen verhalten. Die Methodik ist im übrigen auch geeignet um Lücken im biochemischen Wissen aufzuspühren und dadurch die Kenntnisse über den Metabolismus zu erweitern. Außerdem zeigen die getätigten Analysen evolutionäre Ziele hinter der Konstruktion metabolischer Netzwerke auf. / In this work, the concept of scopes is introduced and applied to large scale metabolic networks. The scopes represent functional measures, describing the synthesizing capacity of a metabolic network if supplied with a predefined set of resources. For a given set of initial metabolites, the seed, all possible products are determined using the stoichiometric information of the network. Specifically, the organism independent KEGG reference network is analyzed. The first part of this work describes possible applications of the scopes, including the determination of the synthesizing capacities of different compounds and sets of compounds, the study of the effect of cofactors on the capacities of metabolic networks or the identification of possible nutrient sets required for the maintenance of a cell. In the second part, the scopes of different seed compounds are systematically analyzed and put in relation to one another. A hierarchy is generated representing the inclusion relations of the scopes. Interestingly, this hierarchy reflects the chemical composition, i.e. the chemical elements or chemical groups of the contained compounds. Scopes containing frequently used chemical elements or groups are represented by high degree nodes in this hierarchy. A subhierarchy of these characteristic scopes is described and brought in relation to the autotrophy of the network. In the third part, the effect of modifications in the topology of metabolic networks is analyzed. It turns out that the scopes are generally robust against the deletion of single and even multiple reactions. Also, the influence of limitations in the metabolic knowledge on the results is discussed and possibilities for improvements are indicated. The performed analyses reveal evolutionary objectives behind the construction of metabolic networks. In particular, hypotheses about design, autotrophy or robustness of metabolic networks can be inferred.

Systembiologie strebt danach, biologische Netzwerke dynamisch zu modellieren. Zwei Erfordernisse sind zuhierfür erfüllen. Erstens müssen die Interaktionsnetzwerke bekannt sein. Zweitens muss die Dynamik einerjeden Interaktion aufgedeckt werden. Die Dynamik von Interaktionen werden durch Ratengleichungen beschrieben unter Verwendung von Kinetiken. Diese Kinetiken beschreiben den Interaktionsmechanismus. Für jede einzelne Interaktion des Netzwerkes sind die Parameter durch das Experiment zu bestimmt. Für enzymkatalysierte Reaktionen zum Beispiel werden Messungen durchgeführt, in welchen der Verbrauch des Substrates aufgezeichnet wird. Für viele Enzyme jedoch sind weder der Mechanismus geschweige denn die Parameter bekannt. Und vorhandene Daten sind gewöhnlich von mangelhafter Qualität. Nach einer Einführung in die kinetische Modellierung metabolischer Netzwerke betrachten wir ein veröffentlichtes künstliches genetisches Netzwerk, das entweder einem stationären Zustand zustrebt oder in Abhängigkeit eines kritschen Parameters in einen dauerhaften Schwingungszustand übergeht. Dieser kritsche Parameter ist der Hillkoeffizient in der Wechselwirkung zwischen einem Gen und dem anderen. Für verschiedene Parameterwahlen untersuchen wir, bei welchemWert des Hillkoeffizienten eine Bifurkation auftritt. Auf diese Weise ermitteln wir die Verteilung des kritschen Parameters, der nicht analytisch berechnet werden kann. Wir fahren dann fort und untersuchen nützliche Datenquellen für die Parametrisierung von kinetischen Modellen metabolischer Netzwerke und sammelnsie in einer elektronischen Ressource, um sie auf elektronischem Wege zugänglich und nutzbar zu machen. Dies erfordert, Standardreferenzen zu wählen für die Benennung der Komponenten biologischer Netzwerke. Schließlich beschreiben wir einen Arbeitsablauf, während desselben die Datenbank verwendet wird zur Parametrisierung von kinetischen Modellen metabolischer Netzwerke. / Systems biology seeks to model biological networks dynamically. Two requirements need to be fulfilled for this to be possible. First, the interaction networks need to be known. Second, the dynamics of the interactions have to be revealed. Dynamics of interactions are described by rate laws using kinetics. These kinetics