3. 原始数据准备

做定量蛋白质组学的朋友都知道，MaxQuant不是万能的——它处理不了所有格式的原始数据。我见过不少新手把Thermo的.raw文件直接拖进界面，结果软件报错“unrecognized format”，然后一脸懵。说白了，你得先搞清楚手里拿的是什么格式，再决定怎么喂给M量化。

质谱仪输出的数据文件至少有三种常见格式：RAW、mzXML、mzML。每种格式的“脾气”不一样，咱们一个一个过。嗯，我先从最常见的热电（Thermo）RAW格式说起。

质谱仪器输出格式

Thermo RAW (.raw)

这是Thermo Fisher系列质谱仪（Orbitrap、Q Exactive、Fusion等）的私有二进制格式。里面塞满了原始谱图、扫描参数、离子注入时间、自动增益控制（AGC）目标值等等。我个人的习惯是：只要是从Thermo仪器上拿到的数据，直接用.raw扔给MaxQuant就行——它原生支持这种格式，省去转换的麻烦。但如果你用的是其他品牌（比如Bruker、SCIEX、Agilent），那就得看第二类格式了。

mzXML

mzXML是早期开放格式，由ISB（Institute for Systems Biology）定义。它把原始数据转成XML结构，读起来方便，但文件体积比RAW大不少。我曾在项目里遇到过一个800MB的.raw转换后变成1.2GB的mzXML，而且解析速度变慢。现在基本不推荐用了，除非你用的旧版软件只认这个。

mzML

mzML是HUPO-PSI（人类蛋白质组学组织-蛋白质组学标准倡议）推出的现代开放标准格式。它合并了mzXML和mzData的优点，支持完整元数据记录，压缩效率也好。我个人更倾向于把非Thermo的数据转成mzML再送MaxQuant，因为MaxQuant对mzML的支持最稳定。

数据预处理：从原始文件到MaxQuant可用的格式

如果你手里的文件不是.raw，那一般需要先转成mzML。最常用的工具就是MSConvert（来自ProteoWizard套件）。为啥用它？免费、跨平台、命令行和图形界面都有。我早期用图形界面点来点去，后来发现写个批处理脚本效率高得多。

下面是我常用的一条转换命令：

msconvert input.raw --mzML --zlib --outdir ./mzml_output/ --filter "peakPicking true 1-"

解释一下参数：

• --mzML 指定输出为mzML格式
• --zlib 启用压缩，文件小一半不止
• --outdir 输出目录
• --filter "peakPicking true 1-" 对一级和二级谱都做峰检测（Centroid）

批量处理多个文件

一个文件夹几十个.raw文件，一个个转太累。我会写个简单的shell脚本：

#!/bin/bash
for f in *.raw; do
  msconvert "$f" --mzML --zlib --outdir ./mzml/
  echo "Converted $f"
done

Windows下的朋友可以用PowerShell或直接在MSConvert GUI里选多个文件。我个人还是喜欢命令行，跑完日志一看就知道有没有错误。

质量检查：哪些数据该淘汰？

数据预处理不等于格式转换就完事了。你想想看，如果质谱仪当时状态不好——比如离子源脏了、毛细管堵了、AGC目标值设错了——那转换出来的mzML也是垃圾。我曾经有一个项目，跑了60个样本，转换完一看总离子流图（TIC），有5个样本的基峰强度比平均低了一个数量级，后来发现是喷雾针没调好。如果直接跑MaxQuant，那些样本会严重拉低蛋白质定量精度。

所以，转化后一定要做质量检查。我一般看这几个指标：

• 总离子流（TIC）曲线： 整体强度是否一致？不正常的下降或波动要警惕。
• 基峰色谱（BPC）： 最高峰的质量偏差有没有漂移？
• 扫描数： 短时间内的扫描数量是否合理？如果是1小时梯度，扫描数少于3000可能说明仪器采集参数不对。
• 一级质量精度： 用已知的污染峰（如硅氧烷 445.12 Da）检查偏差是否在±5 ppm内。
• 同位素峰分布： 二级谱的同位素分布是否和理论一致？如果总是C13峰高出异常，说明母离子选择窗口可能出了问题。

实际操作中，我习惯先跑一个快速的TIC对比图。下面是个Python代码片段，用pyopenms读取mzML，提取TIC：

import pyopenms as oms

exp = oms.MSExperiment()
oms.MzMLFile().load("sample.mzML", exp)

time = []
tic = []
for spectrum in exp:
    mz, intensity = spectrum.get_peaks()
    time.append(spectrum.getRT())
    tic.append(sum(intensity))

# 然后就可以画图对比多文件
# plt.plot(time, tic)

数据预处理与质量检查的整体流程

常见坑与个人经验

做数据预处理，说白了就是跟格式和噪音打交道。我把自己过去五六年踩过的坑列出来，希望能帮你省点时间。

• 别偷懒不转格式： 有一次我用Bruker的d格式直接改名成.raw扔给MaxQuant，结果软件闪退。后来查文档才知道MaxQuant只认Thermo的.raw和开放格式mzML。老老实实转吧。
• 注意压缩选项： 转mzML时如果不加--zlib，文件大小会膨胀3-5倍，不仅占硬盘，加载也慢。我试过不加压缩，60个样本占了150GB，加了压缩后只有35GB。
• 检查扫描数： 转换后的mzML有没有“空谱”？即一个scan里没有峰。如果空谱超过5%，说明质谱的触发设置可能有问题（比如Apex触发没生效）。我遇到过一批数据空谱比例高达30%，后来重采了。
• 质量偏差校准： 如果你用的是混合型质谱仪（比如Orbitrap和线性离子阱组合），一级精确质量偏差通常小于2 ppm，如果偏差大于5 ppm，建议用仪器自带的校正液重新校准，别指望MaxQuant的“mass recalibration”功能万能，它只能修正全局漂移，不能改随机误差。