📚 课程目录第1章质谱数据基础

第1章质谱数据基础：原理、类型与常见格式

质谱这东西，说白了就是一台"分子天平"。你把样品扔进去，它能把分子一个个称出来，不光告诉你有多重，还能告诉你长什么样。我刚入行那会儿，总觉得质谱仪是黑魔法——样品进去，数据出来，中间发生了什么完全不知道。后来拆过几台仪器、踩过几次坑，才慢慢摸清楚门道。

这一章我们先把地基打牢。我个人习惯是：**先搞懂仪器怎么工作，再去看数据长什么样，最后研究文件格式**。顺序搞反了，后面做质量控制会越做越糊涂。

1.1 质谱原理：从分子到信号

一台质谱仪，不管多贵多复杂，核心就三步：

离子化——把中性分子变成带电离子。
质量分析——按质荷比（m/z）把离子分开。
检测——记录每个m/z的离子信号强度。

为什么非要带电荷？因为只有带电粒子才能在电场或磁场里被"操控"。你想想看，不带电的分子在真空中乱飞，你根本没法让它拐弯。

常见的离子化方式，我列了个表，你在项目里大概率会碰到这些：

离子化方式	适用样品	典型应用	避坑提示
ESI（电喷雾）	溶液、极性分子	蛋白质组学、代谢组学	小心盐分堵塞喷针
MALDI（基质辅助激光）	固体、生物大分子	组织成像、微生物鉴定	基质选择影响离子产率
EI（电子轰击）	挥发性小分子	GC-MS、代谢物标准库	碎片太多，分子离子峰可能看不到
APCI（大气压化学电离）	中等极性、热稳定分子	环境污染物、药物	容易产生加合物，需要调谐

小技巧：我做代谢组学项目时，经常发现同一批样品用ESI正负离子模式各跑一遍，覆盖的代谢物能多出30%以上。别嫌麻烦，两个模式都做。

1.2 质谱数据类型：你收到的原始数据长啥样

质谱数据不是一张表，而是一堆"谱图"的集合。从仪器里导出来的原始数据，通常有三层结构：

一级质谱（MS1）——全扫描，记录所有离子的m/z和强度。好比一张人群合影，谁在、多高。
二级质谱（MS2）——选取某个母离子打碎，记录碎片的质量。好比把一个人拉出来问"你身上都有啥？"
色谱维度（Retention Time, RT）——样品通过色谱柱的时间，把不同极性/大小的化合物分离开。

所以我常说，质谱数据是"三维的"：保留时间、质荷比、信号强度。你收到的mzXML或mzML文件，本质上就是把这个三维体序列化成了可存储的格式。

再看一组典型的数据结构：

# 一个MS1扫描示例（模拟数据）
Scan 1234, RT=12.34 min, MS1
m/z       Intensity
118.0865  4.5e6
155.0344  2.3e5
223.0637  8.9e4
...

# 一个MS2扫描示例
Scan 1235, RT=12.34 min, MS2, Precursor=118.0865@35CE
m/z       Intensity
59.0491   7.2e5
74.0237   1.1e6
118.0865  2.0e5 (残余母离子)

注意！不同仪器厂商，MS2的碎片记录格式可能不一样。安捷伦和Thermo的原始文件里，碰撞能量（CE）的存储位置就不同。我之前在整合多平台数据时，差点因为能量值读错导致定量全废——后来乖乖写了个格式转换校验脚本。

1.3 常见数据格式：mzXML与mzML

仪器厂商都有自己的私有格式：Thermo的.raw、AB Sciex的.wiff、Bruker的.d……这些格式不开放，你要读就得靠厂商SDK。好在社区搞了两个开放格式：

mzXML——早期标准，由Sashimi项目提出，基于XML。优点是简单，工具链成熟。缺点是冗余大，文件体积偏大。
mzML——HUPO PSI标准，2008年发布，也是XML。吸取了mzXML的教训，结构更清晰。现在的工具基本都支持mzML。