describe the interaction mechanism. For each single interaction occurring in a biological networkparameters have to specified. They have to be measured by experiments. For enzyme catalysed reactions, for example, the parameters are measured by enzyme assays tracking the consumption of substrate. For many enzymes parameters and kinetic mechanism are not known. And existing data for parameters generally are ofpoor quality. After introducing kinetic modelling of metabolic networks we consider a published artificial genetic network that can either tend to a steady state or exhibit sustained oscillations depending on a critical parameter. This critical parameter is the Hill coefficient in the interaction from one gene with the other. For different parameter settings we examine at what value of the Hill coefficient a bifurcation occurs. At this point the network begins to oscillate. We thus assess the distribution of the critical values, a property that cannot be calculated analytically. We then go on to consider useful data sources for parmetrisation of kinetic models of metabolic networks and collect them in an electronical resource to make them electronically accessible and usable. This requires choosing standard references for the designation of components of biological networks. Finally we describe a workflow in which this data resource is used for automatic parametrisation of kinetic models of metabolic networks.

Jedes Jahr infizieren sich mehr als 200 Millionen Menschen mit Malaria. Eine halbe Millionen von ihnen verstirbt. Die Mehrzahl der Krankheits- und Todesfälle wird durch den Parasiten Plasmodium falciparum verursacht, einen von sechs Stämmen von Malariaparasiten, der Menschen infizieren kann. Der P. falciparum-Parasit hat in unterschiedlichem Maße Resistenzen gegen die meisten derzeit verwendeten Malariamittel entwickelt, und es besteht ein ständiger Bedarf an der Entwicklung neuer Malariamedikamente. Zwei Wirkstoffe, die sich derzeit in der klinischen Erprobung gegen Malaria befinden, zielen auf ’Ionenpumpen’ in der Oberflächenmembran des Malariaparasiten ab. Die Ionenregulation im Parasiten P. falciparum war in den letzten Jahrzehnten Gegenstand umfangreicher Forschung, welche zu einem allgemeinen Verständnis darüber geführt, wie der Parasit seine interne Ionenhaushalt reguliert. Es wurde jedoch noch nicht versucht, diese Erkenntnisse in ein quantitatives Modell zu integrieren. In dieser Arbeit habe ich ein mathematisches Modell für die Ionenhomöostase im asexuellen, intra-erythrozytären Stadium des Parasiten P. falciparum entwickelt. Das Modell bietet neue Einblicke in bisher unerklärte, experimentelle Beobachtungen und sagt die Wechselwirkungen von Ionentransport-Inhibitoren voraus. Das neu entwickelte Modell der Ionenregulation im Parasiten wurde in ein bereits bestehendes mathematisches Modell der Ionenregulation im Wirtserythrozyten integriert, um ein vorläufiges "kombiniertes Modell" des parasiteninfizierten Erythrozyten als Ganzes zu erstellen. Die Ergebnisse dieses kombinierten Modells wurden mit den Ergebnissen einer begrenzten Anzahl von Experimenten verglichen, die im Rahmen dieser Arbeit durchgeführt wurden. In diesen Experimenten wurde die Veränderung der infizierten Erythrozyten nach verschiedenen osmotischen Störungen gemessen. Die im Rahmen dieser Arbeit durchgeführte mathematische Modellierung trägt zum Verständnis der gegenseitigen Abhängigkeiten bei, die bei der Ionenregulierung des Malariaparasiten eine Rolle spielen, und bietet einen Rahmen für das Verständnis der Auswirkungen von "Ionentransport-hemmenden" Malariamitteln. / Malaria is currently responsible for more than 200 million estimated cases and half a million deaths annually, with the majority of cases and deaths attributable to Plasmodium falciparum, one of six strains of malaria parasite able to infect humans. The P. falciparum parasite has developed varying degrees of resistance against most, if not all, of the antimalarial drugs currently available and there is an ongoing need to develop new antimalarial agents. Two compounds, which are currently in clinical trials against malaria target an ’ion pump’ on the surface membrane of the malaria parasite. Ion regulation in the P. falciparum parasite has been the subject of extensive studies over recent decades. This research has led to a general understanding of how the parasite regulates its internal ionic composition. However, there has not yet been any