3. 原始谱图 → 定量矩阵：CV 是怎么一步步被“制造”出来的？

好，聊到数据预处理，我得先跟你透个底。我以前刚做蛋白质组学那会儿，总觉得“原始谱图”是神圣不可侵犯的，恨不得把所有信号都保留下来。结果呢？定量矩阵出来，CV 高得吓人，一堆假阳性。后来摔过几次跟头，才明白一个道理：预处理不只是“清理数据”，它本质上是在“制造”CV——每一步选择，都会放大或缩小最终矩阵的变异系数。

今天我们就从头捋一遍，看看一个原始谱图，是怎么变成一张定量矩阵的，以及这中间，CV 到底是怎样被一步步“驯化”或“引爆”的。

3.1 预处理管线：5 个关键阶段

我个人习惯把整个流程拆成 5 个阶段。每个阶段对 CV 的贡献都不一样。

阶段 核心操作 对 CV 的作用 典型 CV 范围（我取的经验值）
1. 谱图预处理 基线校正、平滑、去噪 降低系统噪声导致的假阳性，但过度平滑会抹掉低丰度蛋白信号 5-15%
2. 峰检测与提取 质心提取、同位素簇合并、峰面积/峰高计算 决定一个肽段能否被定量；参数窗口设太大，混入杂峰，CV 飙升 10-30%
3. 保留时间对齐 非线性校正（如 LOESS）、全局位移调整 消除批次间保留时间漂移；对齐不准，同一肽段在不同批次被错认 5-20%
4. 峰匹配与定量矩阵生成 跨样本匹配、填充缺失值 匹配算法决定矩阵完整性；缺失值填充方式直接拉高或拉低 CV 15-40%
5. 归一化与校正 总离子流校正、中位数归一化、内参标定 消除上样量差异、仪器漂移；归一化不做，批次效应全写在 CV 里 5-15%（归一化后理想值）

你想想看，如果前 4 步都没控制好，到第 5 步归一化的时候，你的 CV 已经是一个“垃圾进垃圾出”的状态了。所以我的原则是：宁可多花时间在谱图预处理阶段，也不靠归一化去“擦屁股”。

3.2 谱图预处理：第一个“红绿灯”

原始谱图拿到手，第一件事不是急着提取峰，而是看基线漂不漂。我曾经在一个时间序列项目里，碰到一个奇怪的现象：同一批样品，第一天和第三天的基线信号差了一倍多。原因是质谱仪刚做完维护，热平衡没完全稳定。你猜怎么着？

如果不做基线校正，后面提取的峰面积，第三天会比第一天普遍高 20%-30%。那 CV 直接翻倍。所以，我建议至少做以下三个动作：

  • 基线扣除：用局部最小值或多项式拟合，把基线拉平。
  • 平滑去噪：我一般用 Savitzky-Golay 滤波器，窗口宽度 5-7 点。窗口设太大，低丰度峰信号被抹平，CV 会“虚低”。
  • 信噪比过滤：只保留 S/N > 3 的特征。低于这个线的，大概率是噪点。
实战参数参考（以典型 DDA 数据为例）：
基线校正：局部最小值，窗口 100 m/z
平滑：Savitzky-Golay，宽度 5，多项式阶数 2
信噪比阈值：3.0

3.3 峰提取：你的参数窗口，决定 CV 精度

说完预处理，我们来到最关键的环节——峰提取。这一步我的经验是：参数设得“宽容”，CV 会“爆炸”；设得太“严格”，很多真实蛋白被丢弃。

举个例子，我做过一个跨批次的血浆项目。第一批次的峰提取窗口设的是 ±5 ppm，第二批次的质谱仪温度没控制好，质量漂移到了 ±10 ppm。结果同一肽段在第一批次被检出，第二批次直接被当成“未检测到”，于是定量矩阵里出现大量缺失值。你想想看，缺失值一多，CV 能不高吗？

所以我建议至少做两件事：

  • 先跑一个质量偏差诊断，看仪器实际漂移是多少。
  • 允许批次级质量容差自适应，比如以每个批次的实测偏差中位数作为容差基准。
注意： 峰提取时不要轻易使用“默认参数”。我见过很多项目，仅仅因为用了软件默认的 +10 ppm 窗口，而实际仪器漂移只有 ±2 ppm，结果匹配时大量假阳性混入，矩阵填得“假满”，CV 倒是不高，但全是错的。

