FWO.SPB.2023.0053.01Spatiale single-cell biologie verlegt grenzen in de biomedische wetenschap. De voorbije jaren hebben academische onderzoekers eindelijk de mijlpaal van ware single-cell resolutie behaald. Nu pas kunnen we de cellulaire architectuur van weefsels opklaren, kunnen we elke individuele cell precies localiseren, hun cellulaire omgeving vastellen en hun activatiestaten profileren. Echter, als we dit willen toepassen op weefselstalen van grote patiënt cohorten of uitgebreidde pre-clinische proefdierstudies, produceert zo een spatiaal onderzoek met single-cell resolutie gigantische hoeveelheden data die onmogelijk manueel kan worden geanalyseerd. Het overwaaien van de spatiale revolutie naar de industrie vereist dus computationele algoritmes, gebaseerd op deep learning, die de analyse van data op zo’n grote schaal kunnen automatiseren. In dit project combineren we de leverbiologie-expertise van Guilliams’ labo met de machine-learning-expertise van Saeys’ labo om zo een geAutomatiseerde Spatiale Analyse Pipeline (ASAP) te ontwikkelen. Het doel van ASAP is om (i) de weefselarchitectuur automatisch te modelleren, (ii) de spatiale distributies van cellen van interesse met betrekking op de weefselarchitectuur waar te nemen (iii) transcriptomic data te mappen op deze spatiale distributies met single-cell resolutie. Om de kracht van de pipeline aan te tonen, zullen we ASAP finaal toepassen voor de spatiale analyse in een lever regeneratie studie.