北京蛋白质组学——蛋白质组学报告分析全新升级更新

2023-8-24 14:06

组学技术大程度地推动了生命科学和人类健康研究的发展。随着基因组和转录组层面信息的大量解析与应用，前沿的研究者们已经开始逐渐提高了对蛋白质组的关注度，尝试从更多生物分子层次来多方面地探讨生物功能的执行与表型变化。为贴合广大研究生与教师的科研需求，青莲百奥推出蛋白质组学全线产品满9赠1活动的同时丰富了我们的报告内容，助力实现广大科研老师们的组学需求，为您提供更高质量的分析报告。

组学技术很大程度地推动了生命科学和人类健康研究的发展。随着基因组和转录组层面信息的大量解析与应用，前沿的研究者们已经开始逐渐提高了对蛋白质组的关注度，尝试从更多生物分子层次来多方面地探讨生物功能的执行与表型变化。为贴合广大研究生与教师的科研需求，青莲百奥推出蛋白质组学全线产品满9赠1活动的同时丰富了我们的报告内容，助力实现广大科研老师们的组学需求，为您提供更高质量的分析报告。

一、全局分析丰富内容

01样本重合性分析

对每个分组搜到的蛋白进行Venn图统计分析，可以分析出每个分组的组间差异性。同时对每个分组中每个样本搜到的蛋白进行Venn图统计分析，可以分析出每个分组的组内差异性。

图1样本组间Venn图

02Pearson相关性分析

对各个样本的定量值进行Pearson相关性计算，画出相关性矩阵图，更直观的判断样本之间相关程度的强弱。

图2样本相关性矩阵图

注：X、Y分别表示样本，左下方为相关性系数，右上方为相关性系数的颜色表示，颜色越红正相关越强，颜色越蓝负相关越强。

03主成分分析

PCA图方面，在用形状和颜色区分更多的组以直观看到组内和组间差别和聚类结果的2维展示图基础上增加3维展示图。

图3 PCA（3维）

除此之外增加了PLS-DA分析，PLS-DA采用了经典的偏小二乘回归模型，是一种有监督的判别分析方法。因无监督的分析方法（PCA)对所有样本不加以区分，即每个样本对模型有着同样的贡献，因此，当样本的组间差异较大，而组内差异较小时，无监督分析方法可以明显区分组间差异；而当样本的组间差异不明晰，而组内差异较大时，无监督分析方法难以发现和区分组间差异。另外，如果组间的差异较小，各组的样本量相差较大，样本量大的那组将会主要模型。有监督的分析（PLS-DA）能够很好的解决无监督分析中遇到的这些问题。

图4 PLS-DA图

二、差异分析丰富内容

01差异蛋白文氏图

不同比较组中差异蛋白Venn图展示，通过该图可以较清楚的看出各比较对的差异蛋白交集，以及其它重叠信息，通过对应表格可了解具体重叠的蛋白。

图5 不同比较对差异蛋白文氏图

02差异蛋白火山图

差异蛋白火山图注释更新，将上调与下调差异前10的蛋白在图中标注，更直观清晰。

图 6 样本差异蛋白火山图统计分析

03差异蛋白的ROC曲线分析

ROC曲线 (receiver operating characteristic curve) 作为常用来筛选评估生物标记物的分析方法。AUC (Area under the curve) 是衡量ROC曲线非常有用的度量。AUC始终在0.5（两个类在统计上相同）和1.0（有一个阈值可以实现类之间的分离）之间，越接近1，物质的在对照组和实验组的分离就越明显（即为潜在的生物标记物）。对每个比较对的每个差异蛋白进行ROC分析，可以清楚的看出两者差异蛋白定量值的分布差异。