В статье представлен пакет R и приложение Shiny ProteoScopeR, предназначенное для стандартизации и повышения воспроизводимости количественного протеомного анализа. Инструмент объединяет ключевые этапы обработки данных, такие как нормализация, обработка пропущенных значений и статистическое моделирование, в единый отслеживаемый рабочий процесс с возможностью экспорта отчётов. Особое внимание уделено интеграции внешнего искусственного интеллекта, который анализирует экспортированные данные и предлагает оптимальные настройки для утверждения исследователем, при этом все вычисления остаются в среде R. В качестве кейс-стади использовались данные DIA-NN по стекловидному телу глаза (69 образцов, 3667 белковых групп) для сравнения патологий nAMD и pmCNV. Исследователи протестировали шесть методов нормализации и семь стратегий обработки пропусков, после чего применили циклический ло-сглаживание для сравнения пяти дифференциальных рабочих процессов. Результаты показали, что алгоритмы limma и proDA выявили 54 и 37 белковых групп соответственно, из которых 31 были общими при строгих статистических критериях. Работа демонстрирует высокую чувствительность результатов к выбору аналитических методов и предлагает решение для прозрачного документирования этих решений в научных исследованиях.