Massaspectrometrische analyse van eiwitten in individuele cellen (SCP) is revolutionair voor de studie van complexe biologische processen, weefselheterogeniteit en ziekteprocessen. In tegenstelling tot genexpressie technologieën, kwantificeert men hierbij direct eiwitten en deze spelen inderdaad een sleutelrol in veel cellulaire reactiepaden. Het extraheren van biologische kennis uit SCP gegevens wordt belemmerd door de huidige data-analysepraktijken die niet corrigeren voor 1) sterke batch effecten en ontbrekende waarden. 2) sterke correlaties in eiwitten (peptiden) abundantie tussen cellen van hetzelfde staal, en 3) alleen verschillen in gemiddelde abundantie oppikken, waardoor de voordelen van SCP over bulkbenaderingen worden teniet gedaan. In dit project zullen we daarom nieuwe, geavanceerde data-analyse methoden voor SCP ontwikkelen die 1) dimensie reductie en imputatie van ontbrekende waarden simultaan uitvoeren terwijl ze batch effecten in rekening brengen. 2) correct rekening houden met de correlatiestructuur van SCP-gegevens om betrouwbare proteomics-signaturen te bekomen, 3) niet alleen focussen op verschillen in gemiddelde, maar ook in variantie, scheefheid, kurtosis en multimodaliteit. Deze ontwikkelingen zijn essentieel om de effecten van langetermijn behandeling en medicijnresistantie te schatten uit in vitro en in vivo SCP studies van het Prof. Gevaert lab, waarmee we de relevantie en de impact van onze methoden zullen illustreren.