Post-translationele modificaties (PTM's) zijn cruciaal voor de functie en regulatie van eiwitten, waarbij hun disfunctie steeds meer wordt erkend als een kenmerk van veroudering en ziektes zoals Alzheimer en Parkinson. Hoewel massaspectrometrie een krachtig hulpmiddel is voor het bestuderen van PTM's, is het van nature bevooroordeeld ten opzichte van detecteerbare peptiden, waardoor veel PTM-locaties onontdekt blijven. Om deze beperking te overkomen, stel ik voor om een next-generation PTM-voorspeller te ontwikkelen met behulp van geavanceerde, maar verklaarbare, deep learning-technieken. Deze modellen zullen verder gaan dan de waarnemingen van massaspectrometrie en een uitgebreide kaart genereren van potentiële PTM-locaties. Door het model fijn af te stemmen met verouderingsspecifieke datasets van C. elegans, willen we PTM-patronen onthullen die geassocieerd zijn met moleculaire veroudering. Deze benadering zal ons begrip van PTM's uitbreiden, nieuwe verouderingsgerelateerde mechanismen onthullen en vrij toegankelijke tools en datasets bieden om diagnostiek en de ontdekking van therapeutische doelwitten in verouderingsonderzoek te bevorderen.