Project

Klinische toepassingen van de computationele cytometrie

Code
01P07321
Looptijd
01-10-2021 → 30-09-2024
Financiering
Gewestelijke en gemeenschapsmiddelen: Bijzonder Onderzoeksfonds
Promotor
Mandaathouder
Onderzoeksdisciplines
  • Natural sciences
    • Data mining
    • Machine learning and decision making
  • Medical and health sciences
    • Single-cell data analysis
  • Engineering and technology
    • Bio-informatics
    • Data visualisation and imaging
Trefwoorden
Cytometry Machine Learning ziektediagnostiek
 
Projectomschrijving

Flowcytometrie is een essentiële techniek binnen immunologie- en kankeronderzoek, die inzichten biedt op het individuele cel-niveau voor een relatief lage kost, complementair aan DNA- en RNA-metingen en andere klinische eigenschappen. Recente technologische ontwikkelingen vergroten de nood aan geautomatiseerde analyses. In dit project zal ik werken aan twee methodes om flowcytometrie-onderzoek te verbeteren. Eerst zal ik een algoritme ontwikkelen voor panel design, een optimalisatieprobleem om fluorochromen te combineren met geselecteerde merkers, wat manueel moeilijk wordt voor grote panels. Ten tweede zal ik me richten op batch-effecten, een belangrijke uitdaging bij klinische studies, waar de gegevens vaak over langere tijdspannes verzameld worden. Hoewel recent enkele normalisatie-methodes zijn voorgesteld, is het nog onduidelijk welke het best geschikt zijn in welke gevallen. Daarnaast zal ik twee samenwerkingen met het UZ Gent verderzetten, waarbij ik oplossingen voor specifieke klinische vragen ontwikkel. De eerste gaat over primaire immuundeficiëntie (PID), een ziekte die terugkerende ontstekingen, maligniteiten en auto-immuniteit veroorzaakt. Ik werk aan een classificatie van de patiënten gebaseerd op hun immuunprofiel om zo de diagnose te verbeteren. De tweede toepassing is acute myeloïde leukemie (AML), een heterogene beenmergkanker. Hier richt ik me op het verbeteren van de prognose, in het bijzonder door de karakterisatie van zeldzame leukemische stamcellen.