Interpreteerbare modellen voor de integratieve analyse van single-cell spatiale transcriptoom data

Binnen het snelgroeiende veld van single-cell omics analyse, wordt spatial transcriptomics steeds populairder. De methode is door Nature uitgeroepen tot methode van het jaar 2020 en heeft dus een mooie toekomst voor zich. Het zal ons een stap dichter brengen bij het begrijpen van de ruimtelijke organisatie van cellen in weefsels, en hoe die organisatie de celfunctie beïnvloedt. Echter heeft tot vandaag nog geen enkele transcriptoomwijde spatiale methode methode het cellulaire resolutie bereikt, wat de gegevensanalyse bemoeilijkt. De eerste stap in dit project zal zijn om deze hindernis te overwinnen. Verschillende types van single-cel omics data kunnen een complementair licht werpen op een weefsel, maar huidige methodes kunnen niet meer dan twee data modaliteiten integreren. Variationele autoencoder-gebaseerde methoden die latente ruimtes creëren lijken geschikt om dit op te lossen, maar hun black-box karakter is een beperking. In dit project zullen nieuwe machine learning modellen gebouwd worden die meerdere data modaliteiten kunnen integreren en resulteren in biologisch interpreteerbare latente ruimten. Het model zal flexibel zijn en dus gemakkelijk aangepast kunnen worden aan nieuwe technologische ontwikkelingen in het veld. De variabelen in de interpreteerbare latente ruimte kunnen gekoppeld worden aan specifieke cellulaire aspecten. Dit maakt de studie van correlaties tussen die aspecten mogelijk, en laat toe meer complexe biologische onderzoeksvragen te beantwoorden.