SPSS2组数据显著差异分析时数据如何输入
求30个数据的平均数时，错将其中一个数据105输入为15，即使总和减少了90；那么由此求出的这组数据的平均数与实际平均数的差是-9030=-3．故选：D．
根据实际情况α、β都是不易测量的数据，在△ABC中，a，b可以测得，角γ也可测得，根据余弦定理能直接求出AB的长．故选A．
你的数据是什么格式的?什么形式保存的? 可以很方便的,需要知道你的数据格式. 不见楼主答复.其实你可以使用ultraedit这个编辑器（有绿色破解版）的,可以将数据间用（,）逗号和（；）分号分隔,然后用wps的电子表格打开这个文件,根据提示即可. 再问： 用记事本可以打开 是dat格式 我可以给你看截图 再答： 看了你
x=[.];y=[.];fun1=inline('c(1)*x^2+c(2)*x+c(3),'c','x'); %拟合函数 y=ax^2+bx+cc=lsqcurvefit(fun1,[0,0],x,y) %求拟合系数a=c(1)b=c(2)c=c(3)
各组频数之和为140 频率之和为1
A.n和1B.16个 （1-15%-45%）*40=16
A频数就是各组的个数,各组的个数加和等于总数n
应该分为六组,首尾共有16项,三项一组,应该最后一个数单独分为一组.
有了,在分级下有个设置,里面有三个方格,第一个不打勾就可以了.
由题意知，原来这组数据的平均数为.x，这组新数中的每个数据都扩大到原来的2倍，则这组新数的平均数为2.x，原来的方差s12=1n[（x1-.x）2+（x2-.x）2+…+（xn-.x）2]=9，现在的方差s22=1n[（2x1-2.x）2+（2x2-2.x）2+…+（2xn-2.x）2]=1n[4（x1-.x）2+4（
数据排列为 应该选择 “单列(C)",“子组大小（Z）”可填入 ”1“或实际的分组.
等于新一组数据的方差因为方差是表现数据的波动情况的.而这样的两组数据,波动情况是一样的
第四组频数是15 再问： 答案出来了，但可不可以给过程？ 再答： 频数就是次数。在一组依大小顺序排列的测量值中，当按一定的组距将其分组时出现在各组内的测量值的数目，即落在各类别（分组）中的数据个数。 所以第四组频数就是用数据总数减去其他五组数据个数之和 50-4-9-16-6=15
原本数据,你使用的方法是为了比较,但是别人得到的和你的一样都应是原始数据
不懂你说的什么意思额～ 再问： 就是有3个数据 当其中一个数据变化时执行一次其他指令 再答： 那只要你在本地有一个数据的静态备份,然后隔多长时间(比如你说的定时器)就与这个备份数据比较一次,有变化就执行指令不就ok了？!
2.8,因为有两个3了,则必须有三个2.8 再问： 而且是唯一的,则x等于，问的是x等于 再答： x=2.8，之前只有两个2.8，要满足众数是2.8.必须有三个，所以x=2.8
是的,没错.逗号隔开的是各个求和的参数,用冒号相接的是单元格区域=sum(a1:a8)=A1+A2+A3+A4+A5+A6+A7+A8=sum(a1,a8)=A1+A8=sum(a1,a8,a9,a11)=A1+A8+A9+A11
vlookup多条件查找=VLOOKUP(A3&"|"&B3,IF({1,0},Sheet2!$A$2:$A$100&"|"&Sheet2!$B$2:$B$100,Sheet2!$C$2:$C$100),2,0)数组
你图片里的E列是后来插入的吧,如果是的话改成E1=IF(COUNTIF($A1:$C1,COLUMN(A1)-1),COLUMN(A1)-1,"")
若原始数据在A列（A1开始）,则B1写公式：=IF(MOD(ROW(A1),2),INDIRECT("A"&ROW(A2)/2),"")下拖复制!若数据在其他单元格,公式要作适当的修改,有问题Hi我,给我留言吧!网站公告：
表达谱芯片
您当前所在位置：&&&&&&&&&表达谱芯片&&&正文
表达谱芯片数据分析结果展示
表达谱芯片分析—归一化
一般采用的归一化的方法为quantile normalization。
