4. 原始数据格式：RAW文件结构、谱图类型、峰列表与元信息查看

搞定量蛋白质组学，大部分时间都在跟 RAW 文件打交道。你问问任何一个做质谱的，他们电脑里最多的东西是什么？十有八九是 .raw。这一章咱们就把这个玩意儿扒开看看，它到底是个什么结构，藏着哪些关键信息。

4.1 RAW 文件到底是个什么结构？

RAW 文件是 Thermo Fisher 家的专有格式。说白了，它是一个二进制容器，里面的数据不是你能用记事本打开的。它的核心逻辑是把质谱仪采集到的所有信号，按照“扫描”为单位组织起来。

我个人习惯把 RAW 文件想象成一卷老式电影胶片：

• 一帧帧画面：就是一个个“扫描（Scan）”。
• 画面内容：就是每个扫描时刻的质谱图。
• 画面的元数据：比如拍这张时用的什么镜头（扫描类型）、什么光圈（碰撞能量）、什么时间（保留时间）。

结构上主要分三大块：

4.2 谱图类型：全扫描、SIM 和 MS/MS

为什么要区分谱图类型？因为不同级别的扫描在Pipeline里干的事不一样。MaxQuant在读取RAW时，依赖这些谱图类型标签来分配任务。常见的有三种：

• MS1 (Full Scan)：全扫描谱图。范围宽、分辨率高，用来定量母离子。在MaxQuant里，提取色谱峰（XIC）用的就是这里面的数据。
• SIM (Selected Ion Monitoring)：选择性离子监测。窄窗口扫描，灵敏度高，常用于靶向定量。在非靶向流程中不太常见。
• MS/MS (MS2)：二级质谱图。把选定的母离子打碎，得到碎片离子信息，用于肽段鉴定。

有时候你还会看到一种叫“FAIMS”或“DDA/DIA”的控制方式。DDA里，一次MS1扫描之后，跟着几个依赖性的MS/MS扫描；DIA里则是固定的宽窗口非依赖碎裂。了解这些，能帮你判断Pipeline里的一些参数该不该开。

4.3 峰列表：Centroid vs. Profile

质谱仪采集到的原始信号是连续波峰——这叫Profile数据。但Profile文件太大，不利于运算和存储。你可以把Profile想象成一张模糊的铅笔素描，而Centroid（也叫Peak Picking）就是把素描里所有线条的交叉点提炼成一个点。

两者区别如下：

你想想看，一个4小时DDA实验的RAW文件可能到2GB。如果是Profile模式，这个数字至少翻一倍。MaxQuant内部在处理时，会自动把Profile转换成Centroid再去做匹配和定量。但如果你的RAW文件本身就是Centroid的，那就省去了这步转换。

4.4 如何查看元信息？

元信息是RAW文件的“身份证”。你不需要把它全背下来，但得知道去哪里查。我常用的工具有几个：

• Thermo RawFileReader：官方给的.NET库，可以用C#或Python调用。
• ThermoRawFileParser：这个我强烈推荐。它是跨平台的，能直接把RAW文件转成可读的MGF、mzML甚至列出所有元信息的TXT。

命令行用法很简单：

mono ThermoRawFileParser.exe -i=C:\test.raw -o=C:\output -f=0 -m=0

参数含义：

• -i：输入RAW文件路径
• -o：输出目录
• -f=0：输出格式为MGF（0=MGF, 1=mzML, 2=Indexed mzML, 3=Parquet）
• -m=0：元信息输出格式（0=标准日志, 1=JSON）

提取出的元信息JSON大概长这样（部分字段）：

{
  "sourceFile": "C:\\\\test.raw",
  "sourceFileChecksum": "A1B2C3D4E5F6...",
  "instrument": {
    "model": "Orbitrap Eclipse",
    "serialNumber": "SN01234",
    "firmwareVersion": "3.5.2.1"
  },
  "runStartTime": "2024-01-15T14:30:00Z",
  "msMethod": {
    "polarity": "Positive",
    "scanRange": "375-1500 m/z",
    "resolution": "120000"
  },
  "scanCount": 245012,
  "msOrderStatistics": {
    "ms1": 30780,
    "ms2": 214232
  }
}

这里面的msOrderStatistics特别有用——能一眼看出你MS1和MS2的扫描比例。我一般要求这个比例在1:6左右，太高说明MS/MS跳数不够深，太低说明浪费了扫描时间。

4.5 本章核心逻辑图

下面这张图表展示了从RAW文件到MaxQuant可理解数据流的完整路径：

这张图的核心信息就是：原始RAW经过解析后，有三条并行的信息流——谱图类型、峰列表格式、元信息。它们各自经过处理后，汇聚成MaxQuant可以理解的内部数据结构，最终生成定量和鉴定结果。