attempt to integrate these findings into a quantitative model. In the work presented in this thesis, I have developed a mathematical model for ion homeostasis in the asexual intra-erythrocytic blood-stage of the P. falciparum parasite. The model provides new insights into formerly unexplained in vitro observations and predicts interactions of ion transport inhibitors. The newly formulated model of ion regulation in the parasite was integrated with a pre-existing mathematical model for ion regulation in the host erythrocyte to generate a preliminary ’combined model’ of the parasite-infected erythrocyte as a whole. Outputs from this combined model were compared to the results from a limited number of experiments conducted in the course of this thesis. These experiments entailed measuring the change of infected erythrocytes following different osmotic perturbations. The mathematical modelling conducted in the course of this work adds to the understanding of the interdependencies involved in malaria parasite ion regulation and provides a framework to help understand the effects of ’ion-transport-inhibiting’ antimalarial agents.

Mathematische Modellierung ist ein wichtiges Werkzeug biologischer Forschung geworden, was sich in der Entstehung von Systembiologie widerspiegelt. Eine erfolgreiche Anwendung mathematischer Methoden auf biologische Fragen erfordert die Zusammenarbeit zwischen experimentell und theoretisch arbeitenden Wissenschaftlern, auch um sicherzustellen, dass die Biologie im Modell adäquat dargestellt wird. Ich präsentiere hier zwei Untersuchungen zur Anpassung von Saccharomyces cere- visae an hyperosmotische Bedingungen: Eine biologisch detailgetreue Beschreibung der Signaltransduktion zur Aktivierung von Hog1 und ein Model, das Anpassung an osmotischen Stress in zellulärem Zusammenhang beschreibt. Die Studie zur Osmoadaptation in zellulären Kontext impliziert, dass Hog1 und Fps1, zwei wichtige Bausteine dieses Adaptationsvorgangs, miteinander in Wechselwirkung treten und dies zur Anpassung beiträgt. Dieses Ergebnis wird durch die Integration verschiedener Hefestämme mit zum Teil gegensätzlich wirkenden Mutationen ermöglicht. Diese Studie offenbart des weiteren, dass die Rolle von Glycerol in der langfristigen Anpassung bisher überschätzt wurde. Die hier präsentierten Ergebnisse zeigen, dass Glycerol als ’Not’-Osmolyt eingesetzt wird und andere Stoffe, z.B. Trehalose, erheblich zu dauerhafter Osmoadaptation beitragen. Durch die Betrachtung des Zustands mehrerer zellulärer Mechansimen wird deutlich, dass Osmoadaptation stark vom Kontext abhängig ist und nicht perfekt ist. Der Preis schlägt sich in langsamerem Wachstum nieder. Zeitabhängige Sensitivitätsanalyse des Modells untermauert diese Hypothese. Die gewählte Perspektive ermöglicht die Betrachtung von intrazellulären Signaltransduktionskomponenten, Metaboliten und des Wachstums. Der Vergleich mit einer Studie, die Anpassung an osmotischen Stress als perfekte Adaptation auf Grund eines vereinfachten Modells beschreibt, hebt die Rolle der gewählten Perspektive zum Verständnis biologischer Systeme hervor. / Mathematical modeling has become an important tool in biology, reflected in the emergence of systems biology. Successful application of mathematical methods to biological questions requires collaboration of experimental and theoretical scientists to identify and study the problem at hand and to ensure that biology and model match. In this thesis, I present two studies on adaptation to hyperosmotic conditions in the yeast Saccharomyces cerevisae: A biologically faithful description of the signaling pathways activating Hog1 and a model integrating the effects of Hog1-activity and cellular metabolism, describing osmoadaptation in cellular context. The study of osmoadaptation in cellular context suggests that Hog1 and Fps1, two crucial components of adaptation, interact upon hyperosmotic stress. This finding is facilitated by incorporating multiple strains with mutations leading to partly oppositional phenotypes. This study further reveals that the role of glycerol in long term adaptation has been overestimated so far. According to the results presented here, glycerol is utilized as an ’emergency’ osmoprotectant and other compounds, e.g. trehalose, contribute significantly to osmoadaptation. Accounting for the state of multiple cellular mechanisms (Hog1-activity, glycolysis, growth) shows that adaptation to hyperosmotic stress and the impact of the individual mechanisms of adaptation is context dependent and that adaptation to sustained osmostress is not perfect, the expense reflected in a reduced growth rate in hyperosmotic medium. Time-dependent sensitivity analysis supports the notion of context. The perspective chosen allows observations on intracellular signaling components, metabolites and growth speed. Comparison with a study that describes osmoadaptation as perfect adaptation highlights the role of this perspective for the conclusions drawn, thus emphasizing the importance of an integrative perspective for understanding biological systems.

