Spezialisierung Theoretische Biologie / Obwohl die Krebstherapie im letzten Jahrhundert große Fortschritte gemacht hat, bleibt die Resistenz gegen medikamentöse Behandlungen ein großes Hindernis im Kampf gegen den Krebs. In dieser Arbeit habe ich ein R-Paket namens STASNet entwickelt, das semi-quantitative Modelle der Signaltransduktion aus Signalisierungs-Störungsantwortdaten unter Verwendung von Least Square Modular Response Analysis-Modellen generiert. Um zu untersuchen, wie gut STASNet die Aktivität von Signalwegen quantifizieren kann, haben wir Perturbationsdaten von einem Paar isogener Darmkrebszelllinien mit und ohne SHP2-Knock-out, einem bekannten Resistenzmechanismus bei dieser Krebsart, verwendet. Ich habe dann untersucht die Resistenz gegen die MEK- und ALK-Hemmung beim Neuroblastom, einem pädiatrischen Krebs mit schlechter Prognose. Ein Wirkstoffscreening zeigte, dass der MEK-Inhibitor Selumetinib ein Panel von Neuroblastom-Zelllinien in drei sensitive und sechs resistente Zelllinien trennte, dass konnte nicht mit einzelnen molekularen Markern erklärt. STASNet-Modelle zeigten, dass die starke Resistenz gegen Selumetinib durch eine starke Rückkopplung von ERK auf MEK oder eine vielschichtige Rückkopplung sowohl auf MEK als auch auf IGF1R getrieben wurde. Aus dem Modell konnte eine kombinatorische Therapie abgeleitet werden, die auf MEK in Kombination mit entweder RAF oder IGF1R abzielt, je nach Art der in der Zelllinie vorhandenen Rückkopplungen. Schließlich ergab die Untersuchung der Wirkung von NF1-KO auf die Signalübertragung, dass der Verlust von NF1 den MAPK-Weg für die Liganden-induzierte Aktivierung hypersensibilisierte, aber das ERK-RAF-Rückkopplung störte. Die Erkenntnisse aus den in dieser Arbeit entwickelten Modellen werden somit dazu beitragen, personalisierte Kombinationen von Inhibitoren zu entwerfen, die als Zweitlinientherapie nach molekularer Untersuchung der Tumorreaktion auf die Erstbehandlung eingesetzt werden könnten. / Cancer therapy has seen immense progress over the last century but resistance to drug treatments remains a major obstacle in the war against cancer. I developed an R package named STASNet to generate models of signal transduction from signalling perturbation-response data using Least Square Modular Response Analysis models. I used these models to study how differences in signal transduction relate to drug resistance and can be used to make predictions about resistance mechanisms and optimal treatments. To show how STASNet can accurately quantify the activity of signalling pathways, I used perturbation data from a pair of isogenic colon cancer cell line with and without SHP2 knock-out, a known resistance mechanism in this cancer type, which showed that MAPK signalling is more affected by SHP2 knock-out than PI3K signalling, confirming the role of SHP2 as a primary MAPK component. I investigated resistance to MEK and ALK inhibition in neuroblastoma, a pediatric cancer with a dismal prognosis. The MEK inhibitor Selumetinib separated a panel of neuroblastoma cell lines into three sensitive and six resistant cell lines that could not be explained with individual molecular markers. STASNet models trained on perturbation-response data from these cell lines revealed that the strong resistance to Selumetinib was driven by a strong feedback from ERK to MEK or a multi-layered feedback to both MEK and IGF1R. This was confirmed by phosphoproteomics and suggested a therapy targeting MEK in combination with either RAF or IGF1R depending on the type of feedback present in the cell line that was confirmed experimentally. Finally, studying the effect of NF1-KO on signalling revealed that the loss of NF1 hyper-sensitized the MAPK pathway to ligand-induced activation but disrupted the ERK-RAF feedback. Those insights to design personalized combinations of inhibitors that could be used as second line therapy after molecularly monitoring the tumor response to the initial treatment.