關於IPA與IPA Interpret

QIAGEN IPA是一款雲端生物資訊分析軟體，可用來分析以下多種實驗數據：

• RNA-seq表現量資料
• 基因晶片（microarray）
• SNP陣列
• 蛋白質體學
• 代謝體學
• 其他產生基因清單的小型實驗（如PCR）

除了資料分析，IPA還能搜尋特定基因、蛋白質、化學物質、疾病與藥物的資訊，建立專屬的生物模型。透過IPA的分析和建模功能，再搭配結構化整理的生物與化學研究發現資料庫，能幫助您更加了解研究數據在更大的生物或化學系統中的意義。

IPA Interpret為IPA中包含的元件，可透過快速且現代化的網頁介面呈現IPA Core Analysis的結果，並與他人分享。

 

以泡泡圖（bubble chart）精進您的數據解釋與呈現

IPA Interpret新增功能-泡泡圖，能協助您：

• 快速地找出分析結果中有趣的模式
• 聚焦於最重要的預測
• 產生適用於簡報或發表文獻的視覺化圖表

泡泡圖適用於Canonical Pathways、Upstream Regulators、Diseases & Functions，以及Tox Functions等分析，並可在主頁相關項目的「View details」連結進入的Bubble Chart分頁中查看。

泡泡圖呈現

圖一顯示了IPA Interpret畫面中以分類泡泡圖呈現的Upstream Regulator分析結果。圖中Y軸為調控因子的「分子類型」，X軸則是每個調控因子以Benjamini-Hochberg多重檢定校正後p值的負對數，來顯示它的顯著程度。這種視覺化方式能讓您快速看出在此資料集中，預測最顯著的調控因子（圖表右側）主要為化學藥物或化學試劑。

圖一、IPA Interpret中Upstream Regulators的分類泡泡圖（Categorical-style bubble chart）。調控因子依其「分子類型（Molecule Type）」分類排列。圖中的泡泡大小代表資料集中的基因與每個調控因子所標靶的基因之間的重疊比例。

以火山圖風格展示泡泡圖

您可以依分數、調控因子名稱甚至是根據整個類別篩選結果（見圖五）。也可以將結果改用「火山圖風格」的泡泡圖顯示。圖二顯示了與圖一相同的結果，但以火山圖呈現，Y軸為顯著性（BH p值），X軸為活化方向（activation z-score）。

圖二、IPA Interpret中的新「泡泡火山圖」。右上方的泡泡代表最顯著且預測為活化的結果，左上方的則是顯著但預測為抑制的結果。將游標移到泡泡上即可查看更詳細的分析資訊，如圖中nitrofurantoin的範例所示。

細節頁面新增「Expected」欄位

將游標移到泡泡上時，會顯示該泡泡的評分指標摘要（見圖二）。點擊泡泡後，圖表下方會顯示更多細節，包括路徑或網路圖、該項目的文字說明，以及資料集中支持該預測的基因詳細列表。

在詳細列表中，新增了一欄「Expected」，其數值表示若該項目（如上游調控因子、Canonical Pathway等）被活化時，資料中的基因或蛋白應呈現的調控方向（上調或下調）。這些資訊是根據文獻資料整理而來。

圖三示範了在特定資料集裡，上游調控因子FGF7的分析結果。其中有七個受FGF7調控的基因預期會上調，一個預期下調，如Expected欄所示（紅框）。資料集的相鄰欄位「Expr Log Ratio」（藍框）顯示這八個基因的表現方向都與預期一致，因此在此分析中FGF7被預測為活化（z-score = 2.83）。

圖三、資料表中的新增「Expected」欄位。

此外，如圖四所示，您可以點選網路中的關係連線，來查看支持Expected欄位資訊的相關研究結果。

圖四、點選網路中的關係連線（紅色箭頭）可查看Expected欄位背後的詳細依據。例如，根據上方所示的文獻，FGFR1預期會在FGF7被活化時上調。

使用More filters進行額外篩選

不同類型的「項目」都有專屬的分類方式，例如Upstream Regulators和Tox Functions的分類就不一樣。圖五示範了用「More filters」選項，將疾病與功能篩選成胚胎發育（Embryonic Development）類別，方便您挑選適合發表或簡報的重點結果。

圖五、點選「More filters」可將結果限制在特定類別內。此範例中，泡泡圖已篩選為胚胎發育類別的疾病與功能，並透過「Data display」選單套用z-score和p值的篩選條件。

按照路徑分類篩選與上色泡泡

此外，Canonical Pathway的泡泡圖可以依「路徑類別（Pathway Category）」上色（見圖六），顏色分別對應到訊息傳遞、Reactome資料庫或代謝路徑。您也可以選擇依路徑類別進行篩選，隱藏其中一個或多個類別的所有泡泡。

