数据导入与质量评估

拿到一个蛋白质组学项目，我最先做的事情不是跑差异分析，而是先搞清楚手头的数据文件长什么样。你想想看，原始数据都没弄明白，后面的一切分析都是空中楼阁。我个人习惯是先花半小时把数据格式、缺失情况、定量准确度摸清楚。这一步做好了，后面能少踩不少坑。

数据导入：从哪里开始？

我刚开始做蛋白质组学分析时，就被这些乱七八糟的文件格式搞晕过。后来总结下来，最常见的原始定量数据来源主要有三类，我列个表格你一看就明白了：

数据来源	常见格式	关键列	处理方式
MaxQuant	evidence.txt / proteinGroups.txt	Intensity, LFQ intensity, PEP, Score	读出，按Unique peptides ≥ 1 过滤
Proteome Discoverer	PSM.txt / PeptideGroups.txt / ProteinGroups.txt	Abundance, #PSM, Ratio	读出，按FDR ≤ 0.01 过滤
直接输入的强度矩阵	CSV / TSV / Excel	样本列, 蛋白ID列, 强度值	格式转换，确保不串列

说实话，在实际操作中最容易出问题的就是格式转换。我以前有个项目，别人发来的Excel里有合并单元格和空行，我直接用pandas读出来，结果蛋白ID全读串了。后来我养成了一个习惯：先另存为纯文本CSV，再用代码读。

我比较推荐直接读Intensity或LFQ intensity这类原始值。至于Normalized abundance或者Z-score后的值，我建议你自己分析时再做标准化，不要用别人处理过的。

下面是一个我常用的Python导入脚本片段，你注意看注释里的坑：

import pandas as pd

# 我习惯先读 evidence.txt，因为 MaxQuant 的 detail 最多
df = pd.read_csv("evidence.txt", sep="\t")

# 过滤：至少包含 1 个 unique peptide
df = df[df["Unique peptides"] >= 1]

# 取蛋白ID和样本强度列，这里假设样本列名包含 "Intensity "
intensity_cols = [c for c in df.columns if "Intensity " in c]
protein_col = "Protein IDs"

# 构建矩阵
matrix = df.groupby(protein_col)[intensity_cols].sum()
matrix.head()

质量评估：你的数据靠谱吗？

数据导进来了，接下来得看看它靠不靠谱。我一般会从四个维度来评估：

1. 蛋白水平的过滤：把那些只靠一条unique peptide鉴定的蛋白踢掉，这玩意儿太不靠谱了。
2. 缺失值比例：一个蛋白在超过50%的样本里都没定量值，留着也没啥用。
3. 定量重现性：技术重复的样本之间，CV值最好是小于20%。
4. 样本相关性：重复样本的相关性应该大于0.9，如果低于0.7，我就要怀疑是不是标签加错了。

嗯，这里要重点说缺失值。蛋白质组学数据里缺失值很常见，但缺失机制不一样。我以前有个项目，数据量超大，但缺失值比例超过60%，分析结果根本不可信。后来我重新检查了样本处理，才发现是某批样本的酶切效率出了问题。

蛋白水平过滤的具体做法，我用R展示一下：

library(dplyr)

# 过滤：至少2个unique peptide
filtered <- raw_data %>%
  filter(Unique.Peptides >= 2)

# 过滤：在至少3个样本中都有定量值
filtered <- filtered %>%
  filter(rowSums(!is.na(select(., starts_with("Intensity")))) >= 3)

量化指标的检查

我画了一张流程图，帮你理清数据导入与质量评估的完整思路：

你看这张图，左边是三种常见的数据来源，中间是导入和合并的关键步骤，右边就是质量评估的三个维度。我自己在评估时，最看重的是缺失值比例和CV分布，这两个指标能直接反映出实验操作和质谱采集的质量。

质控指标速查表

为了让你在实际操作时快速对照，我把常用的质控指标整理成了表格，你直接照着检查就行：

质控指标	推荐阈值	一句话解释
Unique peptides 数	≥ 2	蛋白鉴定越少，定量噪声越大
缺失值比例	< 50% 每个蛋白或样本	缺失太多，后续统计力不足
技术重复 CV	< 20%	重复样本定量一致性好
样本间 Pearson r	> 0.9 内 / > 0.7 组间	生物学重复要高于处理组间
鉴定蛋白总数	参考数据库预期	太少表示实验或数据库有问题