单荧光芯片的原始数据经过标准化处理，转化为log2的对数后，在一个二维直角坐标系平面中，绘制散点图(scatter plot)。芯片数据的散点图常用于评估两组数据总体分布集中趋势。散点图中每一个点代表芯片上的探针点，该点在二维平面中的位置由其X轴坐标和Y轴坐标确定。
X轴：该点在对照样本芯片中标准化后的信号值。Y轴：该点在实验样品芯片中标准化后的信号值。
表达谱芯片分析—差异基因筛选
差异基因的筛选是微阵列实验数据分析的最关键一步，后续的功能分析和功能预测都是基于这些筛选出来的差异基因，因此可以毫不夸张地说，目的明确的实验设计配合合理的差异基因筛选方法，是整个实验成功的关键。我们根据您的实验设计选择针对的差异基因筛选方法，主要方法有：
1) 单因素两组数据统计分析，t-test ：
目的：根据一种条件，筛选两组样品之间的差异基因，计算以后提供p-value（显著性值）。
要求：一个影响因素下的2组数据，每组数据3个以上生物学重复（例如试验组3个样本，对照组3个样本，比较两组间的差异基因），例如，用药处理前后的动物，病理组织和正常对照组织，胚胎和成体等。
根据不同的数据情况t-test有三种不同的模型：The Unpaired t-test for Two Groups，多用于生物学重复之间个体差异非常小的数据；The Unpaired Unequal Variance t-Test (Welch t-test) for Two Groups，多用于生物学重复之间个体差异较大的数据；The t-test against 0 for a Single Group，用于单组数据的t-Test。
备注：双通道芯片产生的数据是Cy3通道和Cy5通道的荧光信号比值，即ratio值，Cy3通道信号和Cy5通道信号在常规实验设计中不能独立分开作为两组单通道信号值进行数据分析。
2) 单因素多组数据统计分析, one-way anova：
目的：只考虑一种影响因素，筛选两组以上样品之间的差异基因。
要求：一个影响因素下的多组数据，每组数据3个以上生物学重复。例如，不同药物刺激对于对照组，病理组和模型组的影响；化学刺激对于野生型，突变型和转基因植物植株的影响。
备注：双通道芯片产生的数据是Cy3通道和Cy5通道的荧光信号比值，即ratio值，Cy3通道信号和Cy5通道信号在常规实验设计中不能独立分开作为两组单通道信号值进行数据分析。
3) 多因素数据统计分析two(N)-way anova：
目的：根据一个以上不同的条件综合评判，筛选多个条件对于两组样品造成的差异基因。
要求：多个影响因素下的2组数据，每组数据3个以上生物学重复。例如：比对动物不同发育时间不同组织之间的差异；肿瘤的不同时期在不同年龄段个体中的表达差异等。
备注：双通道芯片产生的数据是Cy3通道和Cy5通道的荧光信号比值，即ratio值，Cy3通道信号和Cy5通道信号在常规实验设计中不能独立分开作为两组单通道信号值进行数据分析。
4) SAM 分析（R-software）：
目的：用SAM（Significant Analysis of Microarray）分析方法在多组实验中寻找具有差异表达的基因。
要求：每组3个以上生物学重复。
备注：双通道芯片产生的数据是Cy3通道和Cy5通道的荧光信号比值，即ratio值，Cy3通道信号和Cy5通道信号在常规实验设计中不能独立分开作为两组单通道信号值进行数据分析。
5) 倍数差异：
目的：筛选两组样品之间的差异基因，计算以后提供两组样品之间的差异倍数。
要求：每组样本只有一个或两个重复。
基因表达谱分析—火山图
单荧光芯片数据组间T 检验分析得到p-value 值与Fold change 值两个因素共同绘制火山图(Volcano plot)，用于显示两组样品数据的显著性差异。在火山图里﹐其中一个坐标显示着由 t-test 演算出来的负log of p-values﹐另外一个坐标则显示在两个条件比较下log2 转换后的改变值。
表达谱芯片分析—主成分析分析
