Custom frameworks that enable exploitation of incomplete and noisy data reflecting real-world environments are frequently critical to satisfy the needs of a particular synthetic design problem. In this thesis, I focus on the \emph{in silico} design of synthetic circuits for the diagnosis and treatment of cancer. In particular, I develop computational frameworks for the logic-based design of the classifier circuits, utilizing a range of different computational paradigms from machine learning to evolutionary algorithms. First, I focus on the optimization of single-circuit classifiers according to the objectives and constraints imposed by the experimental circuit assembly. I exploit the potential of logic programming, in particular, Answer Set Programming, and propose a workflow for the design of globally optimal logic classifiers. Further, I introduce an alternative, theoretical design of classifiers consisting of multiple circuits, namely, distributed classifiers. I leverage the advantages of ensembles, in particular, collective decision-making, to yield better performance for heterogeneous data. To optimize the ensembles, I develop a custom genetic algorithm, as well as revise the classifier optimality criteria. Next, I focus on refining the evaluation strategies and increasing the robustness of our designs to novel data. Finally, I explore alternative applications beyond cancer classifiers to showcase the versatility of the proposed methods.
Maßgeschneiderte Frameworks, welche die Nutzung unvollständiger und verrauschter Daten ermöglichen, und damit die reale Umgebungen widerspiegeln, sind häufig entscheidend, um die Anforderungen eines bestimmten synthetischen Designproblems zu erfüllen. In dieser Arbeit konzentriere ich mich auf den Entwurf von synthetischen Schaltkreisen für die Diagnose und Behandlung von Krebs. Insbesondere entwickle ich Berechnungsrahmen für den logikbasierten Entwurf von Klassifikationschaltungen, wobei ich eine Reihe verschiedener Berechnungsparadigmen vom maschinellen Lernen bis zu evolutionären Algorithmen verwende. Zunächst konzentriere ich mich auf die Optimierung von Klassifikatoren für einzelne Schaltkreise entsprechend den Zielen und Beschränkungen, die durch den experimentellen \mbox{Schaltkreisaufbau} auferlegt werden. Ich nutze das Potenzial der logischen Programmierung, insbesondere der Antwortmengenprogrammierung, und schlage einen Arbeitsablauf für den Entwurf global optimaler logischer Klassifikatoren vor. Außerdem stelle ich einen alternativen, theoretischen Entwurf von Klassifikatoren vor, die aus mehreren Schaltkreisen bestehen, nämlich verteilte Klassifikatoren. Ich nutze die Vorteile von Ensembles, insbesondere die kollektive Entscheidungsfindung, um eine bessere Leistung bei heterogenen Daten zu erzielen. Um die Ensembles zu optimieren, entwickle ich einen benutzerdefinierten genetischen Algorithmus und überarbeite die Optimalitätskriterien für Klassifikatoren. Als Nächstes konzentriere ich mich auf die Verfeinerung der Bewertungsstrategien und die Erhöhung der Robustheit unserer Designs gegenüber neuen Daten. Schließlich untersuche ich alternative Anwendungen jenseits von Krebsklassifikatoren, um die Vielseitigkeit der vorgeschlagenen Methoden zu demonstrieren.
