Netwerk-gebaseerde methoden (NBM) zijn veelbelovend om driver pathways te identificeren in tumorcohort data Ze gebruiken een netwerkmodel om te zoeken naar sets van op het netwerk geconnecteerde genen die in de cohorte van tumoren vaak gemuteerd voorkomen Deze geconnecteerde gensets zijn een proxy van driver pathways en bevatten naast frequente ook minder frequent voorkomende drivers Omdat ze gevoelig zijn aan een te groot aantal connecties gebruiken state-of-the art NBM enkel gecureerde networkmodellen Minder gecureerde interacties die potentieel ‘ntbrekende of kanker-specifieke links’vertegenwoordigen kunnen niet worden benut Bovendien laten huidige netwerkmodellen niet toe om het individueel effect van verschillende mutaties in eenzelfde gen te modeleren of om alternatieve splicing in acht te nemen We stellen daarom een innovatieve benadering voor, gebaseerd op network representation learning die zal toelaten om een meer realistisch maar ook meer geconnecteerd netwerk te converteren naar een probabilitische netwerk In dit netwerk reflecteren de probabiliteiten de waarschijnlijkheid waarmee de verbonden nodes interageren, rekening houdend met de networktopologie en de verschillende databronnen die de interactie ondersteunen Het gebruik van dit netwerk zal toelaten om te voorspellen hoe, per patient het effect van een driver zich propageert in het netwerk en om te bestuderen hoe genetische aberraties  leiden tot kanker-specifieke interactienetwerken