Peptidoomanalyse is een sterk groeiend veld in proteoomanalyse. De belofte van het analyseren van peptide-componenten is immers gekend, maar is lang tegenhouden door een gebrek aan geschikte analytische en bio-informatica methoden. De hernieuwde interesse van vandaag, is dan ook te danken aan verbeteringen in analytische methoden en instrumenten. Spijtig genoeg zijn de eveneens broodnodige bio-informatica methoden om de bekomen gegevens te analyseren nog steeds niet voorhanden, waardoor er een belangrijke hindernis opgeworpen blijft in dit beloftevolle veld. Hier stellen we daarom voor om deze problematiek aan te pakken door gebruik te maken van onze toonaangevende modellen, gebaseerd op artificiële intelligentie en machine leren. Hiermee zullen we software ontwikkelen die peptidoom data kan identificeren en quantificeren met ongeziene gevoeligheid en specificiteit, en met optimale accuraatheid en precisie. Dit algemene doel zal bereikt worden door vier doelstellingen te behalen: (i) het bouwen van optimaal voorspellende modellen voor het gedrag van echt generieke peptiden in LC-MS/MS analyses; (ii) het gebruik van deze modellen in veel beter presterende, open modificatie identificatiesoftware voor peptidoom data; (iii) het bouwen van peptidoom-specifieke algorithmen voor de quantificatie en differentiële analyse van peptidoom data; en (iv) het toepassen van deze totaaloplossing voor peptidoomanalyse op een aantal relevante en diverse data sets als bewijs van het concept.