第2章 质谱数据基础
2.1 质谱原理：从分子到信号
做蛋白质组学建模，第一关就是搞懂质谱怎么工作的。说白了，质谱就是个“称重器”——但它称的不是大胖子，而是带着电荷的分子。我刚开始学的时候，总觉得这东西跟化学分析离得很远，直到亲手处理过几TB的raw数据，才明白原理决定了模型能学到什么。
质谱的核心流程分三步：电离 → 质量分析 → 检测。你想想看，一个中性蛋白质分子没法直接飞进质量分析器，先得给它带上电荷。常用的电离方式有电喷雾电离（ESI）和基质辅助激光解吸电离（MALDI）。ESI在液相色谱串联质谱（LC-MS/MS）里用得最多，它能产生多电荷离子，比如一个+2的肽段比+1的好测，因为m/z变低了。
质量分析器负责把不同m/z的离子分开。常见的有四极杆（Quadrupole）、离子阱（Ion Trap）、飞行时间（TOF）和轨道阱（Orbitrap）。Orbitrap现在很流行——分辨率高，质量准确度能到ppm级。我记得有一次分析一个磷酸化肽段，Orbitrap把两个质量差只有0.02 Da的峰分开了，换台低分辨仪器根本不可能。
2.2 MS/MS谱图类型：碎片是怎么来的
只做一级质谱（MS1）只能知道肽段的质量，想要知道序列，得把肽段打碎再做二级质谱（MS/MS）。我习惯把MS/MS谱图想象成“分子拼图”——每一根碎片峰告诉你一部分序列信息。
根据碎裂方式不同，MS/MS谱图分成几大类：
| 碎裂方式 | 特点 | 常见仪器 |
|---|---|---|
| CID（碰撞诱导解离） | 用惰性气体碰撞，能量较低，主要产生b/y离子 | 离子阱、四极杆-TOF |
| HCD（高能碰撞解离） | 在碰撞室中高能碎裂，b/y离子更丰富，也可见immonium离子 | Orbitrap |
| ETD（电子转移解离） | 通过电子转移，保留翻译后修饰，产生c/z离子 | 离子阱、Orbitrap |
| EThcD（ETD+HCD组合） | 先ETD再HCD，同时得到c/z和b/y | 高精度Orbitrap |
我做磷酸化蛋白质组学项目时，遇到过一个大坑：CID会把磷酸基团打掉，导致根本看不到修饰位点。后来换成ETD，c/z离子完整保留了磷酸化，说实话好处理多了。你想想看，如果模型只见过CID碎片，它对修饰肽段的预测能力会大打折扣——这直接影响下游建模的泛化性能。
2.3 Raw数据格式与转换：摆脱厂商锁死的苦
质谱仪器厂商会给自家格式起名字——Thermo的.raw、Sciex的.wiff、Bruker的.d、Agilent的.d。这些二进制格式直接读不了，必须用特定SDK。我记得第一次接触.raw，想用Python的pyteomics读，结果报错提示“MSFileReader未注册”，折腾了俩小时才发现要装Thermo的MSFileReader包。
开源社区搞出了通用格式：mzML（基于XML，最推荐）、mzXML（较老）、mzMLb（二进制压缩版）。转换工具也很成熟：
# 使用MSConvert（ProteoWizard）批量转换
msconvert --mzML --filter "peakPicking true 1-" --zlib my_data.raw
# 或者用Python调用pymzml写自定义转换
from pymzml import run
for spectrum in run.MSRun("my_data.mzML"):
print(spectrum.mz, spectrum.i)
转换时要注意几个点：
- 峰拾取：原始数据是轮廓模式（profile），需要转换成中心模式（centroid），否则文件巨大且无法直接做数据库搜索。
- 压缩：建议开启zlib或numpress压缩，mzML文件能缩小到原来的1/5。
- 元数据保留：仪器设置、扫描参数、极性、碰撞能量这些信息对建模很重要别丢了。
下面这张图把质谱数据从样品到谱图的全流程串起来了——你跟着箭头走，就知道每个环节对应什么数据，模型训练时该拿哪些量当输入。
再说说raw格式转换时的常见坑。我见过不少同事直接拿原始.raw跑机器学习——嗯，这绝对不行。因为里面不仅包含谱图数据，还有仪器状态、自动增益控制（AGC）目标值、碰撞能量设定等“噪音”。模型只吃m/z和强度就行，其他东西你得自己判断哪些能当额外特征。
好了，这一章就这么多。记住：把raw转成干净、标准化的mzML，并且记录好每个谱图的碎裂方式、仪器类型和扫描参数——这些元数据会在你构建模型时派上大用场。