Die Einzelzellgenomik hat das Verständnis der Heterogenität in Gesundheit undKrankheit revolutioniert und die Erstellung von Profilen von Millionen von Zel-len in verschiedenen Geweben ermöglicht, um Referenzatlanten zu erstellen. Dasultimative Ziel eines Einzelzell-Referenzatlasses ist es, das Verständnis zellulä-rer Störungen zu erleichtern, indem sie mit einer gesunden Referenz verglichenwerden. Als Störung wird jeder Stimulus definiert, der den Zellzustand von ei-nem normalen zu einem gestörten Zustand verändert. Die Störung kann durcheine Krankheit oder eine Behandlung, z. B. durch Medikamente, verursacht wer-den. In dieser kumulativen Arbeit war das Ziel, Deep-Learning-Algorithmen zurAnalyse von Einzelzell-Perturbationsstudien zu entwickeln. Um dies zu erreichen, müssen wir zunächst die neu erworbenen Datensätze, wiez. B. Perturbationsstudien, in gesunde Referenzatlanten, die von Konsortienwie dem Human Cell Atlas (HCA) erstellt wurden, integrieren. Die Verwend-barkeit öffentlicher Referenzatlanten für die Analyse neuer Abfragedaten wirdjedoch durch technische Unterschiede zwischen Abfrage und Referenzatlas, rech-nerische Komplexität, Ressourcenbeschränkungen und Richtlinien zur Freigabevon Rohdaten behindert. Um diese Probleme zu lösen, habe ich einen Deep-Learning-Algorithmus namens Single-Cell Architecture Surgery (scArches) ent-wickelt. scArches ermöglicht eine schnelle, effiziente und genaue Integration vonStörungsdatensätzen in den Referenzatlas, wobei die Heterogenität der Störungerhalten bleibt und die Entdeckung neuer zellulärer Zustände ermöglicht wird.Die Integration von Störungsdatensätzen in den Referenzatlas verwandelt diesenin einenStörungsatlas. Der Raum möglicher Ergebnisse ist jedoch immens undes ist experimentell nicht realisierbar, alle möglichen Störungen wie Medikamen-te oder Gen-Knockouts zu messen. Daher werden computergestützte Werkzeugebenötigt, um die Reaktion auf die Stimuli für unbekannte Phänomene vorherzu-sagen, die im ursprünglichen Atlas nicht beobachtet wurden. Dadurch werdenein effizientes experimentelles Design und neue biologische Entdeckungen er-möglicht. Dies motiviert das zweite Ziel dieser Arbeit, nämlich die Entwicklungvon Modellen zur Vorhersage der transkriptomischen Reaktionen auf eine Stö-rung auf Einzelzellebene. Um dieses Ziel zu erreichen, habe ich Deep-Learning- Algorithmen entwickelt, um die Reaktionen auf eine Störung zu erlernen undvorherzusagen. Diese Methoden haben gezeigt, dass sie in der Lage sind, dieReaktion auf Medikamente, genetische Knock-outs und Krankheiten vorherzu-sagen. Ich postuliere, dass die in dieser Arbeit vorgestellten Strategien ein effi-zientes experimentelles Design und damit Hypothesengenerierung mit Hilfe derEinzelzellgenomik erleichtern werden.      «

Die Einzelzellgenomik hat das Verständnis der Heterogenität in Gesundheit undKrankheit revolutioniert und die Erstellung von Profilen von Millionen von Zel-len in verschiedenen Geweben ermöglicht, um Referenzatlanten zu erstellen. Dasultimative Ziel eines Einzelzell-Referenzatlasses ist es, das Verständnis zellulä-rer Störungen zu erleichtern, indem sie mit einer gesunden Referenz verglichenwerden. Als Störung wird jeder Stimulus definiert, der den Zellzustand von ei-nem normalen zu einem gestör...     »