Eéncellige technologieën zijn de laatste decennia enorm vooruit gegaan. De hoeveelheid singlecell
gegevens die worden gegenereerd, groeien exponentieel, in meerdere gebieden en indelingen zoals hoog gehalte
beeldvorming, flow of massaccytometrie of RNA-sequencing. Echter, de meeste huidige machine-learning
technieken kunnen niet omgaan met die enorme hoeveelheid informatie, die meestal wordt gevolgd
benadering waarbij de gegevens van alle cellen van een monster worden samengevat in een enkele vector van middelen of
medianen. In dit project zullen we dit probleem aanpakken vanuit het oogpunt van multi-instantie leren,
om de rijke kennis die naar verwachting zal worden verkregen uit dergelijke grote sets gegevens te halen.
We zullen parallelle, schaalbare algoritmen ontwikkelen die bestand zijn tegen de grote volumes singlecell
gegevens die momenteel worden gegenereerd. We zullen ook nieuw Deep Learning verkennen en ontwikkelen
benaderingen om het probleem aan te pakken.
De ontwikkelde methoden zullen worden toegepast op de grote variëteit van eencellige datasets die zijn en zullen zijn
worden gegenereerd door de gastinstelling en andere samenwerkende onderzoeksfaciliteiten. We verwachten dit
nauw contact om te leiden tot nieuwe resultaten vanuit biologisch oogpunt, die op hun beurt weer nieuw kunnen zijn
inzichten in cellulaire en ziektemechanismen.