2. 质谱数据预处理流程：基线校正、噪声平滑、峰检测

拿到原始质谱数据之后，别急着建模分析。我刚开始搞这行的时候，就犯过这个错误——一上来就怼算法，结果基线漂移能把任何定量分析都带跑偏。质谱仪出来的信号，你想想看，相当于一个没煮过的生肉，腥味大、毛刺多，得先收拾利索了才能下锅。

预处理流程，就是把这步“收拾干净”的工作标准化。说白了，三步走：把基线拉平，把噪声抹匀，再把峰给揪出来。每一步不到位，后面的定性定量全是白费功夫。

2.1 基线校正 — 把漂移拉回平地

基线漂移是质谱的老朋友。尤其是MALDI、DESI这类离子源，基质效应、电荷积累、温度变化都会让基线慢慢往上翘或往下溜。你别小看这点漂移，我见过一个代谢组学项目，就因为没做基线校正，两组样本的差异峰全是假的。

常用的方法，我按个人经验排个序：

方法	原理	优缺点
多项式拟合	用低阶多项式拟合基线走势	简单快速，但对复杂漂移效果差
非对称最小二乘法	给残差加非对称权重，自动区分峰与基线	我常用。参数调好之后很鲁棒
局部中值/最小值	滑动窗口内取最小值作为基线	容易受残留噪声影响，不推荐

我个人习惯用非对称最小二乘法。为什么？说白了，它能自动判断哪些点是“峰上的”，哪些是“基线中的”，然后只对基线部分做加权拟合。Python里有现成的库，叫 pybaselines，里边就封装了这个算法。

举个例子，一段调用的过程可能是这样：

from pybaselines import Baseline
baseline_fitter = Baseline(x_data)
# lam 控制平滑度，p 控制非对称权重
baseline, params = baseline_fitter.asls(
    y_raw, lam=1e6, p=0.01
)
corrected = y_raw - baseline

2.2 噪声平滑 — 别把细节洗没了

基线拉平之后，信号里全是高频毛刺，尤其是那些质谱级数较高的数据，你看那个波纹，跟心电图似的。平滑的目的就是把这些毛刺去掉，但不能把真实的峰给抹平了。

常用的平滑方法，我列个表对比一下：

方法	核心理念	场景推荐
Savitzky-Golay	用多项式在滑动窗口内拟合	质谱信号首选，保留峰形好
移动平均	窗口内取平均	简单但钝化峰顶，不推荐细峰
小波去噪	小波分解后阈值处理	信噪比极差时用，但复杂

我最推荐的是Savitzky-Golay平滑。为什么？它在去除噪声的同时，非常努力地保持峰的高宽和形状。你想想看，如果用移动平均，窗口大了峰顶就被削平了，峰高就不准了。Savitzky-Golay是用一个滑动窗口内的多项式拟合，相当于在每个窗口里都做一次局部回归。

参数就两个：window_length 和 polyorder。

from scipy.signal import savgol_filter

# window_length 必须是奇数
# polyorder 一般取 2 或 3
y_smoothed = savgol_filter(
    corrected, window_length=11, polyorder=3
)

嗯，这里要注意一点。我曾经为了把噪声压得更干净，把窗口拉到 21 点，结果两个挨得近的峰被直接“熔”成了一个峰。那是我做脂质组学分类项目的时候，少了一个关键峰，整个模型全废了。所以平滑的黄金法则是：用最小的窗口达到可接受的噪声水平。

2.3 峰检测 — 揪出真正的信号峰

数据磨好了，基线平了，噪声小了，接下来是重头戏：找峰。一个质谱峰有三个核心特征：位置（m/z）、强度（高度）、宽度（半高宽）。峰检测的目标就是把这三样东西准确算出来。

常见的检测策略：

• 阈值法：设定信噪比阈值（S/N > 3），高于阈值的视为峰。最基础也最常用。
• 导数法：一阶导数为零找极值，二阶导数判断峰型。对重叠峰分辨力好。
• 峰形拟合法：用高斯或洛伦兹函数拟合每个峰。精准但计算量大。
• 连续小波变换：把峰当作小波基的匹配，适合信噪比低的数据。

我实际项目中用得最多的是连续小波变换 + 阈值过滤。原因是它不像导数法那么敏感噪声，还能同时给出峰宽信息。Python 的 scipy.signal.find_peaks_cwt 早期版本有这功能，但现在我更推荐 scipy.signal.find_peaks 配合 prominence 参数使用。

from scipy.signal import find_peaks

# prominence 控制峰与周围最低点的突出高度
peaks, properties = find_peaks(
    y_smoothed,
    height=500,        # 最小峰高
    prominence=100,    # 最小突出度
    width=3,           # 最小峰宽（点数）
    distance=10        # 峰之间的最小间隔
)

# 输出峰位置（m/z索引）
mz_values = x_data[peaks]
intensities = y_smoothed[peaks]

你可能会问：信噪比阈值设多少合适？我个人习惯说，信噪比 > 3 是检出的下限，但真实的做定量分析时，我至少要 S/N > 10 才放心。特别是低丰度峰，你信噪比只有 3，稍微一点噪声扰动就可能量变 30% 以上，根本不可复现。

2.4 三步流程的常见问题与参数调优

这三步不是孤立执行的。基线校正的参数会影响后续平滑和峰检测的效果。我建议你建立一个小型的参数扫描脚本，用一组已知正确峰的标注数据做验证，选最优的组合。别全靠直觉，直觉是靠不住的。

总结一下最常见的坑：

• 顺序搞反：先平滑后基线校正 = 基线漂移被平滑固化，校正困难。
• 平滑过度：两个真实峰被融成一个，丢失分辨力。
• 基线校正过度：把真实信号的低谷部分当成了基线减掉，导致信号变负。
• 峰检测阈值过低：假阳性满天飞，后续分析全白做。

我个人的工作流是：先跑一组默认参数看效果，然后用可视化检查——画一张叠加图，原始信号、基线、校正后信号一起看。眼睛是最快的筛查工具。等肉眼觉得差不多了，再用一组已知标准品的数据跑定量验证。