In situ sekvensering är en metod som kan användas för att lokalisera differentiellt uttryck av mRNA direkt i vävnadssnitt, vilket kan ge viktiga ledtrådar om många sjukdomstillstånd. Idag förloras många av sekvenserna från in situ sekvensering på grund av det kvalitetsmått man använder för att säkerställa att sekvenser är korrekta. Det finns troligtvis möjlighet att förbättra prestandan av den nuvarande base calling-metoden eftersom att metoden är i ett tidigt utvecklingsskede. Vi har genomfört explorativ dataanalys för att undersöka förekomst av systematiska fel och korrigerat för dessa med hjälp av statistiska metoder. Vi har framförallt undersökt tre metoder för att korrigera för systematiska fel: I) Korrektion av överblödning som sker på grund avöverlappande emissionsspektra mellan fluorescenta prober. II) En sannolikhetsbaserad tolkningav intensitetsdata som resulterar i ett nytt kvalitetsmått och en alternativ klassificerare baseradpå övervakad inlärning. III) En utredning om förekomst av cykelberoende effekter, exempelvisofullständig dehybridisering av fluorescenta prober. Vi föreslår att man gör följande saker: Implementerar och utvärderar det sannolikhetsbaserade kvalitetsmåttet Utvecklar och implementerar den föreslagna klassificeraren Genomför ytterligare experiment för att påvisa eller bestrida förekomst av ofullständigdehybridisering / In situ sequencing is a method that can be used to localize differential expression of mRNA directly in tissue sections, something that can give valuable insights to many statest of disease. Today, many of the registered sequences from in situ sequencing are lost due to a conservative quality measure used to filter out incorrect sequencing reads. There is room for improvement in the performance of the current method for base calling since the technology is in an early stage of development. We have performed exploratory data analysis to investigate occurrence of systematic errors, and corrected for these by using various statistical methods. The primary methods that have been investigated are the following: I) Correction of emission spectra overlap resulting in spillover between channels. II) A probability-based interpretation of intensity data, resulting in a novel quality measure and an alternative classifier based on supervised learning. III) Analysis of occurrence of cycle dependent effects, e.g. incomplete dehybridization of fluorescent probes. We suggest the following: Implementation and evaluation of the probability-based quality measure Development and implementation of the proposed classifier Additional experiments to investigate the possible occurrence of incomplete dehybridization