PCA （Principal Component Analysis）的原理是找到数据方差最大的两个或者三个主成分(就是向量)，将数据投影在这些主成分上，以达到降维的目的，通过图像上的点之间的相互距离来显示样品之间的相似度。考察样品的分布情况，验证实验设计的合理性，生物学重复样品的均一性（至少2 组数据）。
样品主成份分析的结果：从该图中我们可以看到，处理组（红色）和对照组（蓝色）分布在三维空间的不同区域。说明处理组和对照组在整体上存在差异，但是生物学重复的相关性不高，同色小球在空间分布较分散。
表达谱芯片分析—样本相关性
目的：检测各个样品间的相关性，验证生物学重复之间的均一性。
要求：设有生物学重复实验的样品组数据。
图表为样本相关性分布图：图形是一个由纵横两列相同顺序的样品构成的矩阵
表达谱芯片分析—聚类分析
聚类分析包括层次聚类和表达模式聚类两种。
1) 层次聚类&
为了全面的直观的展示样品之间的关系及差异情况，将表达基因做聚类分析（见下图）。用挑选的差异基因的表达情况来计算样品直接的相关性。一般来说，同一类样品能通过聚类出现在同一个簇（cluster）中，聚在同一个簇的基因可能具有类似的生物学功能。
2) 表达模式聚类
在研究按照处理时间、剂量、疾病恶化程度顺序设计的序列实验时，为了得到差异基因当中与样本变化相关的基因群，可以对基因进行表达趋势聚类，并对趋势进行显著性分析，可以精确、直观地筛选出随样本顺序变化影响最显著的基因群。常规的是趋势聚类如SOM或者k-means，可以将差异基因所参与的主流表达趋势科学、准确的筛选出来。
要求：三个或三个时间点以上的数据，或者是具有逻辑关系顺序的数据，如：正常—疾病—治疗。
自组织映射聚类SOM 结果图。每个趋势用蓝色的折线表示。每个趋势可以通过一个六边形同另外一个趋势连接。六边形的灰度表示相关性系数（correlation）的大小，白色：correlation=1，黑色：correlation=0，灰度表示不同的相关性系数。通过连接相邻两个趋势的六边形的灰度可以了解它们之间的相关性系数。
3) 趋势显著性分析
趋势总图，每个小图表示一种表达趋势，折线代表这类表达模式的趋势类型。图中标颜色的为显著性的趋势，代表实验中基因主要的表达变化趋势。
显著性趋势图：图中x轴为时间点，y轴为基因的标准化的表达值，图中的每条线为一个基因的变化趋势。
&表达谱芯片分析—基因功能分析（GO analysis）
Gene Ontology（简称GO）是基因功能国际标准分类体系。GO可分为分子功能（Molecular Function），生物过程（biological process）和细胞组成（cellular component）三个部分。GO-Analysis对差异基因等按GO分类，并对分类结果进行基于离散分布的显著性分析、误判率分析、富集度分析，得出与实验目的有显著联系的、低误判率的、靶向性的基因功能分类，该分类即导致样本性状差异的最重要的功能差别。通过该分析有可能找到导致性状变化的重要功能，并且找到该功能所对应的基因。
表达谱芯片分析—功能层次网络构建（GO-Network）
功能层次网络构建（GO-Network）是基于GO的层次结构，将所有差异基因同时参与的显著性GO及其相互从属关系构建功能网络，从全局角度，系统地概括功能间相互作用关系及所属分层关系。
圈的大小代表GO的层级，越大越高，黄色的深浅代表富集度的高低，越深越显著。
表达谱芯片分析—信号通路分析（Pathway analysis）
信号通路（Pathway）是多个蛋白质间相互作用，共同调节细胞功能和代谢活动的过程。而信号通路分析是通过对差异基因按照Pathway的主要公共数据库KEGG和Biocarta来进行分类，对Pathway中的基因进行基于离散分布的显著性分析，得到与实验目的有显著联系的Pathway 分类,该分类即导致样本性状差异的最重要Pathway。
表达谱芯片分析—信号通路调控网络构建（Pathway-Network）
信号通路调控网络构建（Pathway-Network）是根据所有差异基因同时参与的Pathway之间的相互调控关系构建信号通路调控网络，从系统的角度研究各个信号通路间的信号传导和调控过程，在多个显著性Pathway中发现受实验影响的核心Pathway,以及实验影响的信号通路之间的调控机理。
