Dit project heeft tot doel de flowcytometriedata voor imaging te analyseren met behulp van geavanceerde computationele technieken. Imaging flowcytometrie is een nieuwe technologie die het mogelijk maakt foto's te maken van miljoenen individuele cellen op een high-throughput-manier, waarbij ze hun grootte en vorm vastleggen, evenals informatie over eiwitexpressie. Deze metingen kunnen worden gebruikt voor het bestuderen en begrijpen van complexe biologische systemen, zoals het immuunsysteem, bestaande uit tientallen celtypen, elk met specifieke functies.

Het uitpakken van relevante inzichten uit deze grote hoeveelheid metingen is echter niet triviaal. We zullen algoritmen voor "machine learning" ontwikkelen, die leren van de patronen in de gegevens zelf in plaats van eerder gedefinieerde regels te gebruiken. We zullen twee benaderingen onderzoeken: ten eerste zullen we algoritmen gebruiken die rekening houden met afgeleide eigenschappen van de cellen (bijvoorbeeld het celgebied of de maximale lengte van de doorsnede). Daarnaast zullen we ook "deep learning" benaderingen verkennen, waarbij de originele beelden als input worden gebruikt.

We zullen deze technieken toepassen, zowel om het celtype te voorspellen, gegeven een reeks voorbeeldafbeeldingen voor verschillende mogelijke celtypen, als een meer onpartijdige benadering, waarbij we de algoritmen naar patronen laten zoeken.

Uiteindelijk zal dit leiden tot gedetailleerde beschrijvingen van de cellen die kunnen worden gebruikt om de cellen van patiëntmonsters te beschrijven (bijvoorbeeld van een bloedafname) en kunnen gedetailleerde inzichten verschaffen in de immuuntoestand van de patiënt. Dit is erg handig voor klinische diagnose en prognose.