第三章：数据格式的“前世今生”——RAW、mzML与搜库结果
做质谱数据分析，说白了就是跟各种文件格式打交道。我当年刚入行时，就被这一堆后缀名搞晕过——.raw、.mzML、.mzXML、.mgf……每个厂家还有自己的“方言”。今天这章，咱们就聊聊这些格式到底是干什么的，以及怎么在它们之间自由切换。
3.1 RAW文件：厂家的“黑匣子”
你从质谱仪上直接拷下来的文件，大概率是 .raw 后缀。这是Thermo Fisher家的专有格式。嗯，就像佳能相机拍的.CR2，只有自家软件才能完全解码。
RAW文件里到底存了什么？
- 原始谱图数据——每个扫描点的m/z和强度值
- 时间信息——保留时间轴
- 仪器参数——离子源设置、碰撞能量等等
- 诊断信息——比如真空度、电压波动记录
我在项目中遇到过好几次，有人拿着别人的RAW文件想直接用MaxQuant打开，结果报错。为什么？因为Thermo的RAW文件其实是分版本的——Xcalibur 2.x和4.x生成的RAW，底层结构都不一样。
我曾经有一次，从合作方拿到的RAW文件死活读不出来，折腾了两天才发现对方用的Thermo软件版本太老，MaxQuant根本认不了那个格式的头部信息。最后让对方重新导了一遍mzML才解决。
3.2 mzML：质谱界的“普通话”
为什么要转成mzML呢？你想想看，如果实验室里有Bruker、Thermo、SCIEX三台仪器，每个厂家格式都不一样，你的pipeline怎么写？
这就是mzML存在的意义——它是HUPO-PSI（人类蛋白质组学组织-蛋白质组学标准倡议）推的开放格式，基于XML，任何人只要读规范就能解析。
mzML相比于RAW的优势：
| 对比项 | RAW文件 | mzML |
|---|---|---|
| 开放性 | 封闭，依赖厂商SDK | 完全开放，XML明文 |
| 可读性 | 二进制，无法直接查看 | 文本格式，可用编辑器打开 |
| 跨平台 | 仅Windows（Thermo） | Linux/Mac/Windows通吃 |
| 压缩率 | 依赖厂商算法 | 支持zlib压缩，体积可控 |
| 元数据 | 部分丢失（不同版本） | 标准化，完整保留 |
我个人习惯，所有原始数据进pipeline之前，先统一转成mzML。这样后续不管用MaxQuant、OpenMS还是Skyline，接口都是通的。
3.3 搜库结果文件：MaxQuant的“成绩单”
MaxQuant搜库完成后，会吐出一堆文件。你真正需要关注的，其实就几个核心结果文件。
关键文件清单：
evidence.txt——最底层的肽段-谱图匹配（PSM）信息，每一行代表一个匹配peptides.txt——肽段水平汇总，去冗余后的结果proteinGroups.txt——蛋白质水平汇总，这是后续定量分析的起点msms.txt——二级质谱的详细信息，包括碎片离子强度summary.txt——运行参数和统计摘要，排查问题时的第一站
我在做PTXQC流程时，经常发现有人直接拿proteinGroups.txt就开始画火山图，但忽略了evidence.txt里的异常值标记。其实PTXQC的最核心输入，就是evidence.txt和summary.txt。
如果你用MaxQuant的“LFQ”或“iBAQ”定量，proteingroups.txt里的LFQ intensity列才是真正的定量值。别弄混了。
3.4 转换工具：谁好用？
格式转换是逃不掉的活。我列几个常用的工具，你们按需选用。
1. MSConvert（ProteoWizard）
业界标杆，支持几乎所有质谱格式的互转。命令行用起来非常爽。
# 单个RAW转mzML
msconvert input.raw --mzML -o ./output/
# 批量转换，保留索引
msconvert *.raw --mzML --zlib --filter "peakPicking true 1-" -o ./mzml_output/那个 --filter "peakPicking true 1-" 参数，会自动做centroid处理，省掉你后续手动捣腾的麻烦。
2. ThermoRawFileParser
如果你只用Thermo的RAW，这个工具更快，而且输出mzML的元数据更完整。
# 基本用法
mono ThermoRawFileParser.exe -i=rawfile.raw -o=./mzml/ -f=2 -c=1
# -f=2 代表输出mzML格式
# -c=1 代表包括profile和centroid数据3. OpenMS的FileConverter
在复杂的pipeline里，我建议用OpenMS工具链。
# 转换加保留时间对齐一步到位
FileConverter -in input.raw -out output.mzML
# 也可以直接转成featureXML
FileConverter -in input.mzML -out features.featureXML4. mzML to MGF（Mascot通用格式）
有些老旧的搜库软件（比如Mascot）不吃mzML，这时候你就需要转成MGF。
# 用Python的pyopenms搞定
from pyopenms import *
exp = MSExperiment()
MzMLFile().load("input.mzML", exp)
MascotGenericFile().store("output.mgf", exp)批量处理大量RAW文件时，我优先用MSConvert的命令行模式，配合Shell脚本循环，一次搞定上百个文件。pipeline里我会嵌套ThermoRawFileParser，因为它的日志输出更详细，方便排查。
3.5 格式转换的常见坑
你以为转个格式就是点一下按钮那么简单？嗯，有时候不是。
问题一：数据精度丢失
默认的mzML转换可能是32位浮点的，丢失细节。一定要指定输出精度。
# MSConvert设置64位
msconvert input.raw --mzML --precision 64 -o ./output/问题二：时间戳错乱
我遇到过一例，转出来的mzML里保留时间全都差了0.5分钟。查了半天发现是仪器时钟偏差，转换时没有做时间校准。记住——RAW文件里的时间戳是本地时间，但mzML标准要求用相对保留时间（从进样开始算的秒数）。
问题三：元数据缺失
有些转换器会丢掉仪器类型、碰撞能量等关键信息。你在下游分析时发现filter string是空的，那就是转换时没带全。
# 用msconvert时可以指定保留所有params
msconvert input.raw --mzML --filter "peakPicking true 1-" --ignoreMissingTolerance 0.53.6 一张图看懂数据流转
咱们这一节讲了三种格式，它们之间的转换关系其实很清晰。我画了张图帮你理解整个数据流向。
这张图的逻辑其实很简单：仪器出来的RAW是源头，通过转换工具变成mzML这个“通用语言”，然后MaxQuant拿着mzML做搜库，最后吐出evidence.txt和summary.txt给PTXQC做质控。中间每一步都可能有坑，但掌握了格式特点和转换参数，就能绕过去。
以后你拿到一批新数据，先问自己三个问题：
1. 原始文件是什么格式？
2. 我下游的工具吃哪种格式？
3. 转换时我只保留centroid还是profile也要？
这三个问题想清楚，格式转换这一步就不会出错。
好了，这一章咱们把数据的“语言”理清了。下一部分就该上手操作，看看MaxQuant的web界面到底长什么样了。不过那是后面的事，先把今天的内容消化掉再说。