Das Verhalten Biologischer Systeme wird durch eine Vielzahl regulatorischer Prozesse beeinflusst, die sich auf verschiedenen Ebenen abspielen. Die Forschung an diesen Regulationen hat stark von den großen Mengen von Hochdurchsatzdaten profitiert, die in den letzten Jahren verfügbar wurden. Um diese Daten zu interpretieren und neue Erkenntnisse aus ihnen zu gewinnen, hat sich die mathematische Modellierung als hilfreich erwiesen. Allerdings müssen die Daten vor der Integration in Modelle aggregiert und analysiert werden. Wir präsentieren vier Studien auf unterschiedlichen zellulären Ebenen und in verschiedenen Organismen. Zusätzlich beschreiben wir zwei Computerprogramme die den Vergleich zwischen Modell und Experimentellen Daten erleichtern. Wir wenden diese Programme in zwei Studien über die MAP Kinase (MAP, engl. mitogen-acticated-protein) Signalwege in Saccharomyces cerevisiae an, um Modellalternativen zu generieren und unsere Vorstellung des Systems an Daten anzupassen. In den zwei verbleibenden Studien nutzen wir bioinformatische Methoden, um Hochdurchsatz-Zeitreihendaten von Protein und mRNA Expression zu analysieren. Um die Daten interpretieren zu können kombinieren wir sie mit Netzwerken und nutzen Annotationen um Module identifizieren, die ihre Expression im Lauf der Zeit ändern. Im Fall der humanen somatischen Zell Reprogrammierung führte diese Analyse zu einem probabilistischen Boolschen Modell des Systems, welches wir nutzen konnten um neue Hypothesen über seine Funktionsweise aufzustellen. Bei der Infektion von Säugerzellen (Canis familiaris) mit dem Influenza A Virus konnten wir neue Verbindungen zwischen dem Virus und seinem Wirt herausfinden und unsere Zeitreihendaten in bestehende Netzwerke einbinden. Zusammenfassend zeigen viele unserer Ergebnisse die Wichtigkeit von Datenintegration in mathematische Modelle, sowie den hohen Grad der Verschaltung zwischen verschiedenen Regulationssystemen. / The behavior of all biological systems is governed by numerous regulatory mechanisms, acting on different levels of time and space. The study of these regulations has greatly benefited from the immense amount of data that has become available from high-throughput experiments in recent years. To interpret this mass of data and gain new knowledge about studied systems, mathematical modeling has proven to be an invaluable method. Nevertheless, before data can be integrated into a model it needs to be aggregated, analyzed, and the most important aspects need to be extracted. We present four Systems Biology studies on different cellular organizational levels and in different organisms. Additionally, we describe two software applications that enable easy comparison of data and model results. We use these in two of our studies on the mitogen-activated-protein (MAP) kinase signaling in Saccharomyces cerevisiae to generate model alternatives and adapt our representation of the system to biological data. In the two remaining studies we apply Bioinformatic methods to analyze two high-throughput time series on proteins and mRNA expression in mammalian cells. We combine the results with network data and use annotations to identify modules and pathways that change in expression over time to be able to interpret the datasets. In case of the human somatic cell reprogramming (SCR) system this analysis leads to the generation of a probabilistic Boolean model which we use to generate new hypotheses about the system. In the last system we examined, the infection of mammalian (Canis familiaris) cells by the influenza A virus, we find new interconnections between host and virus and are able to integrate our data with existing networks. In summary, many of our findings show the importance of data integration into mathematical models and the high degree of connectivity between different levels of regulation.

