质谱数据基础：RAW文件格式，峰值列表，特征矩阵
做跨平台合并批次校正，第一步得搞清楚数据长什么样。你拿到的原始文件是RAW格式，但下游分析用的大多是峰值列表或特征矩阵。这三个东西怎么串起来的？我先把基础讲清楚。
RAW 文件：仪器直接吐出来的原始数据
RAW 文件是质谱仪采集结束后直接保存的二进制文件。每家厂商都有自己的格式：Thermo 是 .raw，Bruker 是 .d 文件夹加一堆二进制，SCIEX 是 .wiff。timsTOF 和 Orbitrap 联用后，数据存储其实还是各自管各自的，你需要用厂商提供的 SDK 或转换工具才能读取。
RAW 里存的是什么呢？简单说就是连续扫描得到的离子信号：时间、电压、电流。这部分数据量大得惊人，一个 1 小时梯度能生成 10GB 以上。所以实际分析时没人直接操作 RAW，都是先做峰值检测，提取出峰值列表。
峰值列表：从连续信号到离散峰
峰值列表（peak list）是把 RAW 中每个时间点上的质谱信号压缩成一个个峰。常用的格式有 .mgf、.mzXML、.mzML。每个峰记录三个核心信息：质荷比（m/z）、强度（intensity）、保留时间（retention time）。如果你的仪器是 timsTOF，还会多一个 离子迁移率（ion mobility, 1/K₀）。
| 格式 | 特点 | 典型应用 |
|---|---|---|
| .mgf | 纯文本，每张谱图分段，易读但无保留时间列 | 蛋白质鉴定（MASCOT、Comet） |
| .mzXML | XML 结构，支持保留时间、谱图索引 | 跨平台交换、可视化（如 TOPPView） |
| .mzML | HUPO-PSI 标准，兼容性好 | 质谱数据处理流水线（OpenMS、ProteoWizard） |
msconvert input.raw --mzML --filter "peakPicking true 1-" --filter "msLevel 1-2"峰值列表已经能做一些定量分析了，但批次校正需要把不同文件里的同一个离子对齐，这时候就得用特征矩阵。
特征矩阵：把离散峰组织成表格
特征（feature）指的是在保留时间、m/z、迁移率三个维度上重复出现的离子峰。特征矩阵就是把所有鉴定到的特征整理成一张大表：每一行是一个特征，每一列是一个样本，单元格里是该特征在对应样本中的强度。
典型的特征矩阵包含以下列：
- feature_id：唯一标识符，比如
FT_00001 - mz：平均质荷比
- rt：保留时间（分钟或秒）
- ion_mobility：离子迁移率（仅 timsTOF 数据有）
- Sample_01 到 Sample_N：每个样本的强度
有了特征矩阵才能做批次归一化、缺失值填补、差异分析。跨平台合并批次校正就是在多个特征矩阵之间做对齐和校正。
下面这张图帮你理清从 RAW 到特征矩阵的完整流程：
常见格式解析：mzML 与 mzXML 的异同
你可能会问：既然 mzML 是标准，那是不是全用 mzML 就行了？实际上 mzXML 在早期蛋白质组学社区里用得很广，很多旧工具只支持 mzXML。两者的主要区别：
- mzML：基于 XML，能存谱图、色谱图、源内信息、仪器配置，结构更完整。ProteoWizard 和 OpenMS 都优先支持。
- mzXML：比 mzML 更紧凑，读写速度稍快，但扩展性差。如果你只用峰值列表做定量，mzXML 也够用。
我建议做跨平台合并项目时，统一转成 mzML，因为它在迁移率维度上的支持更好。尤其是 timsTOF 的四维数据（m/z、RT、IMS、intensity），mzML 的 <cvParam> 节点可以完整保留。
--zlib 压缩，能把文件体积缩小 30%-50%。虽然读取时会解压，但现代磁盘 IO 足够快，不差这点开销。
msconvert input.raw --mzML --zlib --filter "peakPicking true 1-"特征矩阵生成时的常见陷阱
我在实战中踩过几个坑，列出来你参考：
- 保留时间漂移： 不同批次色谱柱老化导致保留时间偏移，直接合并特征矩阵会把同一个特征当作两个不同特征。必须先做 RT 对齐。
- 灵敏度差异： Orbitrap 和 timsTOF 的离子传输效率不同，同一个肽段在两个平台上的信号强度可能差 10 倍。批次校正时必须考虑全局强度缩放。
- 缺失值处理： 跨平台的特征矩阵里缺失值比例可能高达 40%-60%。如果直接用 0 填充，统计分析会严重偏差。我习惯用 KNN 或随机森林插补，但前提是特征对齐准确。