3. MRM 数据预处理：原始数据导入、缺失值处理、数据归一化与标准化、批次效应校正

在 MRM（多反应监测）框架下，原始质谱数据在进入特征筛选流程前，必须经过严格的预处理。数据预处理的质量直接决定后续特征筛选的可靠性与可重复性。本章节将系统讲解从原始数据导入到批次效应校正的完整流程，确保数据符合统计建模与机器学习的基本假设。

3.1 原始数据导入与格式规范

MRM 实验通常输出峰面积、保留时间、信噪比等定量信息。常见的数据来源包括 Sciex OS、Agilent MassHunter、Waters MassLynx 等。导入阶段需统一数据格式，建立样本-特征矩阵。

# Python 示例：统一导入 MRM 数据
import pandas as pd

def import_mrm_data(filepath, sample_id_col='SampleID', feature_col='FeatureName', value_col='Area'):
    """
    导入 MRM 原始数据并转换为宽表格式
    """
    df_raw = pd.read_csv(filepath)
    df_wide = df_raw.pivot_table(
        index=sample_id_col,
        columns=feature_col,
        values=value_col,
        aggfunc='mean'
    )
    return df_wide

3.2 缺失值处理策略

MRM 数据中的缺失值通常来源于：低于检测限（LOD）、峰积分失败、离子抑制或仪器漂移。不同缺失机制需要采用不同的处理策略。

缺失值处理流程

1. 缺失率评估：计算每个特征在所有样本中的缺失比例。缺失率 > 50% 的特征建议直接剔除。
2. 缺失机制判断：通过比较缺失组与完整组的其他特征分布，初步判断是否为随机缺失（MAR）或非随机缺失（MNAR）。
3. 插补方法选择：
   • 最小值/1/2 最小值法：适用于低于检测限的缺失，用特征最小检测值的 1/2 填充。
   • KNN 插补：利用相似样本的特征信息进行填充，适用于随机缺失。
   • 随机森林插补：对非线性关系鲁棒，适合复杂代谢组学数据。
   • 多重插补（MICE）：保留不确定性，适用于后续需要统计推断的场景。

3.3 数据归一化与标准化

归一化与标准化是消除样本间系统性差异、使特征具有可比性的关键步骤。在 MRM 框架下，两者具有不同的应用场景。

# Python 示例：多种归一化方法实现
from sklearn.preprocessing import StandardScaler, MinMaxScaler
import numpy as np

def normalize_mrm_data(df, method='zscore', tic_col=None, is_col=None):
    """
    MRM 数据归一化统一接口
    """
    df_norm = df.copy()

    if method == 'zscore':
        scaler = StandardScaler()
        df_norm[:] = scaler.fit_transform(df_norm)

    elif method == 'minmax':
        scaler = MinMaxScaler()
        df_norm[:] = scaler.fit_transform(df_norm)

    elif method == 'tic':
        # 总离子流归一化
        tic = df_norm.sum(axis=1)
        df_norm = df_norm.div(tic, axis=0)

    elif method == 'is':
        # 内标归一化：假设 is_col 为内标列名
        is_values = df_norm[is_col]
        df_norm = df_norm.div(is_values, axis=0)

    return df_norm

3.4 批次效应校正

批次效应是 MRM 数据分析中最常见的系统性误差来源，可能由试剂批次、仪器状态、操作人员、环境温度等因素引起。若不校正，批次效应会与生物学差异混淆，导致假阳性特征筛选结果。

批次效应检测方法

• 主成分分析（PCA）：绘制前两个主成分的散点图，按批次着色。若样本按批次聚类，则存在显著批次效应。
• 层次聚类热图：观察样本聚类是否与批次标签一致。
• 批次间特征分布比较：对每个特征进行批次间的 t 检验或 Wilcoxon 检验，统计显著差异的比例。

批次效应校正实施步骤

1. 构建批次标签向量：为每个样本分配批次编号（如 Batch_1, Batch_2, ...）。
2. 选择校正方法：
   • 2-3 个批次，样本量较小：推荐 ComBat（Python: combat.py，R: sva 包）。
   • 多个批次，实验设计平衡：推荐 Limma（R: limma 包）。
   • 无批次标签但有负对照特征：推荐 RUV（R: ruv 包）。
3. 校正效果验证：
   • 重新绘制 PCA 图，检查批次聚类是否消失。
   • 计算批次间特征分布的 KS 统计量，校正后应显著降低。
   • 保留生物学对照样本（如 QC 样本），验证校正后 QC 样本的变异系数（CV）是否降低。

# Python 示例：使用 ComBat 进行批次效应校正
# 需要安装 combat 库: pip install combat

from combat.pycombat import pycombat

def batch_correction_combat(df, batch_labels):
    """
    使用 ComBat 方法校正批次效应
    df: 样本×特征 数据框
    batch_labels: 批次标签列表（与 df 行顺序一致）
    """
    # pycombat 要求数据为 特征×样本 格式
    df_t = df.T
    df_corrected_t = pycombat(df_t, batch_labels)
    df_corrected = df_corrected_t.T
    return df_corrected

3.5 预处理流程总结

完整的 MRM 数据预处理流程应按照以下顺序执行，每一步的输出作为下一步的输入：