北京蛋白質組學帶你了解蛋白質組學報告分析全新升級更新。

組學技術大程度地推動了生命科學和人類健康研究的發展。隨著基因組和轉錄組層面信息的大量解析與應用，前沿的研究者們已經開始逐漸提高了對蛋白質組的關注度，嘗試從更多生物分子層次來多方面地探討生物功能的執行與表型變化。為貼合廣大研究生與教師的科研需求，青蓮百奧推出蛋白質組學全線產品滿9贈1活動的同時豐富了我們的報告內容，助力實現廣大科研老師們的組學需求，為您提供更高質量的分析報告。

組學技術很大程度地推動了生命科學和人類健康研究的發展。隨著基因組和轉錄組層面信息的大量解析與應用，前沿的研究者們已經開始逐漸提高了對蛋白質組的關注度，嘗試從更多生物分子層次來多方面地探討生物功能的執行與表型變化。為貼合廣大研究生與教師的科研需求，青蓮百奧推出蛋白質組學全線產品滿9贈1活動的同時豐富了我們的報告內容，助力實現廣大科研老師們的組學需求，為您提供更高質量的分析報告。

一、全局分析豐富內容

01樣本重合性分析

對每個分組搜到的蛋白進行Venn圖統計分析，可以分析出每個分組的組間差異性。同時對每個分組中每個樣本搜到的蛋白進行Venn圖統計分析，可以分析出每個分組的組內差異性。

圖1樣本組間Venn圖

02Pearson相關性分析

對各個樣本的定量值進行Pearson相關性計算，畫出相關性矩陣圖，更直觀的判斷樣本之間相關程度的強弱。

圖2樣本相關性矩陣圖

注：X、Y分別表示樣本，左下方為相關性系數，右上方為相關性系數的顏色表示，顏色越紅正相關越強，顏色越藍負相關越強。

03主成分分析

PCA圖方面，在用形狀和顏色區分更多的組以直觀看到組內和組間差別和聚類結果的2維展示圖基礎上增加3維展示圖。

圖3 PCA（3維）

除此之外增加了PLS-DA分析，PLS-DA采用了經典的偏小二乘回歸模型，是一種有監督的判別分析方法。因無監督的分析方法（PCA)對所有樣本不加以區分，即每個樣本對模型有著同樣的貢獻，因此，當樣本的組間差異較大，而組內差異較小時，無監督分析方法可以明顯區分組間差異；而當樣本的組間差異不明晰，而組內差異較大時，無監督分析方法難以發現和區分組間差異。另外，如果組間的差異較小，各組的樣本量相差較大，樣本量大的那組將會主要模型。有監督的分析（PLS-DA）能夠很好的解決無監督分析中遇到的這些問題。

圖4 PLS-DA圖

二、差異分析豐富內容

01差異蛋白文氏圖

不同比較組中差異蛋白Venn圖展示，通過該圖可以較清楚的看出各比較對的差異蛋白交集，以及其它重疊信息，通過對應表格可了解具體重疊的蛋白。

圖5 不同比較對差異蛋白文氏圖

02差異蛋白火山圖

差異蛋白火山圖注釋更新，將上調與下調差異前10的蛋白在圖中標注，更直觀清晰。

圖 6 樣本差異蛋白火山圖統計分析

03差異蛋白的ROC曲線分析

ROC曲線 (receiver operating characteristic curve) 作為常用來篩選評估生物標記物的分析方法。AUC (Area under the curve) 是衡量ROC曲線非常有用的度量。AUC始終在0.5（兩個類在統計上相同）和1.0（有一個閾值可以實現類之間的分離）之間，越接近1，物質的在對照組和實驗組的分離就越明顯（即為潛在的生物標記物）。對每個比較對的每個差異蛋白進行ROC分析，可以清楚的看出兩者差異蛋白定量值的分布差異。

圖7 差異蛋白ROC圖

三、功能分析豐富內容

功能分析方面在原有的COG、GO、GOSlim、PPI的基礎上增加了Pfam富集分析，Pfam是蛋白質家族的數據庫，根據多序列比對結果和隱馬爾可夫模型，將蛋白質分為不同的家族。

功能富集分析的展示圖我們也進行了美觀優化，在富集分析原有的三聯圖、氣泡圖的基礎上細分了差異蛋白柱狀圖、條目富集結果柱形圖。

圖8 GO Term差異蛋白柱狀圖

注：X軸表示差異蛋白富集度Top20的GO Term，Y軸表示富集到的蛋白數目，Down為該GO Term下調蛋白數目，Up為該Term上調蛋白數目。

圖 9 GO Term富集柱狀圖

注：Y軸為富集表格中富集度Top20的Term，X軸顯示為富集的Ratio值，柱狀圖顏色表示富集的P值，右側標記數值為富集的蛋白數目。

除此之外，新增差異蛋白和弦圖展示出對應功能條目富集到哪些基因以及這些基因的上下調情況。與差異蛋白和弦聚類圖展示出對應功能條目和差異基因的聚類情況。給您的數據增添新的展示形式。

圖10 GO富集結果和弦圖

圖11 GO富集結果聚類圖

以上就是青蓮百奧報告升級優化的內容，同時我們也將不斷持續更新分析流程，滿足您多樣化的分析需求。享科研服務選青蓮百奧5.1-6.30全線蛋白產品滿九贈一并可享受全新升級報告，詳情請咨詢當地銷售或客服。