Es werden folgende Ziele verfolgt: 1) Es wird eine Auswertungspipeline entwickelt, mit der Tumorentitäten in Untergruppen im Hinblick ihrer Telomer-Erhaltungsmechanismen (TMM) stratifiziert werden. Das wird verwirklicht, in dem ein Maschinenlernsystem erstellt wird, welches genetische, epigenetische, Transkriptom- und Bild-Daten von Glioblastomen und Prostatakrebs integriert. 2) Es werden die zugrunde liegenden Mechanismen entschlüsselt, um die zentralen Merkmale und fehl-regulierten Signale, die zu TMM führen in den jeweiligen Tumoruntergruppen zu finden. 3) Es werden mit Gen-regulatorischen Netzwerk-Modellen Knockout-Simulationen zu den unterschiedlichen TMM-Untergruppen durchgeführt und so Störungen des Systems simuliert, die letztendlich zu der besten Inhibierung der TMM führen. Es wird eine bioinformatische Pipeline zur Analyse von Deep-Sequencing Daten aufgebaut und aus Vorstudien Kandidaten-TMM-Merkmale/Gene ausgewählt. Damit wird iterativ eine multivariate Datenanalyse von (epi)genetischen,Transkriptom- und zytologischen Daten zur Tumorstratifikation und Auswahl der Zelllinien durchgeführt, die die Auswahl verbessert. Es werden deregulierte (epi-) genomische TMM-Merkmale und RNA identifiziert. Dies dient zum Bestimmen von TMM-Signalwegen, auf denen mit genregulatorischen Netzwerken Modellierungen durchgeführt werden.