Detekcia peptidov z dát hmotnostnej spektrometrie sa nachádza v jadre výpočtovej proteomiky. V našom výskume sa zameriavame na detekciu variantných peptidovveľkú triedu nepravdepodobných ale vysoko informatívnych peptidov s množstvom biomedicínskych aplikácií. Štandardné metódy detekcie peptidov typicky detekujú iba malé množstvo variantných peptidov, často s veľkou mierou nesprávnych detekcií, čo v dôsledku zabraňuje plne využiť ich potenciál v ďalších aplikáciách. V n?som výskume argumentujeme, že jednou z príčin ich neefektívnej detekcie je zanedbanie apriórnych pravdepodobností peptidovpravdepodobností prítomnosti peptidov vo vzorke pred uskutočnením samotnej analýzy pomocou hmotnostnej spektrometrie. V nadväznosti na uvedené vyvinieme teoretické a algoritmické metódy založené na Bayesovej vete za účelom zakomponovania apriórnych pravdepobností do detekcie peptidov. Následne ukážeme, že naše metódy odvodia presné posteriórne pravdepodobnosti za viacerých okolností a výrazne vylepšia efektívnosť detekcie v porovnaní s viacerými prístupmi na detekciu variantných peptidov. V závere vyvinieme výpočtové metódy, ktoré spracúvajú detekované variantné peptidy, a ilustrujeme ich aplikácie v medicíne, v reprodukovateľnosti výskumu a vo forenznej vede.Detection of peptides from mass spectrometric data lies at the core of computational proteomics. In our research, we focus on detecting variant peptidesa large class of unlikely but highly-informative peptides with rich biomedical applications. Common peptide detection methods typically result in a small number of variant peptides detected, along with a high rate of false positives, hence preventing utilizing the full potential of variant peptides in follow-up applications. Herein, we argue that one reason for the inefficient detection is the neglect of peptide prior probabilitiesthe probabilities of the presence of the peptides in the sample before the mass spectrometric analysis itself. In accordance, we develop theoretical and algorithmic methods based on Bayes' theorem to probabilistically incorporate peptide prior probabilities into detection. Afterward, we show that our methods derive accurate error rates under multiple circumstances and substantially improve the detection performance over several popular peptide variant detection algorithms. Finally, we develop computational methods that process the detected peptide variants and illustrate their applications in medicine, research reproducibility, and forensics.