3. 质谱数据格式与预处理：从原始信号到定量矩阵
数据处理的第一步，往往也是最让人头疼的一步。质谱仪吐出来的原始文件，各家厂商各有各的格式，你拿到的数据文件后缀可能是 .raw、.wiff、.d 或者 .mzML。我个人习惯把这一步叫作“数据破冰”——不把这些文件搞明白，后面的差异分析根本无从谈起。
今天咱们就聊聊，怎么把这些“天书”一样的原始信号，变成一张规整的定量矩阵表。说白了，就是从质谱的原始数据出发，一路走到可以塞进统计软件的表格。
3.1 原始数据格式：你得知道你的对手长什么样
质谱仪厂商很多，Thermo、SCIEX、Bruker、Agilent……每家都有自己的“加密”格式。我刚开始做蛋白质组学的时候，接过一个项目，对方甩给我一堆 .wiff 文件，我那会儿连 SCIEX 的仪器都没摸过，折腾了三天才把数据读出来。嗯，踩过的坑现在都记着呢。
| 厂商 | 原始格式 | 特点 |
|---|---|---|
| Thermo Fisher | .raw | 封闭格式，需专用 SDK 读取 |
| SCIEX | .wiff / .wiff.scan | 双文件结构，.scan 包含谱图索引 |
| Bruker | .d (文件夹形式) | 实际上是目录结构，内含多个二进制文件 |
| Agilent | .d (文件夹形式) | 也是目录结构，与 Bruker 不兼容 |
| 开放格式 | .mzML / .mzXML | HUPO PSI 标准，跨平台通用 |
你可能会问，为什么要搞这么多格式？说白了，这是厂商的护城河，也是我们做数据分析的人最烦的东西。但现实就是这样，你得学会跟它们打交道。
3.2 数据格式转换：从封闭走向开放
几乎所有主流的蛋白质组学分析软件，都能直接处理 .mzML 格式。所以第一步，我通常建议你把厂商格式转成 .mzML。为啥？因为后面所有的工具——搜库、定量、质控——都对 .mzML 支持最好。
工具的话，我常用的是 ProteoWizard 里的 msConvert。命令行模式下，你只需要几行代码就能批量转换：
msconvert *.raw --mzML --zlib --filter "peakPicking true 1-"这条命令干了三件事：一是把所有 .raw 转换；二是用 zlib 压缩减少存储；三是做峰检测，把 profile 数据变成 centroided 数据。你要是 .wiff 文件，也差不多：
msconvert *.wiff --mzML --zlib --filter "peakPicking true 1-"3.3 质量控制：别让坏数据浪费你的时间
我见过不少项目，一上来就急着跑差异分析，结果跑出来全是假阳性。后来一查，原来是某个样品采集的时候液相出了问题，色谱峰乱得跟涂鸦似的。所以预处理阶段，我建议你先做一轮快速质控。
质控看什么？核心是三个维度：
- TIC 总离子流图：检查色谱峰形状是否正常，有无气泡或漏液
- Base Peak 色谱图：查看主要肽段的信号强度分布
- 鉴定数量：蛋白和肽段的鉴定数量是否在合理范围
你可以用 PTMiner 或者 OpenMS 里的 QualityControl 模块来做这件事。我个人习惯先看 TIC，如果某个样品的 TIC 曲线出现大段空白或剧烈波动，我会优先排查样品制备或液相的问题，而不是把头埋进数据处理里。
3.4 蛋白推断与定量：从肽段到蛋白的映射
你搜库跑完了，会得到一张肽段-谱图匹配（PSM）表。但这还不是最终结果——你需要把肽段映射到蛋白上，然后做定量。这一块有个经典问题：“肽段共享”——同一个肽段可能对应多个蛋白，这时候怎么分配定量值？
主流原则是 “简约性原则”（Occam's Razor）：能用最少蛋白解释的，就别多推理。具体做法：
- Unique peptides：只拿蛋白特异的肽段做定量，最保守也最可靠
- Razor peptides：在组内按最大可能性分配共享肽段
- Maximal Quanti：把所有共享肽段都用上，适合高丰度蛋白
我自己的项目里，一般先用 unique 肽段定一个 base，再用 razor 肽段补一些低丰度蛋白。你想想看，如果你完全抛弃 shared peptides，很多重要的调控蛋白（比如转录因子、激酶）可能根本定不出来——因为这些蛋白的特异肽段往往很少。
3.5 数据归一化：抹平实验之间的系统偏差
归一化是预处理里最容易“出戏”的一步。说白了，就是用数学手段把不同样品之间因上样量、离子化效率、仪器状态差异造成的系统偏差抹平。但不是所有情况都适合归一化——如果你预期大部分蛋白在实验组和对照组之间都不变，那全局归一化就没问题；但如果你知道很多蛋白都显著变化了，那用全局归一化反而会引入假阴性。
常用方法有几类：
| 方法 | 原理 | 适用场景 |
|---|---|---|
| Total Intensity Normalization | 将所有样品的总信号强度对齐 | 上样量差异大时 |
| Median Normalization | 将各样品的中位数强度对齐 | 大部分蛋白不变时的主流选择 |
| Quantile Normalization | 强行让各样品的强度分布一致 | 分布有明显批次效应时 |
| VSN (Variance Stabilizing Normalization) | 同时稳定方差和消除偏差 | 低丰度蛋白噪音大时优先使用 |
哪种最好？其实没有“万能”的。我建议你选归一化方法之前，先做个 PCA 或 层次聚类，看看数据里是否存在明显的批次效应。如果 PCA 图上实验组内聚而组间分离，那你用中位数归一化就够；如果各个板之间出现分离，那可能得用 quantile 或更复杂的批次校正方法，比如 ComBat。
3.6 缺失值处理：蛋白表的“黑洞”怎么填
定量矩阵里肯定有一堆空值。为什么会有缺失？两个原因：一是真缺失（蛋白没检测到），二是假缺失（检出了但定量值不稳定被过滤了）。你要根据情况分别处理。
常用的策略：
- 只保留完整行：删掉任何有缺失的蛋白。简单粗暴，但会丢很多生物学信息。
- KNN（K近邻）插补：基于相似蛋白的定量值来估计缺失值。适用于随机缺失。
- 最小值替换：用全局最小值或该行最小值的某个比例（如 1/10）替换。适用于“未检到但理论上存在”的情况。
- MLE 或 Bayesian 方法：基于统计模型估计缺失值。计算量较大但结果更稳健。
一次性总结我的选择：如果缺失率小于 10%，我会用 KNN；如果缺失率在 10%-30% 之间，我会用最小值替换；超过 30%，我建议你先检查数据质量，而不是盲目插补。你想想看，一个蛋白在大部分样品里都是空的，硬补出来也是瞎猜。
3.7 预处理流程：把这些步骤串起来
讲了这么多，我觉得你需要一张图把整个流程串起来，这样在实际项目中才不会漏掉任何一步。
这张图把预处理拆成了六个步骤。从原始数据出发，先做格式转换，然后质量控制。通过质控的数据分别走蛋白推断和定量归一化两条路径，最后合并到缺失值处理，输出完整的定量矩阵。虚线表示 QC 和最终结果之间的相互校验——很多时候你会从最终矩阵里发现新的批次效应，这时候得回头调整归一化策略，形成一个迭代闭环。
嗯，把这六个步骤走通，你的数据就准备好进入下一阶段的差异分析了。说白了，预处理做得好，差异分析就成功了一半。我见过太多人把精力全放在后面的 P 值计算上，结果数据质量本身不行，再怎么跑也是白搭。老老实实把这一步做扎实，你的结论才会经得起推敲。