我个人建议：能用mzML就尽量用mzML。原因有三个：

它支持二进制编码（zlib压缩），文件能小50%~70%。
元数据描述更丰富，便于溯源。
几乎所有开源工具（OpenMS、MSGF+、X!Tandem）都优先支持它。

你看一个mzML文件的大致骨架：

<mzML xmlns="http://psi.hupo.org/ms/mzml" ...>
  <fileDescription>
    <fileContent>
      <cvParam cvRef="MS" accession="MS:1000003" name="MS1 spectrum"/>
      <cvParam cvRef="MS" accession="MS:1000580" name="MSn spectrum"/>
    </fileContent>
  </fileDescription>
  <instrumentConfigurationList>
    <instrumentConfiguration id="IC1">
      <cvParam cvRef="MS" accession="MS:1000490" name="LTQ Orbitrap"/>
    </instrumentConfiguration>
  </instrumentConfigurationList>
  <run id="sample_A_rep1">
    <spectrumList count="5234">
      <spectrum index="0" id="scan=1" defaultArrayLength="5621">
        <cvParam cvRef="MS" accession="MS:1000511" name="ms level" value="1"/>
        <cvParam cvRef="MS" accession="MS:1000016" name="scan start time" value="0.582" unitName="minute"/>
        <binaryDataArrayList count="2">
          <binaryDataArray encodedLength="44968">
            <cvParam cvRef="MS" accession="MS:1000523" name="64-bit float"/>
            <cvParam cvRef="MS" accession="MS:1000576" name="no compression"/>
            <binary>AAAAAEy1PkAAAAA+T6Q+...</binary>
          </binaryDataArray>
          <binaryDataArray encodedLength="44968">
            <cvParam cvRef="MS" accession="MS:1000515" name="intensity array"/>
            <binary>AAAAAI9KqEA9FqHjQAAAAGCu...</binary>
          </binaryDataArray>
        </binaryDataArrayList>
      </spectrum>
    </spectrumList>
  </run>
</mzML>

经验之谈：转换工具推荐用 msconvert（来自ProteoWizard）。它能把几乎所有厂商的raw文件转成mzML，还能指定压缩、分级。我每次做批处理都会加 --filter "peakPicking true 1-2" 顺便做峰检测，省一步是一步。

1.4 本章知识体系图

1.5 数据质量从文件头就开始

你可能觉得格式只是"存储方式"，跟质量控制没关系。错了。文件头里的元数据，决定了你能不能正确解读后面的二进制数组。我曾经遇到过一批mzML文件，仪器型号写的是"Orbitrap Elite"，但实际用的却是"Q Exactive HF"——仪器校准参数完全不同。如果我们直接用通用参数去做质量控制，出来的结果全是偏的。

所以，我建议你拿到任何未知来源的质谱数据，第一步不是跑算法，而是先读文件头：

检查 instrumentConfiguration 里的型号和参数。
确认 cvParam 里的 ms level 是否完整。
看 binaryDataArray 的压缩方式——如果写的是 no compression 但实际却是zlib，解压时会直接崩。

# 用Python快速验证mzML文件头（使用pyopenms或pymzml）
import pymzml

run = pymzml.run.Reader("sample.mzML")
for spectrum in run:
    if spectrum["ms level"] == 1:
        print(f"MS1 scan ID: {spectrum['id']}, RT: {spectrum['scan time']:.2f} min")
        break
# 输出示例：MS1 scan ID: scan=1, RT: 0.58 min

  核心要点：
  质谱的三步原理：离子化→质量分析→检测。
数据是三维的：保留时间、质荷比、强度。
mzML 比 mzXML 更优，推荐作为首选格式。
数据质量从文件头元数据就开始影响。

📚 课程目录

第1章 质谱数据基础：原理、类型与常见格式

1.1 质谱原理：从分子到信号

1.2 质谱数据类型：你收到的原始数据长啥样

1.3 常见数据格式：mzXML与mzML

1.4 本章知识体系图

1.5 数据质量从文件头就开始

第1章质谱数据基础：原理、类型与常见格式