2. 多组学数据概况：四种组学的数据特点与常见格式

大家好，我是这次课的主讲。这一章咱们聊聊多组学数据的“家底”。说白了，就是搞清楚每类组学产出的数据长什么样，有什么坑，以及最常见的文件格式是什么。

我个人习惯，在动手写GPU加速代码之前，一定要先摸清数据格式的边界。为什么？因为GPU最怕的就是不规则的数据布局。你想想看，一个FASTQ文件里每条read长度都不一样，直接塞进显存，warp就全部乱套了。所以，先把数据特点摸透，后面做预处理才能有的放矢。

2.1 基因组学数据

基因组学，研究的是生物体全套DNA序列。数据量最大，存储成本也最高。

数据特点

• 海量短读段：二代测序一次产生几亿到几十亿条reads，每条长度150~300 bp。
• 冗余度高：人类基因组约30亿碱基对，测序深度通常30×以上，意味着每个位置被覆盖30次。
• 存在重复区域：比如ALU序列，在基因组里反复出现，比对时容易出错。
• 需要参考基因组：绝大多数分析要先把reads比对到参考序列上。

常见格式

FASTQ格式示例

@EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
+
!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65

每4行为一条记录：ID行、序列、分隔符、质量行。质量值用ASCII码表示Phred分数。

2.2 转录组学数据

转录组学关注的是细胞中所有RNA分子。关键在于，RNA有剪接、有表达丰度差异。

数据特点

• 表达定量：同一个基因可能表达几百到几万份copy，这是数字信号。
• 可变剪接：同一基因产生多种转录本，长度差异大。
• 链特异性：RNA有正义链反义链，测序protocol不同会影响方向。
• 小RNA占比较少：但功能重要，miRNA、siRNA等。

常见格式

2.3 蛋白质组学数据

蛋白质组学直接测量蛋白质。和核酸不同，蛋白质没有PCR扩增，灵敏度受质谱仪限制。

数据特点

• 质谱原始谱图：由质荷比（m/z）和强度（intensity）组成。
• 动态范围宽：丰度高的蛋白和低的相差6个数量级。
• 翻译后修饰：磷酸化、乙酰化等，让问题更复杂。
• 不连续：许多肽段在检测中丢失，数据缺失率高达30%以上。

常见格式

MGF格式片段

BEGIN IONS
TITLE=Scan 1000 [email sample]
PEPMASS=1024.56
CHARGE=2+
RTINSECONDS=2345.6
58.12 234.5
79.14 567.8
112.05 1234.2
END IONS

每段以BEGIN IONS开始，END IONS结束。中间的数值对是m/z 强度。嗯，这里要特别注意：电荷状态必须明确标注，否则搜索引擎会报错。

2.4 代谢组学数据

代谢组学看的是小分子（<1500 Da）代谢物。它的数据特点跟前面三个很不一样。

数据特点

• 非靶向 vs 靶向：非靶向产生成百上千个未知特征（features），靶向则只有几十个已知代谢物。
• 保留时间 + 精确质量：每个特征有保留时间、m/z和强度。
• 批次效应严重：仪器漂移、试剂批次都会造成数据偏移。
• 数据稀疏：很多代谢物只在少数样本中检测到。

常见格式

2.5 四种组学的关键差异对比

为了方便你理解，这里做一个横向对比。

2.6 本章知识体系图

下面这张图帮你理清四种组学数据的特点、格式和GPU加速的切入点，一图搞定。

2.7 关于预处理的一些经验

讲完格式和特点，我分享几个实战中归纳出来的原则。

1. 格式统一先行：不管原始数据是FASTQ、MGF还是mzXML，最好在第一步就解析成GPU友好的内存布局（比如struct of arrays）。我习惯写一个统一的RawReader接口，每种格式一个实现。
2. 压缩要谨慎：gzip的FASTQ不能直接随机访问。如果要做GPU加速，建议先解压成未压缩文件或者用bgzip配索引。我在项目中吃过亏——试图用mmap读取gzip文件，结果内存被撑爆。
3. 元数据至关重要：多组学整合时，样本ID、批次、条件等元数据必须与数据矩阵对齐。一个小建议：把元数据嵌入HDF5文件的attributes里，而不是单独一个CSV。这样永远不会错位。