表达谱芯片分析—基因相互作用网络图
基因网络是一组基因的集合体,这些基因通过相互协作来控制生物体重要的生命过程。我们通过筛选的差异基因进行基于实验验证，其他亲缘物种数据库检索、文献挖掘等多种信息进行基因互作网络的构建。
上图中节点的大小表示的是degree，节点的形状表示不同的功能类型（炎症，代谢，其他等），颜色代表上下调的信息，边的颜色或者线型代表是相互作用的来源）。
细胞外的刺激物质找到它的配体，利用数据库对基因的关联以及定位进行搜索，找到差异基因表达的pathway，而且能够找到pathway中起调控作用的关键蛋白。
表达谱芯片分析—转录因子分析及网络构建
转录因子与基因表达调控区域的特异性结合是基因表达的重要调控方式。针对特定转录因子的实验，可对差异基因进行转录因子结合位点的motif分析，从而推测差异基因中有哪些基因可能直接受该转录因子调节。最后结果会用统计学方法进行检验，找到调控目标生物性状，统计学上有显著差别的转录因子。找到差异的转录因子及其调控的靶基因，我们可以构建TF-network，从中得出关键的转录因子及被关键转录因子转录调控的基因，系统的研究转录因子与基因的调控关系。
表达谱芯片分析—共表达网络构建（Coexpression Network）
共表达网络图（Coexpression Network）是根据基因表达信号值的动态变化，计算基因间的共表达关系，得到基因间的表达调控关系及调控方向，从而构建基因的表达调控网络。利用共表达网络图，研究者可通过分析基因调控能力，获得样本随实验变化的核心调控基因。
要求：每组数据3个或3个以上生物学重复。
表达谱芯片分析—时间序列的共表达网络
根据基因表达信号值随着时间序列的变化，计算基因间的共表达关系，得到基因间的表达调控关系及调控方向，从而构建基因的表达调控网络。利用此网络图，研究者可通过分析基因调控能力，获得样本在时间过程中起调控作用的基因。
图中颜色为对网络的分层，其中红色区域的基因处于网络的核心地位，起着调控网路的核心作用。
表达谱芯片分析—分子建模预测（MAKER 预测）
采用模式识别与数据挖掘技术有效进行预测模型的构建，将部分芯片数据拿来做预测模型，然后部分芯片数据作为测试数据集（独立样本）来验证模型的准确性。目的在于利用实验数据来筛选出一批靶标基因，并以此构建模型，以进行早期诊断、疾病预测和预后分析。在微阵列运用于疾病预测方面，有各种分类方法，我们的常用方法是以下几种：
o Compound covariate predictor
o Diagonal linear discriminant analysis
o Nearest centroid predictor
o Bayesian compound covariate predictor
并利用了Leave-one-out cross-validation (LOOCV)以及cross-validated misclassification error rate的筛选策略找到最优MAKER。
(编辑：sgfmt)
上一篇：下一篇：已经没有了
地址：上海市浦东新区张江高科技园区李冰路151号6号楼2楼
电话：+86-21-
传真：+86-21-IPA案例三：
深度挖掘二代测序NGS与基因表达实验数据的价值
16:24:02　来源：
新闻摘要:对比IPA和免费开源的生物信息学工具，IPA不仅仅在基因表达谱数据分析所耗时间上领先免费工具，分析功能上也有明显优势。计算结果显示IPA在每组数据分析时比免费工具能节约超过30个小时。同时Ingenuity知识库与IPA分析功能的有效结合，研究者能够对实验系统和模型有更深入的理解； 科学家使用IPA时能够得到更多、更深入的生物学细节，更快的获取相关细节的背景文献信息，相同时间里能进行更多的分析，而在后续的研究中能够产生更有用的判断和分析目标。