Der Zellzyklus organisiert die Zellteilung, und kontrolliert die Replikation der DNA sowie die Weitergabe des Genoms an die nächste Zellgeneration. Er unterliegt einer strengen Kontrolle auf molekularer Ebene. Diese molekularen Kontrollmechanismen sind für das Überleben eines Organismus essentiell, da Fehler Krankheiten begüngstigen können. Vor allem Krebs ist assoziiert mit Abweichungen im Ablauf des Zellzyklus. Die Aufklärung solcher Kontrollmechanismen auf molekularer Ebene ermöglicht einerseits das Verständnis deren grundlegender Funktionsweise, andererseits können solche Erkenntnisse dazu beitragen, Methoden zu entwickeln um den Zellzyklus steuern zu können. Um die molekularen Abläufe des Zellzyklus in ihrer Gesamtheit besser zu verstehen, eignen sich computergestützte Analysen. Beim Zellzyklus handelt es sich um einen Signaltransduktionsweg. Die Eigenschaften dieser Prozesse stellen Rekonstruktion und Übersetzung in digital lesbare Formate vor besondere Herausforderungen in Bezug auf Skalierbarkeit, Simulierbarkeit und Parameterschätzung. Diese Studie präsentiert eine großskalige Netzwerkrekonstruktion des Zellzyklus des Modellorganismus Saccharomyces cerevisiae. Hierfür wurde die reaction-contingency Sprache benutzt, die sowohl eine mechanistisch detaillierte Rekonstruktion auf molekularer Ebene zulässt, als auch deren Übersetzung in ein bipartites Boolesches Modell. Für das Boolesche Modell mit 2506 Knoten konnte ein zyklischer Attraktor bestimmt werden, der das Verhalten einer sich teilenden Hefezelle darstellt. Das Boolesche Modell reproduziert zudem das erwartete phänotypische Verhalten bei Aktivierung von vier Zellzyklusinhibitoren, und in 32 von 37 getesteten Mutanten. Die Rekonstruktion des Zellzyklus der Hefe kann in Folgestudien genutzt werden, um Signaltransduktionswege zu integrieren, die mit dem Zellzyklus interferieren, deren Schnittstellen aufzuzeigen, und dem Ziel, die molekularen Mechanismen einer ganzen Zelle abzubilden, näher zu kommen. Diese Studie zeigt zudem, dass eine auf reaction- contingency Sprache basierte Rekonstruktion geeignet ist, um ein biologisches Netzwerk konsistent mit empirischer Daten darzustellen, und gleichzeitig durch Simulation die Funktionalität des Netzwerkes zu überprüfen. / The survival of a species depends on the correct transmission of an intact genome from one generation to the next. The cell cycle regulates this process and its correct execution is vital for survival of a species. The cell cycle underlies a strict control mechanism ensuring accurate cell cycle progression, as aberrations in cell cycle progression are often linked to serious defects and diseases such as cancer. Understanding this regulatory machinery of the cell cycle offers insights into how life functions on a molecular level and also provides for a better understanding of diseases and possible approaches to control them. Cell cycle control is furthermore a complex mechanism and studying it holistically provides for understanding its collective properties. Computational approaches facilitate holistic cell cycle control studies. However, the properties of the cell cycle control network challenge large-scale in silico studies with respect to scalability, model execution and parameter estimation. This thesis presents a mechanistically detailed and executable large-scale reconstruction of the Saccharomyces cerevisiae cell cycle control network based on reaction- contingency language. The reconstruction accounts for 229 proteins and consists of three individual cycles corresponding to the macroscopic events of DNA replication, spindle pole body duplication, and