圖六、Canonical Pathway的泡泡按照路徑類別上色。您可以根據它們是訊號傳遞、Reactome資料庫或是代謝路徑來為泡泡上色。

匯出自訂的長條圖

IPA Interpret現在支持在匯出圖片時，對長條圖進行更完整的自訂設定。您可以輕鬆調整多個選項，包括：

• 字體
• 長條間距
• 長條粗細
• 長條配色

您可以依照以下步驟操作這項功能：

1. 篩選想要顯示的長條
2. 點選匯出（export）按鈕
3. 在出現的選單中選擇「Custom styling before download」
4. 在彈出的視窗中，用各種控制項調整圖表，打造符合需求的輸出格式

若想保存這個新格式，勾選視窗底部的「Save For Future Download Use」，之後下載相同類型的圖表就能沿用設定。如果想恢復預設樣式，隨時可點選「Reset All」按鈕。

圖七、匯出圖片時的長條圖自訂功能。上圖為原始版本，下圖為自訂後的版本。已調整字體、長條大小和顏色（紅框標示）。

圖形摘要功能強化

IPA Interpret的「Graphical Summary」現在經改版後更容易解讀，您可以直接查看摘要圖中預測的上游調控因子對應的基因表現細節。從主頁點選「View details」後，將游標移到Graphical Summary 網路裡感興趣的上游調控因子上，就會跳出提示文字（tooltip），顯示該基因在分析中的分數，以及其在資料集中的表達詳細資訊，方便您同時評估基因表現與調控預測。

例如圖四中，游標停在NR1I3（又稱CAR）節點上時，可看到它預測為受抑制，且在資料集中為下調表現。不過這個基因本身未通過本次分析設定的p值<0.01的篩選（提示文字中顯示「Passed Cutoffs No」）。

此外，點選Graphical Summary中的任意項目後，下方會顯示一張表格，列出資料集中用於預測該項目活性的所有基因。圖八下方就顯示了與NR1I3相關聯的基因列表。

圖八、透過滑鼠移動或點擊探索Graphical Summary。上方為滑鼠停在Graphical Summary 項目時顯示的提示文字範例，下方為點選後出現的相關基因表格。

透過新增的詮釋資料表（Metadata Table）精進Similar Analysis圖表的探索功能

現在，您可以對 IPA Interpret中「Similar Analyses」圖表裡約200筆分析的詮釋資料（metadata）詳細資訊進行排序和篩選，讓您更容易縮小範圍找到感興趣的分析。舉例來說，您可以只看「Treatment vs. Control」類型的分析。圖九展示了這種方便的篩選功能。

圖九、在Similar Analysis圖表的詳細頁面中篩選詮釋資料表。您可以輸入關鍵字進行篩選，或使用選單選項來過濾表格內容。

新增API支援程式化提交分析並取得IPA Interpret連結

IPA原本就有提供API讓使用者可以在不開啟桌面版的情況下，透過程式自動將資料集提交至雲端進行分析，並附有R和Python範例腳本方便您試用APIs或將其整合到自動化流程中。

本次更新新增了一個API，可讓您的程式在分析完成後自動取得並開啟IPA Interpret的報告連結。也就是說，您可以先程式化提交資料，幾分鐘後就能在瀏覽器查看分析結果，或將網址儲存以後使用。詳細使用方式可參考API說明頁、範例腳本和PDF手冊。

IPA Interpret其他改進內容

• 長條圖中的工具提示會在游標移到長條上時顯示該項目的詳細資訊
• 資料表新增了列計數器，可顯示表格的總列數，以及篩選後剩餘的列數
• 介面中現在會以「AI-Suggested」標誌標示由大型語言模型產生的摘要內容
• 新增了彈出式說明面板，用來解釋項目表中的z-score

IPA桌面版：路徑與網路即時因果評分（Grow 工具）

現在IPA 桌面版中的Build > Grow工具已更新，可更快速分析任意路徑或網路，找出可能造成因果影響（或受其影響）的相關上游調控因子、Canonical Pathways、疾病/生物功能或毒理功能，並即時進行預測與評分，加快探索與建立假說的流程。例如，您可以做以下探索：

• 找出路徑的上游化學抑制劑
• 推測某個路徑活化後可能被抑制的其他路徑
• 分析上游調控如何驅動下游結果

實際應用（一）

在查看分析結果中的上游調控因子時，您可能想知道哪些Canonical Pathways會受影響，圖十示範了這樣的分析流程：

• NFE2L2在分析中預測為活化，畫布上以細胞內模式（Subcellular mode）顯示它和它的調控基因的關係
• 使用Build > Grow > Canonical Pathways功能，預測此網路中可能活化或抑制的路徑
• 結果顯示NRF2調控的氧化壓力反應路徑預測為活化，z-score為3.606（見紅框）
• 選取該路徑後，會自動加到畫布中並以橘色標示其為活化狀態（圖右側）

