4. 数据准备

说实话，刚开始用MaxQuant的人，很容易被它吐出来的一大堆文件吓到。 我第一次跑完一个定量蛋白质组项目，打开输出文件夹时，足足愣了几秒。 txt文件夹里躺着十几个文件，名字长得差不多，有的几MB，有的几百MB。 哪个是核心？哪个是中间产物？哪个可以直接扔？

这章我就带你把这些文件理清楚。 你只要抓住两个关键文件——evidence.txt和peptides.txt，就能搞定PTXQC的输入。

4.1 理解MaxQuant的输出目录

不管你是用Andromeda内置搜索引擎，还是接了其他搜库工具，MaxQuant最终都会在combined/txt目录下产出结果。 我个人习惯是先不看别的，直接进这个txt目录，因为它就是质控报告的原料仓库。

你想想看，一个典型的定量组学项目，原始raw文件可能有几十个。 MaxQuant跑完后，txt目录里会有一堆tabular分隔的文本文件。 它们分成几个层次：

• PSM（肽谱匹配）级别 — evidence.txt，这是最底层的原始记录。每个MS/MS谱图匹配到一个肽段，就是一行证据。
• 肽段级别 — peptides.txt。同一个肽段如果被多次鉴定到，这里会合并成一行。
• 蛋白质级别 — proteinGroups.txt。多个肽段归属到同一个蛋白组，在这里汇总。
• 其他辅助文件 — 如msms.txt、allPeptides.txt、summary.txt等，提供补充信息。

4.2 evidence.txt — 质控报告的核心燃料

这个文件有多重要？我直接说吧，PTXQC 80%以上的质控指标都来自evidence.txt。 它记录的是每个PSM的鉴定和定量信息。行数通常非常庞大，一个10个样品的TMT实验，几十万行是常态。

4.2.1 关键列字段

evidence.txt的列数很多，但PTXQC真正用的不多。我挑几个必须了解的：

列名	含义	PTXQC用途
Sequence	肽段序列（不带修饰）	鉴定计数、长度分布
Modified sequence	修饰后的序列	修饰位点统计
Proteins	匹配到的蛋白ID	蛋白鉴定数、唯一性判断
Retention time	保留时间（分钟）	RT分布、iRT校准
PEP	后验错误概率	PEP分布、过滤阈值
Score	Andromeda打分	得分分布
Intensity	原始强度	定量强度分布（关键！）
Charge	电荷态	电荷态分布
MS/MS count	二级谱图数	鉴定效率
Raw file	原始文件名	按样品分组

我建议你用Python的pandas看一眼这个文件的结构，很快就能摸清楚。

import pandas as pd
ev = pd.read_csv("evidence.txt", sep="\t", low_memory=False)
print(ev.columns.tolist())
print(ev.shape)

4.2.2 避坑指南

4.3 peptides.txt — 肽段中心的汇总视图

peptides.txt是evidence.txt的去重汇总版本。 同一个肽段（相同的Modified sequence + 相同的电荷态）被多次鉴定时，这里只保留一行。 它的行数远少于evidence.txt，但包含了每个肽段的汇总统计。

4.3.1 与evidence.txt的核心区别

维度	evidence.txt	peptides.txt
粒度	每个PSM一行	每个唯一肽段一行
定量列	Intensity（单次定量）	Intensity（汇总值，如中位数）
保留时间	单次RT	平均/中位数RT
行数	很大（几十万~百万）	较小（几万~十万）

4.3.2 PTXQC用肽段表做什么？

PTXQC会同时读取两个文件，但在某些指标上有明确分工：

• 肽段长度分布 — 直接从peptides.txt的Sequence列算。为什么要用肽段表而不是证据表？你想想看，如果一个肽段被鉴定100次，用证据表算长度分布就会把它重复计数100次，这实际上夸大了短肽的权重。用去重后的肽段表更合理。
• 肽段鉴定数统计 — 从peptides.txt的行数得到唯一肽段数，从evidence.txt得到总PSM数。两者对比可以评估鉴定冗余度。
• 修饰分布 — 肽段表也会包含修饰信息，但通常不如证据表细致。

4.4 其他关键文件一览

我不打算把每个文件都讲一遍，那样太啰嗦。但有几个你可能会遇到：

4.4.1 summary.txt

这个文件是MaxQuant自动生成的实验统计概览。每行一个raw文件，包含鉴定数、定量数、MS/MS总数等。PTXQC会把它当作辅助信源，用于计算总览指标。我一般会扫一眼这个文件，快速了解整个实验的数据量级。

# summary.txt 的典型前几行
Raw file	MS/MS	identified	identified (seq)	identified (by matching)
Sample_A	15234	8921	7821	5033
Sample_B	14987	8765	7698	4982

4.4.2 msms.txt

包含每个MS/MS谱图的详细信息，比如母离子质量、电荷态、碎裂方式等。PTXQC只用它做少数高级指标（如二级谱质量精度）。大多数情况下，你不必关心这个文件。

4.4.3 proteinGroups.txt

PTXQC 3.x之后的版本，可以通过蛋白组表做蛋白层面的覆盖度分析。但我不建议依赖它来做核心质控，因为它受蛋白推断算法影响很大。我遇到过同一组raw文件，换个MaxQuant版本，proteinGroups.txt里的蛋白数量差了15%。而evidence.txt的差异通常小于2%。

4.5 实操小练习

你现在就可以动手验证一下。打开你的PTXQC示例数据目录，定位到combined/txt：

1. 用Excel或文本编辑器打开evidence.txt，数数有几列。别忘了它可能很大，用文本编辑器打开时会慢。
2. 用命令行快速查看行数：

wc -l evidence.txt
wc -l peptides.txt
wc -l proteinGroups.txt

3. 对比三个文件的行数差异。如果evidence.txt > 10× peptides.txt，说明你的鉴定冗余度偏高。