Nicht nur die biomedizinische Forschung, sondern auch das Forschungsfeld der Genetik und die Genomforschung, befinden sich im Umbruch. Allen voran befindet sich die Genomforschung durch die rapide Entwicklung von data sensing und data analysis-Methoden auf dem Weg zu einer Daten getriebene Wissenschaft zu werden. Mit dem Aufkommen neuer wet-lab Technologien, wie der synthetic genetic array Technologie, sind große Mutationsexperimente an dem Genom von einfachen Organismen, wie zum Beispiel E. coli, schnell und kostengünstig durchführbar und sehr große Datenmengen verfügbar geworden. Aus den so gewonnenen Datenmengen neue Einblicke in grundlegende biologische Prozesse von Organismen zu erhalten, stellt eine beachtliche Herausforderung dar und wird in der Literature meist als data-mining oder knowledge-engineering bezeichnet. Einen wichtigen Aspekt der Genomforschung stellt die Untersuchung des Einflusses genetischer Interaktionen auf den Zellstoffwechsel dar. Folglich findet die Identifikation genetischer Interaktionen große Beachtung in der Wissenschaft. Die Interaktionen zwischen Genen einer bestimmten Menge können kompakt als genetisches Interaktionsnetzwerk dargestellt werden. Ein solches genetisches Interaktionsnetzwerk wird üblicherweise durch einen gerichteten Graphen dargestellt.

Aufgrund der Relevanz genetischer Interaktionen bezüglich des Zellstoffwechsels erfreut sich das Problem des Lernens solcher Interaktionsnetzwerke großer Aufmerksamkeit. Der Fokus dieser Dissertation liegt auf der Entwicklung von Graph-Lernverfahren, die explizit auf die spezielle Struktur der zu erlernenden genetischen Interaktionsgraphen angepasst sind. Der Hauptbeitrag dieser Arbeit besteht in der Formulierung des Graph-Lernproblems zur Identifikation genetischer Interaktionen als ganzzahlige Programme, wobei die den Daten zugrundeliegenden Interaktionsnetzwerke in verschiedenen Repräsentationsdomänen gelernt werden. Die auf ganzzahligen Programmen beruhenden Graph-Lernverfahren in dieser Dissertation bieten große Vorteile gegenüber generischen Verfahren zum Lernen von Graphstrukturen, wie zum Beispiel dem Graphical Lasso-Verfahren, da sie an die zugrundeliegenden biologischen Interaktionsmodelle angepasst sind. Diese Anpassung, der in dieser Arbeit vorgestellten Graph-Lernverfahren auf Basis diskreter Programme, an die zugrundeliegenden genetischen Interaktionsmodelle, erlaubt es, biologischen Gesetzmäßigkeiten in den geschätzten Interaktionsnetzwerken Rechnung zu tragen, welche mit generischen Graph-Lernverfahren nicht berücksichtigt werden können.

Aufgrund der kombinatorischen Natur der im Rahmen dieser Dissertation entwickelten, auf ganzzahligen Programmen beruhenden, Graph-Lernverfahren ist es nur unter Zuhilfenahme großer Computer-Cluster möglich, große genetische Interaktionsnetzwerke zu berechnen. Daher wurde im Rahmen dieser Forschungsarbeit ein methodisches Framework entwickelt, welches basierend auf den vorgeschlagenen ganzzahligen Programmen zum Graphen-Lernen, in der Lage ist auch sehr große genetische Interaktionsnetzwerke approximativ zu lernen. Weiterhin wurde auch die Anwendbarkeit bekannter Verfahren des maschinellen Lernens auf das oben beschriebene Graph-Lernproblem untersucht.

Die Performanz der im Rahmen dieser Arbeit entwickelten Verfahren wurde hinsichtlich synthetischer und realer Daten untersucht und mit Verfahren vom Stand-der-Technik verglichen. Es wird gezeigt, das die im Zuge dieser Dissertation entwickelten Verfahren den Methoden aus dem Stand-der-Technik, hinsichtlich synthetischer und realer Daten, überlegen sind. Abschließend werden die entwickelten, auf ganzzahligen Programmen beruhenden, Graph-Lernverfahren mit Methoden des maschinellen Lernens zum Graphenlernen verglichen. Es wird gezeigt, dass die Lernqualität der auf ganzzahligen Programmen beruhenden Graph-Lernverfahren höher ist, als die der Verfahren des maschinellen Lernens. Allerdings skalieren die untersuchten Verfahren des maschinellen Lernens wesentlich besser mit der Größe der zu schätzenden Netzwerke, als die entwickelten auf ganzzahligen Programmen beruhenden Verfahren.