4. 数据完整性检查：缺失值检测、扫描一致性

数据完整性，说白了就是看你的质谱数据有没有「缺胳膊少腿」。我之前处理过一批临床样本的数据，刚开始跑得挺顺，结果后面发现某个时间段的谱图全是空的。一查，是采集软件中途崩了，但日志里没报错。这种事其实不少见，所以完整性检查必须放在质控流程的第一步。

4.1 缺失值检测

缺失值，就是本该有数据的地方，它没来。在质谱数据里，缺失值可能出现在三个层面：

• 扫描级缺失：某个扫描周期的信号全为空或接近零值。
• 特征级缺失：某个保留时间-质荷比组合下，没有检测到峰。
• 样本级缺失：整张谱图都丢了，或者文件损坏无法读取。

我个人的习惯是先做扫描级和样本级的检查，因为这两层最容易定位根因。

4.1.1 扫描统计指标

常用的几个指标，直接看表格：

指标	定义	阈值参考
空扫描占比	总强度低于噪音阈值的扫描数 / 总扫描数	< 5%
扫描强度变异系数	各扫描总强度的变异系数	< 30%
缺失特征比例	缺失的特征数 / 总特征数	< 20%
连续缺失窗口	连续缺失的最大扫描数	< 5 个扫描

你可能会问：这些阈值怎么来的？嗯，这里要注意，没有万能阈值。我一般会根据仪器类型和样本基质来调。比如对于高分辨质谱，空扫描占比超过2%我就开始警觉了；但对于低分辨率的在线监测数据，5%以内也算正常。

4.1.2 常用检测方法

分三种：统计扫描法、可视化检查法、基于规则的检测法。

统计扫描法

最直接的方式，就是计算每个扫描的TIC（总离子流）强度分布。如果某个扫描的TIC低于全局TIC中位数的10%，我基本会把它标为「空扫描」。代码里可以这样做：

import numpy as np

def detect_missing_scans(tic_array, noise_fraction=0.1):
    tic_median = np.median(tic_array)
    threshold = tic_median * noise_fraction
    missing = np.where(tic_array < threshold)[0]
    return missing

missing_scans = detect_missing_scans(tic_data)
print(f"发现 {len(missing_scans)} 个空扫描")

我在项目中遇到过，某次用这个方法检测时，发现一批数据里有连续30个空扫描。当时还以为是仪器故障，结果后来发现是进样针堵了。你看，这种就是通过统计扫描法很快能锁定的问题。

可视化检查法

有时候数字不直观，我会做个热图或者折线图。把扫描序号当x轴，TIC强度当y轴，一眼就能看出哪里断流了。不过，我一般不依赖纯人工检查，它会和统计扫描法配合用。

基于规则的检测法

这个方法适合处理已知规律的数据。比如你的方法是运行5分钟，前1分钟是溶剂前沿，中间3分钟出峰，最后1分钟是冲洗——那就可以定规则：前1分钟的空扫描可以接受，但如果中间3分钟有超过2个连续空扫描，就要报警。

def rule_based_detection(tic_array, scan_times, method_config):
    # method_config: {start_min, end_min, max_gap}
    middle_mask = (scan_times >= method_config['start_min']) & \
                  (scan_times <= method_config['end_min'])
    middle_tic = tic_array[middle_mask]
    # 找连续空扫描序列
    missing = middle_tic < (np.median(tic_array) * 0.1)
    gap_lengths = np.diff(np.where(np.diff(np.concatenate(([False], missing, [False]))))[0])[::2]
    if np.any(gap_lengths > method_config['max_gap']):
        return True  # 不合格
    return False  # 合格

4.2 扫描一致性检查

缺失值查完了，接下来要看扫描的一致性。什么叫一致性？就是你这次采集的10000个扫描，和上次采集的10000个扫描，它们的分布特征是不是高度相似的？说白了，就是看仪器在同样的实验条件下，有没有「心不在焉」。

4.2.1 需要检查哪些方面

我觉得至少要覆盖三个维度：

1. 保留时间对齐度（Retention Time Alignment）—— 峰的位置有没有偏移。
2. 质量轴校准稳定性（Mass Axis Stability）—— m/z 漂移在不在容忍范围内。
3. 峰检测一致性（Peak Consistency）—— 同样的样本，峰数量、峰面积有没有突变。

你可以把这三个指标放进一个表格里，定期打勾，像做体检一样：

检查项	度量方式	合格标准
保留时间偏移	内标峰RT的变异系数	CV < 1%
质量轴漂移	已知离子m/z偏差的绝对值	< 5 ppm
峰数量变异	连续3针的峰数量差异	< ±10%
总峰面积波动	各扫描TIC的变异系数	CV < 15%

4.2.2 实际操作示例

假设我们有一批LC-MS数据，先加载并计算每针的TIC分布。这个示例展示了如何计算保留时间窗内的一致性：

def check_rt_consistency(peak_list, rt_window=0.1):
    # peak_list: [(rt, intensity), ...]
    for i in range(1, len(peak_list)):
        rt_diff = abs(peak_list[i][0] - peak_list[0][0])
        if rt_diff > rt_window:
            return False, f"RT偏移超过 {rt_window} min"
    return True, "RT一致性通过"

具体到实际项目，我会再加上一个滑动窗口来扫描整个色谱段。因为我遇到过一个情况：前几分钟的保留时间完全对得上，到了后面几分钟偏移越来越大。只用单个点检查，根本抓不到。

4.3 数据完整性检查的整体流程

把缺失值检测和扫描一致性检查串成一条流水线，每次数据采集完就跑一遍。这个流程图我习惯拿来做日常质控的骨架：

这张图上画得很清楚：数据进来后先做文件级别的完整性检查，然后扫缺失值，再查扫描一致性，最后二分法决定能不能往下走。

4.4 小结与注意事项

数据完整性检查是质控的第一道门。我个人总结了几条必记内容：

• 缺失值检测要区分层面：扫描级、特征级、样本级，不能混在一起看。
• 扫描一致性检查要覆盖保留时间、质量轴、峰特征三个维度。
• 阈值不是死的，要根据仪器历史和样本类型动态调整。
• 流程要自动化，不能完全依赖人工。人工的强项是诊断，不是扫描。

我曾经有一个案例就是：用了一套固定的阈值跑了半年，一直没问题。结果某次换了批血浆样本，缺失值占比飙到12%，但我的阈值是20%，直接通过了。然后下游的定量分析结果出现系统性偏差，查了两天才找到原因——样本基质抑制导致部分扫描强度被大幅压低。自那以后，我每个项目都重设阈值，不再复用之前的。