📚 课程目录第4章 RAW数据获取与格式理解

4. RAW 数据获取与格式理解：Thermo RAW、MGF、mzML 对比

做定量蛋白质组学，第一个坎往往不是分析本身，而是数据格式。我从仪器上拷回来一堆 .raw 文件，T 公司专用，别人打不开。想换软件？先得转格式。

这一节我带你搞清楚三种最常见格式：Thermo RAW、MGF 和 mzML。不是罗列概念，是讲清楚实际干活时该选谁、怎么转、避哪些坑。

4.1 原始数据的来源

咱们的原始数据是从 Thermo 质谱仪（像 Q Exactive、Orbitrap Fusion 系列）上直接采集下来的。仪器软件把原始信号保存成 .raw 文件。你拿到手的可能是课题组服务器上的一大堆 .raw，或者直接从 U 盘拷。

我自己的习惯：收到 raw 文件后第一步不是直接打开 MaxQuant，而是先检查文件完整性——用 Thermo RawFileReader 或者 MSFileReader 工具看一眼，确认扫描数、TIC 总离子流图能正常显示。曾经遇到过拷盘时文件损坏，跑了一晚上 MaxQuant 报错“无法读取原始数据”，更浪费时间。

小技巧： 从仪器端拷贝 raw 文件时，尽量用复制而不是剪切。如果文件太大（>2 GB），用 SMB 或 FTP 传输，别用微信传，会截断。

4.2 Thermo RAW 格式

RAW 是 Thermo 的二进制专有格式。优点：保留最完整的信息——信号全谱、噪声基线、质心化前的原始轮廓。缺点：不开源，只有 Thermo 自家的 SDK（RawFileReader）或者 MSFileReader 能读。

说白了，MaxQuant 能直接处理 RAW 文件是因为它内置了 Thermo 的读取库。换成别的软件（比如 OpenMS 或 Skyline），你就得先转成开放格式。

.raw 文件个头巨大，一个 60 min 的 DDA 实验可能 2–3 GB。里面存的不是质心谱，而是轮廓谱（profile mode），每一 m/z 步长都记录强度。咱们做定量时一般不直接用轮廓谱，会先质心化（centroid）。

关键点： RAW 文件 = 卷帘门公司锁在保险柜里的原始底片。只有拿了钥匙（SDK/专用库）才能看。

4.3 MGF 格式

MGF（Mascot Generic Format）是质谱中最通用的文本格式。每个谱图用一组 BEGIN IONS / END IONS 包起来，简单粗暴：

BEGIN IONS
TITLE=Scan 1234 (rt=25.3) [MS2]
CHARGE=2+
PEPMASS=800.4563
100.1 1234.5
101.2 567.8
...
END IONS

它的优点：纯文本，任意编辑器都能打开看；体积小（存质心谱，不存轮廓）。缺点：缺元数据——没有色谱保留时间标尺、没有离子淌度信息、没有原始信号质量。而且行数一多，MGF 的读取速度比二进制慢不少。

我在项目中经常遇到有人把 MGF 当成最终的存档格式。我劝你别这么做。MGF 适合做中间交换：从 RAW 转成 MGF 后丢给 Mascot 或 MS-GF+ 搜库，但完成搜库后原始 RAW 最好留着，方便查谱图质量。

提醒： MGF 不区分 profile 和 centroid。如果你不小心把轮廓谱塞进 MGF，文件会爆炸大，而且搜库软件可能报错。我当初就吃过这个亏——拿一个 60 分钟的 profile-MGF 去跑 Mascot，居然跑了 48 小时还没出结果，后来才发现是格式没清对。

4.4 mzML 格式

mzML 是目前质谱领域的开放标准格式（HUPO PSI 制定）。它用 XML 结构存储数据和元数据，既支持轮廓谱也支持质心谱，还能保留色谱、离子淌度、仪器设置等丰富信息。

相比 MGF，mzML 的优势在于：

标准化： 所有主流开源工具（OpenMS、SpectraST、msconvert）都能读写。
可扩展： 通过 controlled vocabulary（CV）记录仪器参数，方便复现
压缩： 使用 zlib 或 NumPress 压缩，文件体积甚至比 MGF 还小

我自己在每个项目中都尽量保留一份 mzML 作为“开放可读存档”。原因很简单：五年后如果你还在做这个项目，想重新分析，你绝对不会还想去找一台装了 Thermo 软件的 Windows 机器来读 RAW。但 mzML 用文本编辑器都能看到谱图轮廓。

4.5 三种格式核心对比

特性	Thermo RAW	MGF	mzML
格式类型	二进制专有	纯文本	XML 开放
支持轮廓/质心	均可	通常质心	均可
元数据丰富度	极高	低	高
压缩行为	无（依赖文件名）	无	zlib/NumPress
读软件兼容性	仅 Thermo SDK	几乎所有	几乎所有
典型大小（1h DDA）	~2–3 GB	~200–500 MB	~300–800 MB（压缩）
适合长期归档	否	部分	是

看到这个表格，你可能会问：既然 mzML 这么好，为什么还要用 RAW？理由很简单：MaxQuant 内部管道需要 RAW 来读取原始信号参数（比如质量精度校准、Profile 基线扣除）。用 mzML 跑 MaxQuant 目前还在实验阶段。所以现阶段你手里得有 RAW 才能跑标准流程，但存档和交叉验证时务必留一份 mzML。

4.6 格式转换实操

市面上最稳的转换工具是 ProteoWizard 套件里的 msConvert。我几乎每次做项目都会用它。命令行用法：

msconvert.exe input.raw --mzML --zlib --filter "peakPicking true 1-" --filter "msLevel 1-2" -o output_dir

解释一下参数：

--mzML 输出 mzML
--zlib 启用压缩
--filter "peakPicking true 1-" 将轮廓谱质心化（对 MS1 和 MS2 都做）
--filter "msLevel 1-2" 只保留 1 级和 2 级谱图
-o output_dir 输出目录

想生成 MGF 也很简单：

msconvert input.raw --mgf --filter "peakPicking true 1-" -o output_dir

个人经验：转出 mzML 后，我总喜欢用 mzReader.py 快速检查一下谱图数量和质量。一个简单的 Python 脚本：

from pymzml.run import Reader
reader = Reader("output.mzML")
count = 0
for spec in reader:
    cont = spec.peaks("centroided")
    count += 1
print(f"Total spectra: {count}")

如果你发现 count 远小于设备报告的扫描数，八成是 peakPicking 没生效，或者 msLevel 过滤设得太严了。嗯，这种小陷阱我踩过不止一次。

4.7 工作流中的格式选择

下面这张图总结了我推荐的数据流向：

我个人的建议：

日常分析： 保留 RAW，用 MaxQuant 直接处理。
归档备查： 用 msConvert 生成一份压缩 mzML，存到共享盘里。
跨软件合作： 根据对方需求生成 MGF（文本文件，传起来最快）。

最后说一个真实教训。有一次我图省事，把一批 RAW 直接转成 MGF 就删了 RAW。两个月后 reviewer 要求提供原始谱图验证一个低丰度肽段。我没法再生成轮廓谱，不得不重新跑液质。从那以后，我无论硬盘多紧张，RAW 和 mzML 双备份一个都不少。

4.8 小结

这一节我们拆开了三种格式的内核。别被文件后缀嚇住，记住一句话：RAW 是母带，mzML 是通用 CD，MGF 是临时 MP3。 根据场景选对格式，能少走很多弯路。