第1章：课程介绍与蛋白质组学基础

大家好，我先做个自我介绍。我在蛋白质组学数据挖掘这个领域摸爬滚打了十几年，从早期的2D胶图到现在的高通量质谱，踩过的坑真不少。这门课，就是想把我这些年积累的实操经验，尤其是差异表达蛋白筛选那套"组合拳"，系统地分享给你。

说白了，做蛋白质组学实验，最后往往就落在一个核心问题上："哪些蛋白在两个样本间是真变了？" 你想想看，质谱仪打出来成千上万个蛋白，每个都有丰度值，可这里面到底哪些是生物学差异，哪些只是技术噪音？这门课就是帮你把这个"筛子"做出来。

1.1 这门课能帮你解决什么问题？

我在项目中遇到过不少刚入行的同事，他们常问："为什么我跑完质谱，用Excel随便筛了个2倍变化，结果验证时就打脸了？" 嗯，这个问题很典型。背后的原因其实挺复杂，我总结成三个核心痛点：

1. 统计陷阱： 只凭倍数变化（Fold Change）做筛选，忽略P值或FDR，假阳性率会高得吓人。
2. 数据污染： 缺失值怎么处理？直接删掉？还是用最小值填充？处理方式不同，结果可能天差地别。
3. 多重假设校正： 你同时检验了5000个蛋白，就算完全没有差异，按0.05的P值阈值，理论上也会出现250个假阳性。怎么控制这个数？

这门课会把这些问题一个个拆开、揉碎，给你可重复的代码方案和操作流程。

1.2 蛋白质组学数据长什么样？

我们先来看看最基础的数据结构。我个人习惯把质谱下机后的数据整理成一个"宽表格"，行是蛋白，列是样本。大概长这样：

Protein ID	Gene Symbol	Control_1	Control_2	Treatment_1	Treatment_2
P04637	TP53	12.5	13.1	18.9	20.2
P01116	HRAS	5.2	4.8	15.6	14.9
O00292	LEFTY2	8.7	9.0	7.2	6.8
...	...	...	...	...	...

1.3 差异表达蛋白筛选的核心流程

从原始数据到最终的差异表达蛋白列表，大致需要经过几个关键步骤。我画了个流程图，这基本成了我每个项目的"施工蓝图"：

你别看步骤多，其实每一步都有对应的统计方法和软件包。我简单展开一下各个步骤的关键点：

• 原始数据导入： 通常来自软件如MaxQuant、Proteome Discoverer的输出文件。我习惯先把数据读进R或Python，做个初步的"望闻问切"。
• 数据预处理： 过滤掉低置信度的鉴定结果，比如基于肽段数、Q-value等指标。这一步能有效减少噪音。
• 归一化： 消除样本间的系统性偏差。常见方法包括总蛋白丰度归一化、中位数归一化、分位数归一化等。
• 缺失值处理： 质谱数据常有大量缺失值(MNAR或MCAR)。处理方法有最小值填充、KNN插补、随机森林等。我的经验是，没有万能方法，得看数据分布。
• 统计检验： 用得最多的是T检验或Wilcoxon秩和检验。我有一次在项目中用错了配对检验，导致筛选出的差异蛋白全反了，那教训太深刻了。
• 多重假设校正： 控制错误发现率(FDR)是必须的。Benjamini-Hochberg方法是最经典的，但有时候条件会更严苛，需要调整。

1.4 关于数据质量：一个容易被忽视的起点

我经常跟团队里的人说，再漂亮的统计方法也救不了烂数据。所以，在进入正式的筛选流程前，我建议你至少做三件事：

1. 检查缺失率： 如果一个蛋白在超过50%的样本里都没检测到，那它基本不适合做后续的统计比较。
2. 查看样本间的相关性： 用皮尔森相关系数矩阵快速看看有没有离群的样本。我在一个肿瘤样本项目里发现过一个异常样本，后来一查是质谱仪的色谱柱污染了。
3. 做一次初步的PCA： 主成分分析能快速告诉你，你的生物学分组在多大程度上能解释数据的变异。

1.5 你需要具备什么工具基础？

这门课的操作部分，我会主要基于R语言环境，辅以Python（Pandas + SciPy）。你不需要成为编程高手，但至少需要能跑通以下命令：

# R语言基础操作示例
install.packages("tidyverse")
library(tidyverse)

# 读取一个数据文件
data <- read.csv("protein_expression.csv")
head(data)

# 这里只是展示一下环境，别担心，我们会一步步来。

不会不要紧，我在课程中会给出完整的脚本，你照着敲就行。关键是要理解每一步在做什么，为什么这么做。

1.6 本章小结：你脑海里应该有的那幅图

学完这一章，你脑里需要建立起一个框架。说白了，就是上面那张流程图在你脑子里扎根。从数据进来，到过滤、归一化、补缺失、跑统计、校正，每一个环节都不是孤立的。它们的顺序、参数选择，最终都会直接影响你筛选出的差异蛋白列表。

这就是为什么我坚持把这门课叫"实操指南"——因为只有上手试错过，才能真正理解那些统计学假设背后意味着什么。