Extreme heterogeniteit is de belangrijkste oorzaak voor het falen van bestaande behandelingen in glioblastoma (GBM) tumoren. Voor de ontwikkeling van effectieve therapieën moet de mechanistische heterogeniteit in kaart gebracht worden. Het groeiende aantal van single cell omics analyses laat toe om complexe weefsel te ontleden in cell state specifieke gen regulatorische netwerken (GRNs). Ik stel de hypothese dat een spectrum van cell state specifieke GRNs de regulatorische heterogeniteit en plasticiteit bepaalt en dat geavanceerde computationele methodes nodig zijn om deze af te leiden. Eerst zal ik een benchmark uitvoeren op verschillende schaalbare stat-of-the-art netwerk inferentie methodes voor patiënt specifieke en cell state specifieke GRNs. De beeste methodes zullen vervolgens gebruikt worden in een innovatieve meta-analyse waarin single cell omics zal geïntegreerd worden over tumoren heen om een spectrum van cell state specifieke GRNs te creëren. Ik zal ook een uitbreidbare deep learning framework ontwerpen voor hetzelfde doel. Vervolgens zal ik de hogere orde organisatie van deze cell state specifieke GRNs via multicellulaire programma’s. Uiteindelijk zal ik de gevonden belangrijke regulatoren en pathways valideren zowel in silico als in vitro. Op de lange termijn kunnen gevonden regulatoren en subnetwerken bijdragen tot nieuwe therapieën voor GBM patiënten.