Die räumliche Organisation von Zellen in Geweben ist entscheidend für die Gewebefunktion und Pathologie. So beeinflusst die Zellverteilung um Tumore die Immunantwort, während die Verteilung von Tumor-Subklonen Einblicke in Tumorevolution und -invasion gibt. Die räumliche Transkriptomik (ST) bietet durch die Erstellung von Genexpressionsprofilen im räumlichen Kontext wertvolle Informationen zur Charakterisierung klinischer Gewebeproben. Obwohl transkriptomische Daten wesentliche Erkenntnisse für Diagnose, Prognose und Behandlung liefern, basiert Krebs auf genomischen Veränderungen, die bösartige Phänotypen verursachen. Organisationen wie die AMP, ASCO und CAP haben daher Richtlinien zur Identifizierung klinisch relevanter genomischer Mutationen, einschließlich Kopienzahlveränderungen (CNAs), entwickelt. Derzeit fehlen jedoch kommerzielle Plattformen für räumlich aufgelöste DNA-Profilierung. Da Genom und Transkriptom eng miteinander verbunden sind, wurde in den letzten Jahren intensiv an der Ableitung genomischer Signaturen aus dem Transkriptom gearbeitet. Dies führte zur Entwicklung computergestützter Methoden zur Identifizierung somatischer CNAs aus ST-Daten, wodurch die Erforschung der räumlichen klonalen Heterogenität von Tumoren ermöglicht wurde. Das Ziel dieses Projektes ist es einen explorativen und analytischen Rahmen aus publizierten Methoden für die Ableitung von CNAs aus ST- Krebsdaten zu kreieren. Hierzu werden öffentlich zugängliche Datensätze verwendet und in einer Benchmarking-Studie ein robustes Framework zur Datenanalyse bereitgestellt. Dieses Framework wird verschiedene ST-Technologien und Datensätze unterstützen und sowohl sofortige Anwendbarkeit als auch zukünftige Erweiterbarkeit sicherstellen. Ein zentrales Element ist die Verwendung sorgfältig kuratierter Datensätze mit klar definierten Referenzwerten auf Transkriptom- und Genomebene.