Eiwit-eiwit interacties (PPI's) en post-translationele modificaties (PTM's) vervullen een centrale rol in de regulatie van biologische processen. Er is echter nog niet veel bekend over de wisselwerking tussen deze twee regulatiemechanismen. Daarom wil ik MoDPA ontwikkelen, een computationele methode om co-incidentele PTM's te identificeren uit de heranalyse van een grote MS-gebaseerde proteomics dataset. Ik zal een Variational AutoEncoder (VAE) implementeren, een deep learning model om de data te projecteren in een latente ruimte met lage dimensies en om correlaties tussen PTMs te berekenen. Vervolgens zal ik de resultaten visualiseren als een netwerk waarin knooppunten, die PTM's voorstellen, verbonden zijn door randen die co-incidentie voorstellen. Ik zal het netwerk analyseren om relevante clusters van biologisch gerelateerde (gemodificeerde) eiwitten te identificeren en bekende interacties annoteren op basis van de informatie die al aanwezig is in de literatuur (d.w.z. Tabloid Proteome). Een eerste, voorlopige analyse identificeerde al een cluster van sterk onderling verbonden modificatiesites op eiwitten gerelateerd aan immuunrespons en metabolisme, evenals clusters van gefosforyleerde eiwitten en kinases. Om deze aanpak te valideren, ben ik van plan om te bestuderen hoe PTM's de interacties tussen chaperones en hun cliënteiwitten beïnvloeden, met een focus op spontane modificaties die verband houden met moleculaire veroudering.