1 表达特征
1.1 蛋白表达丰度排序
通过蛋白表达丰度排序，更加清晰地展现在样本中蛋白质的表达水平差异。这有助于研究人员更全面地了解样本的蛋白质组成和变化趋势，同时，通过排序可以注意到一些中低丰度的信号蛋白，这些蛋白可能在整个研究过程中被忽略或认为不重要。但实际上，它们可能对研究结果产生重要影响.
1.1 差异表达：通过比较体液中不同样本的蛋白质表达水平，找出表达量显著差异的蛋白质。
1.2 多组比较
1.2.1 Mfuzz表达模式聚类
可以将基因表达数据划分为不同的聚类，每个聚类代表了一组具有相似表达模式的基因.
1.2.2 upset分析
获得各组差异比较的重叠蛋白数量。通过点与点之间的连接，对应传统韦恩图中圈与圈的重叠。此过程的目的是筛选有特殊表达特征的蛋白。
1.2.3 韦恩分析：
通过比较不同样本之间的重叠蛋白质，可找出共同的或特异的蛋白质，进而分析它们在某些生物过程中的功能。
2 功能与通路特征
2.1 富集分析与气泡图
功能与通路的富集分析结果用气泡图体现不同功能或通路的富集程度和差异。
具体来说，气泡图的横轴可以表示某个功能或通路的富集程度，每个气泡的大小和颜色可以表示该功能或通路的显著性和差异蛋白数。通过这样的方式，我们可以直观地比较不同功能或通路的富集程度和显著性，并进一步探究它们对于生物学过程的影响。
2.2 富集分析与和弦图（Chord plot）
富集分析的结果用和弦图展示，和弦图的优势在于它能够展示不同基因集之间的交叉，并可以用颜色编码不同的通路或功能类别，使得结果更加易于理解。使用和弦图展示富集分析结果可以帮助我们快速定位高频蛋白。因此在研究这些过程时，我们可以首先关注这些蛋白质。
2.3 功能与通路的趋势热图
3 网络或共表达特征
3.1 WGCNA蛋白共表达
加权蛋白共表达网络分析（Weighted gene co-expression network analysis, WGCNA）是一种系统生物学方法，将具有高共表达关系的蛋白聚类到同一模块中，并与外部信息关联。WGCNA 已被广泛用于探索组学数据的生物学网络功能，鉴定与临床参数相关的蛋白模块并探索癌症或者其他疾病的生物标志物。WGCNA 需要满足蛋白可能存在共调控、功能相关或处于同一 通路与蛋白网络符合无尺度分布这两个假设。
3.1.1 蛋白模块识别
A基因树状图，这个图可以把表达模式类似的基因聚在一起，形成不同的基因模块
B不同样本中这些基因模块的表达丰度热图，可以看到不同样本之间基因模块的表达量差异
C基因模块之间的相关性热图，可以看到哪些基因模块在不同样本中表达量变化较为一致。这种方法可以帮助研究者更好地理解基因或蛋白质在不同条件下的调控机制
3.1.2
module-trait(模块-特征)关系
3.1.3 hub-gene的识别
3.2 蛋白互作网络
4 分子与临床的关联特征
4.1 单个蛋白与临床指标的相关性分析
发现患者的一些临床变量与基于DIA-MS血清蛋白质水平存在显著的相关性
蛋白-临床指标的相关性也可以通过和弦形式来体现。
4.2 蛋白簇与临床指标的相关性
除了WGCNA共表达，还有一些其他的方法也可以实现蛋白簇与临床指标的关联分析。例如，可以使用机器学习算法，如随机森林、支持向量机等，来建立预测模型，从而挖掘蛋白簇与临床指标之间的关系。
4.3 Kaplan-Meier生存分析
适用于研究单一因素对生存率的影响，比如治疗方案、患者年龄、性别、某个蛋白表达的高低、不同的蛋白亚型等。例如，在一个癌症治疗试验中，使用Kaplan-Meier生存分析可以帮助研究者比较同一种治疗方案在两种不同的分子亚型之间生存的差异。通过比较两个或多个生存曲线，研究者可以判断哪种治疗方案更有效。
4.4 cox比例风险回归模型
通过对感兴趣的蛋白进行Cox比例风险回归模型分析，可以了解该蛋白在生存数据中的影响。我们可以计算其风险比（Hazard Ratio），来描述该蛋白对生存结局的影响程度。以及P值和置信区间，来判断该蛋白是否具有显著的影响。