&&&&& 现代生物研究中的高通量技术如microarray、蛋白质组学或NGS能够让科学家们检测到几乎所有的mRNA，蛋白质或DNA序列的变异，从而获得成千上万的数据。分析数据结果的复杂程度和所需要的时间也随之直线上升，科学家们往往会陷入如何从海量的实验数据中挖掘到该体系到底发生了什么的泥潭中。想充分挖掘实验数据中的价值，需要科学家多方面的知识和技能，既要从生物学角度去阐释整个实验系统，又要理解系统变化的原因和效应等。科学家们通常只去寻找实验数据中发生差异表达的基因的上游调控子，如转录因子或调控的microRNA。但要完全理解实验结果的效应，科学家们必须进一步分析差异基因所调控的分子通路，生物学功能，已知的毒理学效应并对某些特定的关键分子进行进一步的全面调研（i.e. 后续靶标或生物标志物）。
&&&&& 以前科学家们可以依赖于个人的生物学专业知识并辅以检索最新文献来进行简单的数据分析。但随着文献的研究领域分类更加细化，知识的积累和文献的调研变得不再那么简单。现在，科学家们开始使用基于互联网的软件工具，包括专业的网站（i.e. PubMed）和一些免费的或商业化的分析工具（i.e. DAVID, Ingenuity-IPA）来帮助收集并分析数据。常规的高通量数据的分析和进一步的实验假设，一般均从阅读尽可能多的相关文献并调研实验结果中变化最大的基因开始。然而这样的分析策略往往会大量遗漏关键的信息，很多时候是因为相关的分子数据库和实验数据相关的文献量非常大，以至于科学家们无法面面俱到。而二代测序（NGS，如RNA-sequencing）的数据相当于为microarray实验提供了更加精确的转录本和同源基因信息，使获得信息变得更加复杂。因此，能够深度挖掘实验数据、将各种来源的背景信息整合在一起并提供灵活易用的工具进行查询的软件对理解实验结果变的日益重要。
&&&&& 在本文中，我们比较了商业化软件IPA和数种免费的常用组学数据分析软件在高通量数据分析的速度和效果。为了比较得出不同软件的分析能力和效率，我们设计了三类代表性的分析任务：1. 查询一个不熟悉的基因，建立实验结果的生物学假设；2. 分析基因表达谱数据（转录因子，通路和生物学效应）；3. 鉴别被microRNA所调控的靶标基因。
实验一：查询一个不熟悉的基因，建立实验结果的生物学假设
&&&&& 本实验中，我们以四个有潜在治疗意义的靶基因为例进行搜索：膜联蛋白2（annexin2 ANXA2），瘦素受体（leptin receptor LEPR），基质淋巴细胞生成素（TSLP）和白介素13（IL-13）。对比了三个工具：IPA，NCBI（Entrez），Pubmed在做这几个基因搜索时所用的时间。其中，IPA的搜索速度最快，获得的信息最为全面和精确。Pubmed所需时间比IPA略长，NCBI Entrez搜索最慢。对ANXA2的搜索结果均不太精确，IPA耗时约1.3小时，而NCBI Entrez则需要8小时之久。对于在肥胖和心血管研究中被受关注的LEPR，IPA大约需要3.24小时，而NCBI Entrez需要86.3小时。获取信息的方便程度由搜索目标的格式不同而不同（图一）。
图一：寻找一个基因所需的时间。计算时间的方法是根据每个搜索中找到的文献和其他信息的数量而定的（阅读资料所需的时间）。在同义词搜索时由于用不同的搜索关键词而产生了多种搜索结果。图中。坐标最大值为40个小时，超出这个范围的数据直接标记在图中。
实验二：使用成熟的分析软件分析生物芯片和RNA-SEQ基因表达数据的数据
&&&&& 本实验将用分析一个例子所需的时间作为衡量的标准，将从数据上传开始计时一直到获得一个确定的结果比如信号通路或生物学作用为止定义为初级结果时间（TTFR）。我们对比了Cytoscape，DAVID，GenMAPP，IPA和Path Visio几个成熟分析软件对表达谱芯片数据分析出潜在的转录因子，生物通路和生物学作用等结果所需要的时间。
&&&&& 几种工具的准备工作所需要的时间各不相同，DAVID，IPA和Path Visio几乎不用什么时间准备，GenMaPP需要预先下载好相应的基因注释数据库，而Cytoscape需要预先下载一个插件，并且要人工导入生物通路和相互作用数据库（比如使用插件调用PathwayCommons的数据）。
