整理数据
通过蛋白质组学分析软件处理后，您会得到检测到的磷酸化位点信息及其增加或减少的信息（如下图）。
将这张表上传到IPA软件中（如下图），便可开始后续的核心分析，对这些数据背后的生物学意义进行深入的解析。
为了进行因果分析，IPA要求每个时间点每个蛋白质都有一个整体的“差异磷酸化”值。IPA不会自动将磷酸化的增加等同于蛋白质活性的增加，因为某些蛋白质的磷酸化增加可能会降低这些蛋白质的活性。要规定IPA如何为每种蛋白质选择一个整体磷酸化值，用户可以指定IPA使用的是每个时间点每种蛋白质各个磷酸化位点的最大绝对值，还是平均值或中位数。
设置IPA核心分析
在上传完数据后，IPA会指引用户进行分析设置，其中的第一步就是将p值计算的背景设置为“User Dataset”（如下图）。也就是说上传的是完整的数据集而不仅仅只是“差异磷酸化”子集。完整的数据集代表了使用蛋白质组学检测技术能够可靠地检测到的所有磷酸化蛋白质。IPA将以它为背景（即以User Dataset为背景）来分析差异磷酸化的显著性。
接下来，用户可以设置cutoff值，选择进行后续分析的分子有哪些，并可在下图的observation下拉菜单中查看每个组有多少分子通过了cutoff。
查看IPA分析结果
完成分析后，IPA图形摘要选项卡中会显示机器学习生成的总结关系图。下图表明胰岛素受体信号传导和mTOR信号传导等经典通路的活性预测为增加，AKT1和胰岛素受体（INSR）等关键激酶也预测会被激活。正如预期，磷酸化模式产生了胰岛素暴露的预测（下图中标记为“INS”的节点代表胰岛素蛋白）。
在上游分析板块（如下图），用户可以根据分子类别和z分数对鉴定出的上游调控子进行排序。
在上图中选择感兴趣的分子后，可以将其生成为网络（如下图），每个节点右上方的数字表示磷酸肽的数量，点击数字可显示详细信息。例如，点击NOS3节点的数字可显示Nos3蛋白中氨基酸残基T1174和S1176的磷酸化程度增加。双击连线可进一步查看与这个节点相关的文献证据。
探究上游激酶的靶点如何随时间变化
在上游分析中找到关键的靶点后，我们可以研究它在所上传的数据集中如何随时间变化。例如，想要探究Akt1，我们只需将它添加到新的“My Pathways”中，添加所有已知的下游磷酸化靶标，如下图所示。
将上传的数据集叠加（overlay功能）上去后，即可呈现下图的可视化网络。
此外，打开分子活性预测器后，即可呈现下图的丰富预测效果。
探究哪些生物学过程呈现时间依赖性
在文件管理器中将整套数据集分析结果选中后即可进行对比分析，如下图。
在对比分析结果中可以清晰地看到经典通路随时间变化的趋势（如下图）。
假如想查看其中某条通路的具体信息，只需双击方块即可。下图呈现的就是完整的胰岛素信号通路。
表达分析与磷酸蛋白质组学分析的比较
上文使用过的对比分析方法也可用于多组学分析，下图呈现的最右侧列就是同一种细胞类型的表达数据。结果可见表达数据与磷酸蛋白质组学数据有许多共同的上游调控子。换句话说，磷酸蛋白质组学和表达数据集都预测出细胞被暴露于胰岛素。
这说明了IPA可以从不同的组学数据预测共通的生物学过程，而这些不同的组学数据测定到的分子在很大程度上可能并不相同。
欢迎点击预约IPA讲座
了解更多磷酸化组学研究和数据分析技巧！
