Menselijke cellen en weefsels worden gevormd door hun unieke eiwitten en door de post-translationele modificaties (PTM's) die deze eiwitten bevatten. Massaspectrometrie gebaseerde proteomics levert een gevoelige methode aan om deze eiwitten en PTM's te analyseren, wat inzicht geeft in het eiwitlandschap van een weefsel, vooral omdat er elk jaar enorme hoeveelheden data worden verzameld in openbare databanken. Deze deductie van eiwitlandschappen wordt momenteel beperkt door computationele methoden en onvoldoende metadata. Mijn project richt zich daarom op het leveren van een geavanceerd en gegeneraliseerd eiwit-gebaseerd weefsel predictiemodel als de fundamentele eiwitlandschap mapper. Door sequentiële, structurele en PTM-data te integreren, zal het applicatiepotentieel worden uitgebreid naar verschillende modelorganismen, differentiële analyse bij ziekte en low-input samples (single-cell en organoid data). Tegelijkertijd zal ik actief investeren in metadata annotatie voor nieuwe datasets met behulp van mijn gevestigde lesSDRF tool, en door opzetting van gemeenschapsinspanningen. Bovendien zal ik geautomatiseerde tools voor retroactieve metadata-annotatie ontwikkelen om zo de beschikbaarheid van metadata voor alle publieke datasets te optimaliseren. Kortom, mijn inspanningen zullen onderzoekers in staat stellen om mijn tools te hergebruiken voor hun onderzoek van eiwitlandschappen en om innovatieve manieren te ontwikkelen om publieke proteomics data te gebruiken.