圖十、Grow工具對上游調控因子網路進行因果預測的Canonical Pathways。路徑上的節點必須具備方向性標示（紅色或綠色）才能計算z-score。

您還可以進一步加入其他類型的項目，如圖十一所示，左側網路中新增了Grow工具建議的Tox Function、Bio Function和上游調控因子。

活動預測需要路徑上的分子有顏色標示（紅色或綠色），用來表示表現量或磷酸化方向。這些顏色可以來自套用的分析結果、資料集，或是您以MAP工具手動上色。如果沒有這些顏色標示，Grow工具就只能提供p值預測，而無法計算活化狀態。

圖十一、Grow工具預測上游表現調控因子。1,2-dithiole-3-thione（NRF2 活化劑）顯示出高度正向z-score，預測其能像NFE2L2（又稱NRF2）一樣活化該網路。

實際應用（二）

您還可以用更新後的Grow工具來探索其他問題，例如找出調控特定Canonical Pathway的因子。圖十二示範了這個方法：

1. 開啟「T細胞訊號傳導中的全身性紅斑狼瘡（SLE）」路徑
2. 套用MAP工具或按鍵快捷方式（a鍵）顯示其節點的活化模式
3. 選擇Build > Grow > Upstream Expression Regulators
4. 依z-score排序表格

可以看到匹格列酮（pioglitazone）為「受抑制」的調控因子（負的z-score），表示相反來說它可能對SLE產生抑制作用。

圖十二、延伸探索對Canonical Pathway具因果影響的上游表現調控因子。
套用Canonical Pathway節點的活化模式。匹格列酮（紅框）在此路徑呈現負的z-score，顯示它可能對全身性紅斑狼瘡（SLE）具有治療潛力。

此外，您可以先在路徑或網路上選取特定節點子集，再只對這些節點套用 Grow工具。這種做法能幫助您找到更具局部相關性的連結。

內容更新

新增六條 Ingenuity 信號轉導通路：

• DYRK1A訊號傳導路徑（DYRK1A Signaling Pathway）
• GAIT轉譯調控訊號傳導路徑（GAIT Translation Signaling Pathway）
• 減數分裂起始訊號傳導路徑（Meiosis Initiation Signaling Pathway）
• 膜修復訊號傳導路徑（Membrane Repair Signaling Pathway）
• NF1介導的RAS訊號傳導路徑（NF1 RAS Signaling Pathway）
• 應激顆粒訊號傳導路徑（Stress Granule Signaling Pathway）

知識庫更新

新增的38萬多筆新發現，使知識庫總數達到1,460萬筆。

• 超過249,000筆來自專家文獻註解

• 超過10,000筆BioGrid蛋白質交互作用資料
• 超過16,000筆基因與疾病的GWAS研究發現
• 超過109,000筆ClinVar癌症突變資料
• 超過1,200筆ClinicalTrials.gov藥物與疾病資料
• 超過1,300筆 ClinicalTrials.gov靶點與疾病資料
• 超過2,100筆基因本體（Gene-Ontology）研究發現

新增兩個物種的資料集對照

支援上傳以下物種的資料集：

• 山羊（Capra hircus）
• 三刺魚（Gasterosteus aculeatus）

OmicSoft資料集

OmicSoft中新增了15,001個資料集，使總資料集數達到246,776。另外，此版本中新增了一個新資料來源名為：美國國家癌症研究所患者來源模型（NCI Patient-Derived Models）。這些資料集將於七月提供。

 

Land	Repository	Q1	Q2	Increase
DiseaseLand	HumanDisease	38,710	39,036	326
	MouseDisease	28,784	29,355	571
	RatDisease	10,264	10,269	5
	LINCS	25,880	25,880
-OncoLand	-OncoHuman	24,972	25,262	290
	-OncoMouse	1,516	1,516
	TCGA	4,854	4,854
	ENCODE RNA Binding	486	486
	ClinicalProteomic Tumor	2,978	2,978
	NCI Patient-Derived Models		552	552
Single Cell Land	SingleCellHuman	194	194
	SingleCellHumanUmi	77,140	81,140	4,000
	SingleCellHumanHCL	1,469	1,469
	SingleCellMouse	81	81
	SingleCellMouseUmi	13,135	22,392	9,257
Normal Cells and Tissues	Human Tissues (GTEx)	1,312	1,312

原始文章來源：https://digitalinsights.qiagen.com/products/qiagen-ipa/latest-improvements/current-line/