Die Klassifizierung und Identifizierung sowohl von bekannten als auch neuen Zelltypen ist eines der Hauptziele der Analyse von Einzellzell-Transkriptomik-Daten. So versucht beispielsweise das „Human Cell Atlas“-Konsortium, sämtliche Zelltypen im menschlichen Körper zu identifizieren, die dann als Referenz für die Diagnose von Gesundheits- und Krankheitszuständen von gesammelten Gewebeproben dienen können. Die bestehenden Zelltyp-Klassifizierungsmethoden berücksichtigen im Allgemeinen die Eigenschaften der Daten (d.h. Gene), aber nicht ihre Beziehung untereinander. Die Nachwuchswissenschaftlerin Laleh Haghverdi vom European Molecular Biology Laboratory in Heidelberg nutzt die modulare Architektur von Genregulationsnetzwerken (GRN) sowie die Tatsache, dass zahlreiche Geninteraktionen bereits in bestehenden Datenbanken erfasst sind, zur Ausarbeitung eines Systems, das eine exaktere Zelltypidentifizierung auf Grundlage der Methode des “geometric deep learning” ermöglicht.

Dr. Haghverdis Projekt wird am European Molecular Biology Laboratoy durchgeführt und wird von 2018 bis 2020 durch den „Young Investigator Fund for Innovative Research Ideas“ der Schering Stiftung und der Fritz Thyssen Stiftung unterstützt.