Über die letzten Jahre haben sich Einzelzelldaten als Trend in der Bioinformatik etabliert, was zu umfangreichen Datensätzen führte. Die Entwicklung von Analysemethoden für solche Daten hat jedoch nicht mit deren Produktion Schritt gehalten. Diese Arbeit befasst sich mit einigen Problemen, die beim Analysieren von Einzelzelldaten auftreten. Das zweite Kapitel enthält eine Analyse von scRNA-seq-Daten von Darmkrebspatienten und Organoiden. Es werden Entwicklungstrajektorien des Darms beschrieben. Anschließend werden Signalgradienten dieser Achsen charakterisiert, insbesondere MAPK- und WNT-Signale. Weiter wird gezeigt, wie RNA velocity basierend auf metabolischen labeling ähnliche Trajektorien in Organoiden aufzeigen kann. Schließlich werden Auswirkungen von Signalwegenhemmung auf die Entwicklungstrajektorien im Detail beschrieben. Das dritte Kapitel bietet einen noch nie dagewesenen Einblick in frühe Stadien von COVID-19 in der Lunge. Verwendete scRNA-seq Daten stammen aus Lungengewebeproben etablierter Hamstermodelle, die mehrere Spezies, SARS-CoV-2-Dosen und Zeitpunkte umfassen, und die ich mit entsprechenden Daten von menschlichen Patienten vergleiche. Für die Analyse zentraler Zelltypen, die den unterschiedlichen Krankheitsverläufen zugrunde liegen, wende ich post-hoc Interpretation auf sonst unzugängliche latent spaces von diffusionmaps an, die neue Einblicke in die zelluläre Pathogenese von COVID-19 bieten. Im letzten Kapitel stelle ich scperturb vor, die größte Sammlung von perturbierten Einzelzelldaten. Ich zeige, wie E-Statistik verwendet werden kann, um solche Daten auf statistisch fundierte Weise zu analysieren. Verzerrungen werden mittels eines neuen Term zur Korrektur der E-Distanz beseitigt. Anschließlich untersuche ich Robustheit der E-Statistiken für einige Analyseszenarien, wie die COVID-19 Daten aus vorherigen Kapitel. Schließlich leite ich Richtlinien für die experimentelle Planung von Einzelzell-Perturbationsstudien mit robuster Statistik ab. / In recent years, single-cell data has emerged as leading trend in bioinformatics, resulting in the generation of substantial datasets. However, development of analysis methods for single-cell data has not kept pace with its production, presenting challenges for analysts. This thesis addresses some of the most pressing issues encountered during the analysis of single-cell data. After a short introductory chapter, the second chapter deals with the problem of arranging single-cell transcriptomes based on biological trajectories, and how these correlate with signaling pathways, specifically those relevant as targets for potential treatments. This thesis demonstrates how RNA velocity based on metabolic labeling can recover similar trajectories in organoids, identifying WNT and MAPK as underlying signaling pathways for development in normal and colon cancer organoids. The third chapter provides an unprecedented view into early stages of COVID-19 in the lungs. For the analysis of key cell types underlying divergent COVID-19 outcomes I apply post-hoc interpretation methods to otherwise inaccessible latent spaces of diffusion maps, revealing new insights into the cellular pathogenesis of COVID-19. Used scRNA-seq data is derived from lung tissue samples of established hamster models, encompassing multiple species, varying SARS-CoV-2 doses, and time points, which I then compare to data from human patients. In the fourth chapter, I present scperturb, the largest collection of single-cell perturbation data. I show how E-statistics can be used to analyze such data in a statistically sound way. After introducing a new bias-correction term to the calculation of E-distances, I investigate the robustness of resulting E-statistics for various analysis scenarios, such as the COVID-19 data from the previous chapter. Finally, I derive guidelines for the experimental design of single-cell perturbation studies such that robust statistics can be achieved.