七月底，IPA发布了新版本，此版本对Core Analysis的分析进行了提速，而且还新增了气泡图的可视化，以及其他便捷的新功能。目前，IPA知识库数据量已超过一千万条，数据集收录超过11万个。

1.使用气泡图可视化经典通路（Canonical Pathway）

气泡图能够以直观的形式呈现多变量数据，在IPA中，您可以用核心分析中经典通路的数值生成气泡图。下图的气泡图呈现了NRF2激活剂对经典通路活性的影响，其中颜色代表激活或抑制。气泡的大小随着每个通路的重叠基因数量的增加而增加，可以明显看出该NRF2激活剂打开了与外源代谢、毒性和细胞应激相关的多个通路（图中右下角区域）。


您也可以将气泡大小显示为右尾Fisher’s Exact test p值的负对数比例，并按通路类型（信号或代谢）对其着色。由此可以看出上图的解毒通路在下图中是一个代谢通路，且尽管该解毒通路的重叠基因数量相当少，但其具有高度的统计显著性。


气泡图有多种呈现形式，例如可以突出具有许多重叠基因的高度显著和激活的通路（下图右上角）。


2.将节点标签显示于节点下方，提高网络的可读性

IPA网络中节点的标签（例如，基因名称、疾病名称等）现在可以显示在其节点形状的下方，提高可读性，如下图。


3.支持上传其他物种的数据集，扩展您的研究

现在，您可以在IPA中分析更多物种的数据集，包括食蟹猕猴、猪等。IPA现在总共支持25个物种，如下图。
4.通过Search功能找到疾病和表型网络

在研究某种疾病时，了解相关的关键基因，以及它们如何相互作用来驱动疾病的发生，或是它们对严重程度的影响如何都是很有用的。IPA基于QIAGEN Knowledge Graph（QKG）的无监督机器学习（ML）模型，创建了一个大型疾病和表型网络库。库中的每个网络关注的是单个疾病或表型，并包含关键基因、受影响的生物功能以及它们之间的关系。此外，还叠加了预测激活的彩色图案，以显示基因的激活或抑制如何导致疾病。

无监督机器学习算法优先考虑最重要的基因和功能，并生成大小合理的网络（平均每个网络约50个节点），该算法的详情可参见文献Mining hidden knowledge: Embedding models of cause-effect relationships curated from the biomedical literature。在本版本中，这些网络中有超过1500个网络现在可以通过Search功能找到。如下图所示，您可以使用疾病、表型或基因名称等术语在“Pathways and Lists”选项卡中进行搜索。


5.直接从基因视图上的链接打开经典通路，加快工作速度

点击基因视图中的经典通路超链接，即可在IPA客户端中打开该通路，如下图所示。