📚 课程目录第1章质谱数据简介

01 质谱数据简介

做质谱数据分析这几年，我最常被新手问到的一个问题就是：“这些文件到底是什么东西？”拿到一台质谱仪，随便跑一针样品，出来的文件后缀可能是 .raw、.mzML、.mzXML……看着一堆乱码一样的二进制文件，确实挺懵的。

别急，这一节我就带你把质谱数据的底子摸清楚。搞懂了它，后面清洗、建模、验证的路才会走得顺。

质谱仪到底干了件什么事？

说白了，质谱的核心就四个字：“称重”。但不是称你手里的东西，而是称离子在真空中的飞行能力。

我习惯把它分成三步来理解：

离子化：样品进来，被电离成带电粒子。
质量分离：根据质荷比（m/z）把这些离子分开。
检测：记录每个 m/z 对应的离子强度。

你最终拿到的，就是一大堆 (m/z, 强度) 的数据对。不同时间点扫一次，就得到一张质谱图。连续扫下去，就有了时间轴上的谱图序列——我们叫它 LC-MS 数据。

一个小比喻：你可以把质谱仪想象成一个超市收银台。每个商品（离子）都有条形码（m/z），收银员（检测器）扫一下，告诉你这个商品卖了多少件（强度）。

嗯，这里有个坑要注意：质谱数据不是单一的数值数组，而是 三维的——保留时间、质荷比、强度。你清洗数据时，这三样东西一个都不能丢。

常见的数据格式，哪个最靠谱？

说到格式，我之前踩过不少坑。2018 年我第一次处理某品牌高分辨质谱的 .raw 文件，差点崩溃——只能用厂商自己的软件打开，换一台电脑就报错。所以我现在做项目，第一件事就是问：“能转成 mzML 吗？”

来，我把三种主流格式的特点整理了一下：

格式	全称	类型	典型特点
.raw	Thermo 专有格式	二进制，厂商封闭	只能用 Xcalibur、FreeStyle 打开；数据量大，通常 1 GB+
.mzXML	Mass Spectrometry XML	XML，开放	早起标准，结构清晰；但文件膨胀，解析慢
.mzML	Mass Spectrometry Markup Language	XML，开放（HUPO-PSI 标准）	当前最推荐的格式；同时支持索引化和压缩编码

我个人最推荐的是 mzML。为什么呢？

标准化：HUPO-PSI 组织推动的，厂商和工具都认。
可索引：支持随机访问，不用读完整个文件就能找到特定扫描。
压缩友好：可以用 zlib 对 m/z 和强度数组进行压缩，文件大小能降到 .raw 的 30%~50%。

我的经验之谈：项目开始时，如果条件允许，直接让仪器导出 mzML。能省掉后面很麻烦的格式转换环节。

mzML 文件内部长什么样？

有一次我调试一个识别算法的 bug，不得不手撕 mzML 文件。打开一看，结构其实挺清晰的：

<?xml version="1.0" encoding="UTF-8"?>
<mzML xmlns="http://psi.hupo.org/ms/mzml">
  <cvList>...</cvList>
  <fileDescription>...</fileDescription>
  <referenceableParamGroupList>...</referenceableParamGroupList>
  <sampleList>...</sampleList>
  <softwareList>...</softwareList>
  <instrumentConfigurationList>...</instrumentConfigurationList>
  <dataProcessingList>...</dataProcessingList>
  <run>
    <spectrumList count="1250">
      <spectrum index="0" id="scan=1">
        <cvParam name="ms level" value="1"/>
        <cvParam name="base peak intensity" value="4590821.0"/>
        <binaryDataArrayList count="2">
          <binaryDataArray encodedLength="5632">
            <cvParam name="m/z array" unitName="m/z"/>
            <binary>BASE64_ENCODED_DATA</binary>
          </binaryDataArray>
        </binaryDataArrayList>
      </spectrum>
    </spectrumList>
  </run>
</mzML>

核心就是 <spectrum> 标签。每个 spectrum 代表一次扫描，里面记录着 m/z 和强度数据。这些数据是 Base64 编码的二进制，直接读不了，得用专门的库去解码。

注意：千万不要自己去写 Base64 解码 + 解压缩的脚本。pymzML、mzjava、OpenMS 这些库已经帮你封装好了。我曾经图省事手写过一次，结果精度对不上，排查了三天才发现是字节序搞反了。

知识体系总览

这一节的内容，我画了张图帮你把关系理清楚：

该不该自己做格式转换？

你可能会问：“我拿到的是 .raw，是不是得自己写个转换器？”我劝你千万别这么干。

市面上的开源工具已经很成熟了：

msconvert（ProteoWizard 工具包）：最常用的格式转换神器。支持从 .raw 转出 mzML、mzXML，还能做峰值挑选。
OpenMS / TOPP tools：整个质谱数据处理流程的工具箱，FormatConverter 就是它的转换模块。
pymzML：Python 接口，适合写脚本批量处理。我经常用它做小规模的文件格式校验。

举个例子，一条命令行搞定：

msconvert input.raw --mzML --zlib --outdir ./converted/

这条命令会把 input.raw 转成 mzML 格式，同时开启 zlib 压缩。在我的经验里，压缩后文件体积能缩小一半以上，而且解析速度一点也没变慢。

一个小技巧：在处理大规模队列样本时，我习惯先随机抽 3~5 个文件做格式转换和解析测试，确认参数一致后，再启动全量转换。能避免因为批次间参数设置不同导致后面没法对齐的坑。

数据清洗前，你至少要确认这三件事

好，工具选好了，格式也转了。但别急着开始清洗。我踩过的坑告诉你，先做三件事：

检查文件完整性：mzML 有没有被截断？可以用 xmllint --valid 做一遍语法校验。
确认扫描数：跑了 60 分钟的梯度，预期的扫描数是 6000 吗？少了说明仪器可能中途掉线了。
看总离子流图（TIC）是否正常：TIC 曲线如果断层了，那大概率是液相那边出了问题，数据清洗再多也没用。

说到 TIC，我记得有次帮一个合作方排查数据质量，他们做了 300 个样本的蛋白质组学分析，结果鉴定到的蛋白数少得可怜。后来让我看 .raw 文件转 mzML 的过程，发现转换时默认只保留了 MS1 扫描，把 MS2 全扔了。嗯，就是这么个小参数，导致整个项目白做了一半。

所以我现在拿到任何质谱数据，第一件事就是先用 pyOpenMS 写个小脚本，快速拉一下基本信息：

import pyopenms as oms

exp = oms.MSExperiment()
oms.MzMLFile().load("sample.mzML", exp)

print("光谱数量:", exp.getSpectra().size())
print("色谱数量:", exp.getChromatograms().size())
print("MS 级别范围:", exp.getMinMSLevel(), "-", exp.getMaxMSLevel())

tic = exp.calculateTIC()
print("总离子流(TIC)曲线长度:", len(tic))

这段代码跑完，我心里就有底了。数据没问题，才敢往下做清洗和模型训练。