bud emergence and growth. The reconstruction translated into a bipartite Boolean model has, using an initial state determined with a priori knowledge, a cyclic attractor which reproduces the cyclic behavior of a wildtype yeast cell. The bipartite Boolean model has 2506 nodes and correctly responds to four cell cycle arrest chemicals. Furthermore, the bipartite Boolean model was used in a mutational study where 37 mutants were tested and 32 mutants found to reproduce known phenotypes. The reconstruction of the cell cycle control network of S. cerevisiae demonstrates the power of the reaction-contingency based approach, and paves the way for network extension with regard to the cell cycle machinery itself, and several signal transduction pathways interfering with the cell cycle.

Zelluläre Entscheidungen, wie z. B. die Differenzierung von T-Helferzellen (Th-Zellen) in spezialisierte Effektorlinien, haben großen Einfluss auf die Spezifität von Immunreaktionen. Solche Reaktionen sind das Ergebnis eines komplexen Zusammenspiels einzelner Zellen, die über kleine Signalmoleküle, so genannte Zytokine, kommunizieren. Die hohe Anzahl der Komponenten, sowie deren komplizierte und oft nichtlineare Interaktionen erschweren dabei die Vorhersage, wie bestimmte zelluläre Reaktionen erzeugt werden. Aus diesem Grund sind die globalen Auswirkungen der gezielten Beeinflussung einzelner Zellen oder spezifischer Signalwege nur unzureichend verstanden. So wirken beispielsweise etablierte Behandlungen von Autoimmunkrankheiten oft nur bei einem Teil der Patienten. Durch Einzelzellmethoden wie Live-Cell-Imaging, Massenzytometrie und Einzelzellsequenzierung, können Immunzellen heutzutage quantitativ auf mehreren Ebenen charakterisiert werden. Diese Ansammlung quantitativer Daten erlaubt die Formulierung datengetriebener Modelle zur Vorhersage von zellulären Entscheidungen, allerdings fehlen in vielen Fällen Methoden, um die verschiedenen Daten auf geeignete Weise zu integrieren und zu annotieren. Die vorliegende Arbeit befasst sich mit quantitativen Modellformulierungen für die Entscheidungsfindung von Zellen im Immunsystem mit dem Schwerpunkt auf Lymphozytenproliferation, -differenzierung und -tod. / Cellular decisions, such as the differentiation of T helper (Th) cells into specialized effector lineages, largely impact the direction of immune responses. Such population-level responses are the result of a complex interplay of individual cells which communicate via small signaling molecules called cytokines. The system's complexity, stemming not only from the number of components but also from their intricate and oftentimes non-linear interactions, makes it difficult to develop intuition for how cellular responses are actually generated. Not surprisingly, the global effects of targeting individual cells or specific signaling pathways through perturbations are poorly understood. For instance, common treatments of autoimmune diseases often work for some patients, but not for others. Recently developed methods such as live-cell imaging, mass cytometry and single-cell sequencing now enable quantitative characterization of individual immune cells. This accumulating wealth of quantitative data has laid the basis to derive predictive, data-driven models of immune cell behavior, but in many cases, methods to integrate and annotate the data in a way suitable for model formulation are missing. In this thesis, quantitative workflows and methods are introduced that allow to formulate data-driven models of immune cell decision-making with a particular focus on lymphocyte proliferation, differentiation and death.

