Single-cell transcriptomics (scRNA-seq) kent momenteel een extreme groei in populariteit. Het laat onderzoekers toe om genexpressie te bestuderen op het niveau van individuele cellen, zodat complexe biologische processen als ontwikkeling en ziekte met ongekende resolutie bestudeerd kunnen worden. ScRNA-seq is in staat de expressie van duizenden genen in duizenden cellen gelijktijdig te meten, wat onderzoekers een globaal beeld verschaft van de genexpressie in verschillende celtypes. Zodoende kan scRNA-seq gebruikt worden om celtype-specifieke genexpressie profielen in kaart te brengen. Een belangrijke toepassing hiervan is het vergelijken van genexpressie profielen tussen zieke en gezonde individuen; en hoe de celtypes reageren op stimuli. Zulke analyses worden tot dusver belemmerd door een gebrek een data-analytische methoden die 1) kunnen omgaan met het feit dat vele genen niet worden opgepikt door de technologie of omdat een gen zeer sterk to expressie komt in sommige cellen maar afwezig is in andere, 2) de sterke correlatie tussen cellen van hetzelfde individu in rekening kunnen brengen, gezien de genexpressie profielen van deze cellen meer gelijkaardig zijn dan die van cellen van verschillende individuen en 3) verschillen in het relatief gebruik van isovormen binnen éénzelfde gen kunnen bestuderen. In dit project zullen we nieuwe statistische methoden ontwikkelen om elk van deze uitdagingen aan te pakken en zo scRNA-seq data-analyse in een stroomversnelling te brengen.