Räumliche Transkriptomik-Sequenzierungstechniken werden bei der Untersuchung von RNA in komplexen Geweben immer populärer. Mit diesen neuartigen Ansätze wird die Häufigkeit von Transkripten unter Beibehaltung ihrer räumlichen Lage gemessen, und ermöglichen so die Untersuchung der Genexpression in einem unvoreingenommen, raumzeitlichen Kontext. Angesichts der Vielfalt der zugrunde liegenden experimentellen Techniken, die Datensätze, die von verschiedenen Transkriptomik-Assays erstellt werden, variieren stark. Diese Datensätze werden von Pipelines verarbeitet und analysiert, die speziell für die jeweilige Methode entwickelt sind. Sie sind weder einfach modifizierbar, noch erweiterbar, dadurch sind sie nicht mit Inputs anderer Technologien kompatibel. Hier wird spacemake vorgestellt, eine bioinformatische Software, die darauf abzielt, die Lücke zwischen den verschiedenen räumlichen transkriptomischen Sequenzierungsansätzen zu schließen, durch sie einheitliches, schnelles, modulares, reproduzierbares und erweiterbares Rahmenwerk für die Verarbeitung und Analyse groß angelegter räumlicher transkriptomischer Daten bietet. Spacemake verarbeitet erfolgreich Daten aus den neuesten räumlichen Transkriptomik-Assays, unabhängig von ihrer Inputs. Spacemake ist parallel und läuft im Vergleich zu anderen vergleichbaren Techniken schneller. Spacemake ist modular entwickelt, und bietet verschiedene Module wie automatisiertes Clustering und Analyse, Quality Control, Saturation Analyse durch Downsampling, Zusammenführung technischer Replikate, Integration von scRNA-seq-Daten und Alignment von Mikroskopiebildern. Um ein Höchstmaß an Flexibilität zu bieten, ermöglicht spacemake benutzerkonfigurierbare Einstellungen\textit{run-mode} Einstellungen, wodurch die Unterstützung einer breiten Palette experimenteller Designs gewährleistet wird. Da spacemake in Python geschrieben ist, lässt es sich gut mit anderen Computational Biologie Methoden integrieren. Insgesamt hat spacemake das Potenzial, ein wichtiger Bestandteil der räumlichen Transkriptomik-Toolbox der Gegenwart und Zukunft zu sein. / Spatial transcriptomics sequencing techniques are increasingly popular when studying RNA in complex tissues. These novel approaches measure the abundance of transcripts while retaining their spatial location information, thus allowing the study of gene expression in an unbiased, spatiotemporal context. Given the variety of the underlying experimental techniques, the datasets which are produced by each spatial transcriptomic assay also vary greatly. These datasets are processed and analyzed by pipelines tailored specifically for each method, and are not easily modifiable nor extendable, thus making them incompatible to work with inputs from other technologies. Here spacemake is introduced, a bioinformatic software that aims to close the gap between the various spatial transcriptomic sequencing approaches, by providing a unified, fast, modular, reproducible, and extendable framework for large-scale spatial transcriptomic data processing and analysis. Spacemake successfully processes data from the latest spatial transcriptomics assays, regardless of their input data structure. Spacemake is parallel and runs faster when compared with other similar methods. It has a modular design and offers several modules such as automated clustering and analysis, quality control, saturation analysis through downsampling, technical replicate merging, scRNA-seq data integration, and microscopy image alignment. To offer maximum flexibility, spacemake allows for user-configurable \textit{run-mode} settings, ensuring support for a wide range of experimental designs. Written in Python, spacemake integrates well with other computational biology solutions. Overall spacemake has the potential to be an important part of the spatial transcriptomics toolbox of the present and future.

This thesis discusses the development of MANGO, a tool created to model normal-conducting magnets which were installed in the 1970s in the experimental areas at CERN, and store their analysis. MANGO formulates an answer to two problems faced by the physicists of the Beam Department when they model a beam line: first, how to produce new magnetic field maps and, second, how to easily access existing ones? It contains a multi-use package that offers an automated process to produce magnetic field maps from finite-element models of magnets. In addition, the package can visualise the field density or the flux lines of a magnet, and can benchmark a model and automatically store the solutions in a database, while tailoring its content to the level of expertise in electromagnetism and finite-elements modelling of the users. To development of the tool starts by modelling the different types of the normal-conducting magnets using two-dimensional finite element modelling (Opera-2D). After the successful development of one finite element model, it is benchmarked to justify its use in the creation of magnetic field maps. To address the second challenge and avoid any duplication of work, MANGO integrates a Git repository with submodules, where the finite-element models, the magnetic field maps and the documentation are stored. / I detta examensarbete diskuteras utvecklingen av MANGO, ett verktyg som skapats för att modellera normalkonduktiva elektromagneter, som installerades på 1970-talet i CERN:s experimentområden, och lagra deras analys. Mer specifikt formulerar MANGO ett svar på två problem som fysiker vid Beam Department står inför när de modellerar en partikelstrållinje. Hur skapar man nya magnetfältskartor och, hur får man enkelt tillgång till nuvarande magnetfältskartor? Det innehåller ett programbibliotek med flera användningsområden, som skapar nya magnetfältskartor från nuvarande magnetmodeller, som skapas av programbibliotek självt. Med den programbibliotek kan man visualisera en magnets fältdensitet eller flödeslinjer, benchmarka modellen och automatiskt lagra magnetlösningar och numeriska simuleringar i databasen, utöver att modellera magneter, och samtidigt ge möjlghet för anpassning av innehållet till användarens kunskapsnivå och färdigheter. För att utveckla MANGO börjar författaren med att modellera de olika typerna av normalkonduktiva elektromagneter med hjälp av tvådimensionell finit elementmodellering (Opera-2D). Efter den framgångsrika utvecklingen av en finit elementmodell, fortsätter författaren med benchmarking av modell för att motivera dess användning inom skapandet av magnetfältskartor. För att besvara det andra problemet integrerar MANGO ett Git-databas där finita elementmodellerna, magnetfältskartorna och dokumentationen lagras, för att undvika dubbelarbete. Git databas har undermoduler för att kunna skapa olika åtkomster per användarnivå.