An der Interpretation extrazellulärer Signale beteiligte Regulationsnetzwerke sind von zentraler Bedeutung für alle Organismen. Extrazelluläre Signale werden gewöhnlich durch enzymatische Kaskaden innerhalb weniger Minuten in den Zellkern weitergeleitet, wo sie langsame Änderungen der Genexpression bewirken und so das Schicksal der Zelle beeinflussen. Im ersten Teil der Arbeit wird durch mathematische Modellierung untersucht, wie die MAPK Kaskade Signale von der Zellmembran in den Kern weiterleitet. Es wurden Netzwerkeigenschaften herausgearbeitet, die verhindern, dass die MAPK Kaskade fälschlicherweise durch genetische Mutationen aktiviert wird. Desweiteren wurde eine versteckte positive Rückkopplungsschleife identifiziert, welche die Aktivierung der MAPK Kaskade oberhalb eines gewissen Schwellwert-Stimulus verstärkt. Der zweite Teil der Arbeit konzentriert sich darauf, wie Änderungen der Genexpression auf langsamer Zeitskala in das Signalnetzwerk rückkoppeln. Eine systematische Genexpressionsdaten-Analyse ergab, dass transkriptionelle Rückkopplung in Eukaryoten generell über Induktion kurzlebiger Signalinhibitoren geschieht. Dynamische Modellierung und experimentelle Validierung von Modellvorhersagen ergab, dass das Inhibitorprotein SnoN als zentraler negativer Feedback Regulator im TGFbeta Signalweg fungiert. Der dritte Teil der Arbeit untersucht, wie die Genexpressionsmaschinerie intrazelluläre Signale interpretiert (“dekodiert“). Eine experimentelle und theoretische Analyse der cyanobakteriellen Eisenstress-Antwort ergab, dass IsrR, eine kleine regulatorische RNA, die Genexpression auf ausreichend starke und lange Stimulation beschränkt. Des Weiteren wurde ein “Reverse Engineering“-Algorithmus auf Hochdurchsatz-RNAi-Daten angewendet, um die Topologie eines krebsrelevanten Transkriptionsfaktornetzwerks abzuleiten. Zusammenfassend wurde in dieser Dissertation gezeigt, wie mathematische Modellierung die experimentelle Analyse biologischer Systeme unterstützen kann. / Intracellular regulatory networks involved in sensing extracellular cues are crucial to all living organisms. Extracellular signals are rapidly transmitted from the cell membrane to the nucleus by activation of enzymatic cascades which ultimately elicit slow changes in gene expression, and thereby affect the cell fate. In the first part of this thesis, the Ras-MAPK cascade transducing signals from the cell membrane to the nucleus is analyzed using mathematical modeling. Model analysis reveals network properties which prevent the MAPK cascade from being inappropriately activated by mutations. Moreover, the simulations unveil a hidden positive feedback loop which ensures strong amplification of MAPK signalling once extracellular stimulation exceeds a certain threshold. The second part of the thesis focuses on how slow gene expression responses feed back into the upstream signalling network. A systematic analysis of gene expression data gathered in mammalian cells demonstrates that such transcriptional feedback generally involves induction of highly unstable signalling inhibitors, thereby establishing negative feedback regulation. Dynamic data-based modelling identifies the SnoN oncoprotein as the central negative feedback regulator in the TGFbeta signalling pathway, and corresponding model predictions are verified experimentally in SnoN-depleted cells. The third part of the thesis focuses on how intracellular signals are decoded by the downstream gene expression machinery. A combined experimental and theoretical analysis of the cyanobacterial iron stress response reveals that small non-coding RNAs allow cells to selectively respond to sufficiently strong and sustained stimuli. Finally, a reverse engineering approach is applied to derive the topology of a complex mammalian transcription factor network from high-throughput knock-down data. In conclusion, this thesis demonstrates how mathematical modelling can support experimental analysis of biological systems.