提取完的峰，我们通常会得到一个像这样的中间文件，记录了每个特征在不同样本中的响应强度：

特征ID    m/z      保留时间  样本A_intensity  样本B_intensity  样本C_intensity
F001      502.103   12.45    1.23e6          0.98e6          1.45e6
F002      504.251   14.02    0.45e6          NA              0.52e6
F003      508.779   15.33    2.10e6          2.34e6          2.01e6

看到「NA」了吗？这就是 CV 的潜在火山口。如果某个样本里这个肽段缺失，你怎么处理它，会直接影响 CV 的最终数值。

3.4 缺失值填充：CV 的“放大器”

说到缺失值，我跟你讲个经验教训。我以前有个项目，为了“矩阵完整性”，把所有缺失值都填充为 0。结果呢？低丰度蛋白的 CV 直接被拉到 100% 以上。为什么？因为填充 0 相当于把一个本来就不高的信号，强行变成 0，然后归一化时又把它拉高，计算出来的 CV 毫无意义。

现在业内比较公认的做法是：

  • 近邻填充：用这个肽段在其他样本中的响应值分布的最低 10% 分位数来填充，模拟“在检测限附近”的情况。
  • 小值填充：直接填充一个全局最小值的 1/10。
  • 模型预测填充：用其他归一化后的特征做回归预测填充。我个人不太常用，因为容易引入结构偏差。
填充方式 对 CV 的影响 我个人的推荐度
填充 0 CV 虚高（尤其低丰度） ❌ 不推荐
全局最小值 / 10 CV 会接近真实，不会爆炸 ✅ 常用
KNN 近邻填充 CV 偏保守，接近中位数 ✅ 如果样本量小，是个好选择
不填充，只分析完整行 样本量少时，代表性差 ⚠️ 只在样本足够多时用

3.5 归一化：最后一道“CV 矫正”护栏

终于走到归一化这一步了。很多人以为归一化是“万能药”，其实不是。它只能消除全局的系统性偏差——比如上样量差异、离子化效率波动——但不能修复前面几步造成的特异性偏差。

我一般用 中位数归一化，因为它对异常值稳健。具体怎么做？很简单：

# 伪代码逻辑
global_median = median(all_peptide_intensities)

for each_sample in samples:
    sample_median = median(each_sample.intensities)
    correction_factor = global_median / sample_median
    each_sample.intensities = each_sample.intensities * correction_factor

这个步骤做完，如果前面各步都控制好了，定量矩阵的 CV 分布应该会收敛到 5%-15% 之间。如果发现归一化后某个批次的 CV 反而变大了——别慌，这说明那个批次本身的偏差模式不是全局性的，而是蛋白特异性的。这时候，我们就得进入下一节要讲的内容：如何用 CV 分布去识别这种“异常批次”。

不过先打住，我们把今天的核心流程串联一下。下面这张图，我把它叫做“预处理与 CV 的关系图”，你一看就明白。

原始谱图 → 定量矩阵：预处理管线与 CV 的关系 1. 谱图预处理 2. 峰检测提取 3. 保留时间对齐 4. 峰匹配+填充 5. 归一化校正 定量矩阵 + CV 关键风险点 过度平滑 → 低丰度 CV 虚低 参数窗口不当 → 缺失值激增 填充策略错误 → CV 失真 CV 理想范围 全局偏差消除后：5%-15% 批次特异性偏差：15%-40% 异常批次：>50%

这张图我画了很久，核心想表达的是：CV 不是在最后归一化时才产生的，它是在每一道流程里被逐步构建的。前一步的微小误差，会在后一步被放大。所以，评估批次特异性蛋白时，不要只看最终矩阵的 CV，而要去回溯它的预处理路径，看看到底是哪一步让 CV “跑偏”了。

我的一个小习惯： 每次拿到一份定量矩阵，我会先做一个“预处理谱系图”——把每个样本从原始谱图到矩阵的每一步参数都记录下来。这样，当发现某个蛋白的 CV 异常时，我可以快速定位是峰提取窗口的问题，还是保留时间对齐的误差。

好，关于数据预处理与 CV 的关系，我们就聊到这里。记住：预处理不是“清洁工”，它是“建筑师”——你建的每一层，都在决定最终 CV 的形态。

← 上一章 📖 返回目录 下一章 →