表一为使用这几种方式分析高通量数据时所需要的时间。++代表了获得了可视化的结果和预测了可能的影响。+只能给出基本的基因通路，无针对性。+/-表明只能给出不完全的结果。N/A表示不能完成类似的工作。
& 本实验中，我们主要对比了DAVID和IPA在分析数据上的差别。IPA上传数据非常灵活，可以由用户自定义数据的类型和需要分析的数据列。IPA和DAVID分析得到初级结果的时间（TTFR）差不多，都是30分钟左右。只是IPA是由上传的实验数据为根据分析其中差异显著的基因的生物通路和生物学作用，而DAVID给出的生物通路与上传数据中显著差异基因完全没关系。
&&&&& IPA在短短的30分钟内就能从表达芯片数据中差异显著的基因根据预定的8种对比条件下挖掘出其生物学通路，生物作用，转录调节因子，以及相应的文献支持等分析结果（表一，图二）。而DAVID虽然也是30分钟能完成初级分析，但是其一次只能分析一种对比条件。不同的条件均要分别输入分析，这样就很难直接对比不同条件的下的分析结果（表一，图二）。
图二：基于不同组病人基因表达值用IPA预测生物学作用。由z-score做出的热图是基于基因表达显著差异和实验中基因的预期效果所确定的。A)对治疗有应答的病人基因表达显示参与炎症反应的基因都下调了，而细胞凋亡的基因有些上调有些下调。B）对治疗无应答的病人基因表达中，参与细胞凋亡的基因都上调了。C）表格中显示参与嗜酸性细胞的迁徙的基因表达有上升趋势（z=1.683）
图三：由DAVID做出的分析结果。A）根据InterPro和GO定义出的功能注释柱状图。B）KEGG中脂肪酸代谢的通路图（部分）红色的星表示出该基因来自上传的数据，绿色的填充色表示小鼠同源体。
实验三：对MicroRNA-mRNA靶向作用的关系预测
&&&&& 对microRNA调节基因表达的研究近些年来非常热门。由之产生的出来一些列的数据库和工具用于分析和预测microRNA的靶向，比如TargetScan和PicTar。但是由于一条microRNA可以由于所处的组织，疾病，通路的不同能够靶向上千条目标基因。于是，对其靶向的精确分析将为之后的验证试验节约大量成本。
&&&&& 我们使用在一个在胶质瘤中表达最高的microRNA hsa-mir-325为例搜索。IPA只用了不到一分钟就得到了查询结果，而miRBase花了14分钟。IPA产生的结果来源于多种数据库，并且将靶向mRNA列表易于下载，并给出相应的文献支持。而miRBase却不能将搜索结果直接导出，只能手工摘取需要的信息（表二）。
&&&&& 不单单是搜索，我们也将胶质瘤的microRNA数据直接进行分析，希望能从中提取出来针对该疾病的有用的通路信息。DIANA-miRPath和IPA都预测了这些数据中会有的潜在的靶向基因和参与的通路。IPA花了大约10分钟完成了数据上传，靶向mRNA挖掘，并且直接提供了microRNA-mRNA之间的上调下调的预测结果。DIANA-miRPath不能直接上传数据，就只是人文的提供了一个microRNA的名单，因此，只有10个microRNA被分析了，并且耗时需要二十多分钟。其提供的结果是从不同的通路数据库中无筛选直接提取的。很难找出具有特异性的结果，增加了从中甄选有用信息的时间（表二）。&
表一：显示查找并分析microRNA所需要的时间，计算了得到最初结果所需要的时间。
&&&&& 本文的主要目的之一是将microarray或RNA-Seq实验的基因表达数据同时采用商业化和免费分析工具进行数据分析时所用时间进行定量比较。投资回报ROI值可以基于各个工具的分析时间计算得出。ROI由净收益除以软件花费计算得出。作为商业通路分析工具的领先供应商，IPA的用户数据分析平均量在2011年有20个左右。平均每个用户使用IPA进行数据分析的总时间数为62个小时。在本次测试中，IPA相对于其他软件综合起来（DAVID，PATHVISIO,Pubmed）大约每个课题节约了30个小时的研究时间（图四），相对于每人每个课题节约了约60%的分析时间。如果使用频率较高的话，相对于软件投资成本来说，节约的分析时间和提高的分析效率更加值得考虑。
