Post-translationele modificaties (PTM's) zijn moleculaire groepen die daarna aan eiwitten worden toegevoegd
vertaling. Zoals het geval is in de meeste van de proteomics-onderzoek, de methode van keuze voor hun
analyse is tandem massaspectrometrie. Omdat de analyse van PTM's niet zo is
eenvoudig als de analyse van normale eiwitten, blijven veel PTM's onopgemerkt. Een van de
meest voorkomende en meest bestudeerde PTM's is fosforylering, die een sleutelrol speelt in het signaal
transductie, en is verstoord in ziektes die zo uiteenlopen als Alzheimer en kanker. Vanwege dit grote
interesse en breed toepassingsdomein, zal mijn onderzoek zich richten op het verbeteren van de detectie van
fosforylering.
Mijn doel is om een ​​nieuwe methode te ontwikkelen voor de identificatie van gefosforyleerde eiwitten, gebaseerd
over het hergebruik van de grote hoeveelheden gegevens in openbare proteomics-databases. Inderdaad, deze gegevens kunnen
worden gebruikt om machine learning algoritmes te trainen die de identificatie van kunnen verbeteren
gefosforyleerde eiwitten. Dit kan gebeuren omdat bestaande gegevens het leren van de machine kunnen leren
algoritmen om een ​​nauwkeurige, theoretische spectrale bibliotheek te voorspellen voor alle mogelijke gefosforyleerde
peptiden, compleet met gedetailleerde informatie over piekintensiteit. Dit zou moeten leiden tot een onbevooroordeelde
zoekmachine met een veel hogere gevoeligheid dan bestaande methoden. Bovendien is deze data-driven
aanpak kan eenvoudig worden aangepast aan alle huidige en mogelijke toekomstige fragmentatietechnieken.