4 原始数据准备：质谱数据格式、组织与命名规范

做定量蛋白质组学，数据准备那步要是栽了，后面跑再多算法也救不回来。我今天就跟你聊聊原始数据这关怎么过——从质谱仪吐出来的 .raw 文件，到标准化的 .mzML，再到文件夹该怎么摆、文件名叫什么，一步步掰扯清楚。

4.1 为什么不能跳过原始数据整理

我记得刚入行时，接过一个合作项目，对方直接把 .raw 拷过来，文件名长这样：20210315_Sample1.raw、Sample2_20210315.raw……我看了半天没搞懂哪个是处理组哪个是对照。没办法，只能一个个打电话问。打那以后，我养成了一个习惯：

4.2 raw 与 mzML——你该用哪个

质谱仪厂商各自有“方言”：Thermo 用 .raw，Bruker 用 .d，SCIEX 用 .wiff。这些格式包含了仪器参数、谱图数据、还有一些厂商私有的元信息。我一般建议：能用 .mzML 就用 .mzML。

我以前做项目时，遇到过直接从 .raw 导入 MaxQuant 报“无法识别格式”的错误，折腾了半天才发现是 Thermo RawFileReader 版本不匹配。后来我统一先用 msconvert 转成 .mzML，再没出过兼容性问题。说白了，多这一步，省后面无数麻烦。

4.3 数据组织——别让文件夹变成垃圾堆

我见过最离谱的文件夹结构：把所有 .raw 堆在桌面，跑分析时手动拖进去。碰上样品多的时候，人眼找到手抖。所以，我个人习惯用下面这种树形结构：

project/
├── 01_raw_original/          # 原始raw，只读权限
│   ├── 20250301_WT_rep1.raw
│   ├── 20250301_WT_rep2.raw
│   └── ...
├── 02_mzML_converted/        # 统一转成mzML后存放
│   ├── 20250301_WT_rep1.mzML
│   ├── 20250301_WT_rep1.mzML.gz
│   └── ...
├── 03_experiment_design/     # 实验设计表、注释文件
│   └── design.tsv
├── 04_maxquant_input/        # 软链接或者拷贝给MQ用的最终文件
│   └── (指向 02 下的文件)
└── 05_results/               # 不碰，让MQ自己写结果

为什么单独把 01_raw_original 设成只读？你看，.raw 一旦被修改，里面的时间戳可能就乱了。我有一回不小心用文本编辑器打开了 .raw，虽然没保存改动，但文件的最后修改日期变了，导致下游批量处理按时间排序时全乱套。嗯，从那以后我严格区分“源文件”和“工作副本”。

4.4 命名规范——让人和机器都能看懂

命名这件事，看起来小，但往往是 pipeline 崩溃的罪魁祸首。我吃过一个亏：同一个项目里有人用下划线有人用空格，还有人混用中英文括号，结果 MaxQuant 读取实验分组的时候把文件名当成了分组名，生成了一堆“_ (1).raw”这样的奇葩标签，后面手动清洗数据洗了一下午。

现在我坚持用这套规则：

• 日期：ISO 8601 格式，比如 20250301（便于按时间排序）
• 样品编号：简短且唯一，比如 WT_12h、KO_24h
• 技术重复：用 _rep1、_rep2 表示
• 分隔符：统一用下划线 _，绝对不用空格
• 禁止特殊字符：括号、百分号、&、# 都不允许
• 扩展名全小写：.raw、.mzML 不要混大写

举个例子：

20250301_WT_rep1.mzML
20250301_WT_rep2.mzML
20250301_KO_rep1.mzML
20250301_KO_rep2.mzML

如果你的实验分组比较多，可以在一个 design.tsv 里记录每个文件名对应的完整元数据：

filename               group   condition   replicate
20250301_WT_rep1.mzML  WT      untreated   1
20250301_WT_rep2.mzML  WT      untreated   2
20250301_KO_rep1.mzML  KO      treated     1
20250301_KO_rep2.mzML  KO      treated     2

MaxQuant 在设置实验分组时可以直接导入这个表格，省去手动敲的麻烦。

4.5 一个快速转换与重命名的 Python 脚本

下面这个脚本我常用的，配合 msconvert 把 .raw 批量转成 .mzML，同时按命名规范重命名。你只需要准备一个 CSV 映射文件。

import os
import subprocess
import pandas as pd

RAW_DIR = "01_raw_original"
MZML_DIR = "02_mzML_converted"
MAPPING_CSV = "file_mapping.csv"

# 假设 mapping.csv 有两列: old_name, new_base
# old_name: "Sample1.raw"
# new_base: "20250301_WT_rep1"

df = pd.read_csv(MAPPING_CSV)
for _, row in df.iterrows():
    old_path = os.path.join(RAW_DIR, row["old_name"])
    new_mzml = os.path.join(MZML_DIR, row["new_base"] + ".mzML")
    # 转换 + 重命名一步完成
    cmd = [
        "msconvert", old_path,
        "--mzML",
        "-o", MZML_DIR,
        "--outfile", row["new_base"]   # msconvert会自动加.mzML
    ]
    subprocess.run(cmd, check=True)
    print(f"Converted {row['old_name']} -> {new_mzml}")

注意：msconvert 需要安装 ProteoWizard 套件。如果你用的是 Windows，在命令行里调用 msconvert.exe 即可。我用这个脚本处理过一次 100 个 .raw，10 分钟搞定转换，文件名齐刷刷变成标准格式——看着真舒服。

4.6 数据格式与命名规范的整体流程

下面这张图把从原始数据到进入 MaxQuant 的动作串起来，你可以把它贴在实验记录本上，照着走。

看到这张图你就明白了：原始数据到手后，先别急着扔进 MaxQuant，花 20 分钟做好格式转换、文件重命名和文件夹组织，反而不容易出错。当然，如果你用的是 .mzML 而不是 .raw，上面的 msconvert 那步可以跳过——但命名和组织那部分，绝对不能省。

4.7 避坑指南（我踩过的雷）

• 命名长度：别写太长的描述，比如 20250301_WT_treated_with_A_drug_24h_rep1，某些工具在解析文件名时有限制。建议控制在 30 个字符内。
• 时间戳一致：如果同一个样品从质谱仪上下载了两次，两个 .raw 可能看上去一模一样，但哈希值不同（因为文件头包含采集时间）。我建议保留最早的那一份，不要覆盖。
• 检查 mzML 完整性：转换完后可以用 mzml_validator（ProteoWizard 自带）跑一遍，确保 xml 结构正确。我曾经遇到文件转出来但缺失了一部分谱图，MaxQuant 读起来不报错，但结果偏小。