Netwerk-gebaseerde methoden zijn uitermate geschikt om analyses op in-house data te optimaliseren aan de hand van publieke data. NBM maken hierbij gebruik van voorkennis in de vorm van een geninteractienetwerk (priornetwerk). Courant gebruikte priornetwerken zijn conditie-agnostisch en onvolledig. Dit heeft een negatief effect op de performantie van NBM. Bovendien maken de huidige NBM gebruik van overgesimplifieerde modellen die het volledige potentieel van de beschikbare data niet benutten. Eigenschappen van patient specifieke aberraties of functionele informatie, andere dan differentiele expressie worden niet gebruikt. Daarom zullen we in dit project 1) een innovatieve methode ontwikkelen die beschikbare omics data omzet in een context-specifieke netwerkprior. Deze methode, gebaseerd op deep-learning-gerelateerde netwerkrepresentatietechnieken zal relevante data converteren naar interactie informatie die kan worden voorgesteld als een probabilistische graaf maar ook als een vector 2) bijkomend zullen we NBMs aanpassen zodat ze de probabilistische graaf presentatie optimaal kunnen gebruiken en het volledig potentieel van de in-house data kunnen benutten, 3) zullen we een alternatieve integratieve method ontwikkelen die gebruik maakt van de vector- eerder dan van de graafrepresentatie van het netwerk. Onze methoden zullen ontwikkelend worden in de context van kanker systems genetics en toegepast worden op een unieke borst- en metastatische prostaatkankerdataset.