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.

Textual Entailment vise à capturer les principaux besoins d'inférence sémantique dans les applications de Traitement du Langage Naturel. Depuis 2005, dans la Textual Entailment reconnaissance tâche (RTE), les systèmes sont appelés à juger automatiquement si le sens d'une portion de texte, le texte - T, implique le sens d'un autre texte, l'hypothèse - H. Cette thèse nous nous intéressons au cas particulier de l'implication, l'implication de généralité. Pour nous, il ya différents types d'implication, nous introduisons le paradigme de l'implication textuelle en généralité, qui peut être définie comme l'implication d'une peine spécifique pour une phrase plus générale, dans ce contexte, le texte T implication Hypothèse H, car H est plus générale que T.Nous proposons des méthodes sans surveillance indépendante de la langue de reconnaissance de l'implication textuelle par la généralité, pour cela, nous présentons une mesure asymétrique informatif appelée Asymmetric simplifié InfoSimba, que nous combinons avec différentes mesures d'association asymétriques à reconnaître le cas spécifique de l'implication textuelle par la généralité.Cette thèse, nous introduisons un nouveau concept d'implication, les implications de généralité, en conséquence, le nouveau concept d'implications de la reconnaissance par la généralité, une nouvelle orientation de la recherche en Traitement du Langage Naturel. / Textual Entailment aims at capturing major semantic inference needs across applications in Natural Language Processing. Since 2005, in the Textual Entailment recognition (RTE) task, systems are asked to automatically judge whether the meaning of a portion of text, the Text - T, entails the meaning of another text, the Hypothesis - H. This thesis we focus a particular case of entailment, entailment by generality. For us, there are various types of implication, we introduce the paradigm of Textual Entailment by Generality, which can be defined as the entailment from a specific sentence towards a more general sentence, in this context, the Text T entailment Hypothesis H, because H is more general than T. We propose methods unsupervised language-independent for Recognizing Textual Entailment by Generality, for this we present an Informative Asymmetric Measure called the Simplified Asymmetric InfoSimba, which we combine with different asymmetric association measures to recognizingthe specific case of Textual Entailment by Generality.This thesis, we introduce the new concept of implication, implications by generality, in consequence, the new concept of recognition implications by generality, a new direction of research in Natural Language Processing.