Antecedentes: La modelización de Redes Regulatorias Biológicas (BRNs) se basa en conocimientos previos, derivados ya sea de la literatura y/o del análisis de observaciones biológicas. Sin embargo, con el desarrollo de datos de alto rendimiento, existe una creciente necesidad de métodos que generen automáticamente modelos admisibles. Métodos: Nuestro objetivo de investigación es proporcionar un enfoque lógico para inferir BRNs basado en datos de series temporales dados e influencias conocidas entre genes. Resultados: Proponemos una nueva metodología para modelos expresados a través de una extensión temporal de las redes de autómatas (adecuadas para sistemas biológicos). El propósito principal es tener una red resultante lo más consistente posible con los conjuntos de datos observados. Conclusión: La originalidad de nuestro trabajo es triple: (i) identificar el signo de la interacción; (ii) la integración directa de retrasos temporales cuantitativos en el enfoque de aprendizaje; y (iii) la identificación de los niveles discretos cualitativos que conducen a la dinámica de los sistemas. Mostramos los beneficios de un enfoque automático en modelos biológicos dinámicos, los conjuntos de datos DREAM4 (in silico) y DREAM8 (cáncer de mama), desafíos populares de ingeniería inversa, con el fin de discutir la precisión y el rendimiento computacional de nuestro método de modelización.