A kémiai reakcióhálózatok (Chemical Reaction Network, CRN), amelyek dinamikus viselkedését a tömeghatás törvény határozza meg a nemnegatív polinomiális dinamikus rendszerek jelentős osztályát alkotják. Ezeket kinetikus rendszereknek nevezzük. Számos biológiai jelenséget tudunk modellezni matematikailag ilyen típusú rendszerekkel, mint például génregulációs hálózatokat, fehérje-fehérje interakciós hálózatokat, metabolikus útvonalakat, járványok terjedését. A Lotka-Volterra populációdinamikai modell szintén egy nemnegatív polinamiális rendszer.

Léteznek lineáris programozás és vegyes egészértékű programozás alapján működő algoritmusok, amelyek segítségével a fenti rendszerosztály struktúrálisan különböző dinamikusan ekvivalens realizációi számolhatóak ki. Ahhoz azonban, hogy ezen struktúrákat meg tudjuk határozni, a polinomiális differenciálegyenlet paramétereit ismernünk kell. A gyakorlati esetekben a paraméterértékek nem ismertek pontosan, köszönhetően a mérési és modellezési hibának. A paraméterek bizonytalanságát olyan módon tudjuk kezelni, hogy az egyes paraméterértékekhez konfidenciaintervallumokat határozunk meg egy paraméterbecslési eljárás során. A kapott intervallunokat a matematikai modell szintjén tudjuk kezelni, úgynevezett intervallummodellekkel foglalkozunk.

Jelen dolgozat kiterjeszti a korábbi eredményeket és algoritmusokat a bizonytalanságot tartalmazó esetre, azaz az intervallummodellek esetére. Az egyik legfontosabb új eredmény, hogy ki tudjuk számítani egy bizonytalan paramétereket tartalmazó rendszer összes struktúrálisan különböző dinamikusan ekvivalens realizációját. A bemutatott új algoritmusok lineáris programozási lépéseket használnak fel. Az új algoritmusok segítségével megvizsgálom a bizonytalanság mértékének függvényében a dinamikus rendszerosztályt, továbbá a különböző fokú bizonytalanságot tartalmazó rendszereket összehasonlítom. Az eredmények használhatóak például kinetiks dinamikus rendszerek hálózatának feltértképezésére mérési adatokból. Ez a számításos rendszerbiológia alapvető feladata. A mérési adatokból felépíthető egy bizonytalan rendszermodell a paraméterekre vonatkozó intervallumokkal, amelyek a mérési biznytalanságot reprezentálják. Az algoritmusok segítségével meghatározhatjuk a lehetséges kémiai reakcióhálózatokat, amelyek halmaza (bio)kémiai szempontok szerinti megszorítások hozzáadásával szűkíthető.