&&&&& 另外，为了最大化高通量基因表达实验的价值，研究者必须将实验数据和生物学问题关联起来考虑。IPA帮助科学家们快速了解实验数据和生物学问题间的关系，并帮助他们快速产生有价值的推断和假设。我们总结了5个最有价值，最帮助IPA提高其ROI的因素。另外，IPA潜在价值在于能够帮助您更深入的了 解实验系统和模型背后的生物学意义，更好的评估实验结果的可信度，更好的帮助研究者筛选目标分子及做出判断，更能够在整个研究课题组中更好的分享结果，进行创新。
对数据分析最重要的5个关键因素为：
&&&&& 1. 分析：阐释基因表达量发生变化的原因及其生物学效应；能够预测导致基因表达发生变化的上游调节子（转录因子、microRNA及其他分子）的活性状态是更好的理解生物系统和实验的影响的关键。
&&&&& 2. 分析：提供网络探索的系统生物学方法；采用迭代的探索方法帮助您 更深入的理解研究对象的生物学特性。 分析 工具同样需要具有多组学平台数据如转录组、蛋白质组、代谢组、microRNA等的联合分析能力。从而，科学家们可以使用工具进行相互作用网络生成，以及进一步的研究数据相关的生物学问题，如构建第二信使级联反应，鉴定临床可用的生物标志物或检测哪些信号通路发生了显著失调等。
&&&&& 3. 平台：支持最前沿的研究。在NGS技术等的推动下，相关的研究领域进展突飞猛进，最好的分析工具是能够紧紧关联最前沿的技术和知识，帮助分析复杂研究的数据。完整的分析工具应该可以同时帮助研究者分析RNA-Seq技术得到实验结果中的同源基因信息，并提供可视化的特定生物学功能与可变剪切及蛋白质功能域之间的相关性。另外，完整的分析工具应该也同时具有鉴定和筛选microRNA-mRNA配对情况，并筛选其中与目标通路和疾病相关联的具有生物学意义的结果
&&&&& 4. 整合：所有数据结果间的整合是非常耗时的。如果你在进行不同类型的分析时采用不同的软件，那样会花费您多的多的时间去进行数据整合和分析。而大多数软件往往也只具备某一类型的分析功能，而不是设计来回答您所有可能的问题。
&&&&& 5. 内容：需要完整全面、高时效性、高质量的数据库内容来辅助数据分析。对于分析软件来说，背景数据库的高时效性和内容高准确性是极其重要的。另外，背景知识是如何人工阅读提取和组织的同样对于数据库
图四：IPA与免费数据分析软件的工作流程比较。A) 保守估计IPA数据分析加文献调研的时间约为20.87 小时,包括独有的生物学效应预测和转录因子调控网络预测B) 免费软件同样的工作流程需要用到3种不同的软件，包括功能和通路分析，通路查看和数据对接，人工文献调研等。该分析流程没有IPA所具有的上游转录因子调控状态预测，microRNA-mRNA功能及通路相关性筛选和下游生物学效应预测。
&&&&& 科学家们投入了大量的金钱和经历在高通量仪器设备上产出海量的数据，但是如果缺乏高效的数据分析手段的话，那么这些投资往往会高投入低产出。对于大数据平台如microarray或RNA-Seq，生物学解释工具如IPA是帮助科学家们快速筛选相关有意义信息和在统一的生物学背景中阐释数据意义的关键。在一个提供完整的上下游分子信息、分子相互作用网络，上游转录因子调控网络，下游生物学效应的软件环境中分析解释RNA-Seq或microarray数据集能够帮助您快速、可靠的找到复杂数据中的关键信息。采用如IPA这样的商业化软件可以使每个项目的分析时间节约超过30个小时，这样可以更快更好地优化后续的实验和建立假设模型。当您考虑选择一个更高回报率的分析策略是，最需要考虑的因素是如何最大化实验结果中的有价值信息，从而充分利用仪器设备和试剂的巨额投资。本文系统的描述和计算了microarray或RNA-Seq数据分析时三个关键步骤所需要耗费的时间及其投资回报，当使用IPA时，其分析效率和回报明显优于其它免费工具。另外，我们总结了五个在数据分析时需要关注的关键性因素，帮助您判断是否需要在数据分析时选择最佳的工具。
【责任编辑：】