前几天跑完一批血清样本的非靶向代谢组学峰表出来了差异代谢物名单也拉出来了可到最关键的时候卡住了一堆代谢物名字摆在我面前我到底该怎么解释它们从哪来、在哪条生物学功能模块里起作用这个代谢物溯源与功能模块分析的问题做代谢组学的人应该都懂打分容易收尾难。后来我花了一个周末把TidyMass2的流程完整跑了一遍从谱图注释到溯源推断再到功能模块富集整条链路终于打通了。这篇文章就把我的理解、实际操作步骤和踩过的坑都写出来给同样被注释后分析折磨的人做个参考。1. 为什么代谢组学研究总卡在最后两步1.1 溯源不是简单“打库检索”很多人以为代谢物溯源就是把MS2谱图丢进数据库里搜一下匹配上了就完事。但真正做过一次完整代谢组学项目的人都知道事情没那么简单。LC-MS/MS出来的数据经过峰检测和峰对齐之后一个特征峰的m/z对应好几种可能的加合形式比如[MH]、[MNa]、[M-H]-甚至还有同位素峰干扰。你用同一个DA数据库去匹配可能同时命中好几个结构类似的物质得分都还不低。这个时候如果不能把“候选物”和“真实来源”之间的关系理清楚后续所有分析都会建立在错误注释上。我在实际项目中遇到过特别典型的例子一个m/z为188.0706的特征峰在HMDB里同时能匹配到犬尿氨酸和一种氨基酸衍生物两个候选物的MS2谱也很像。如果只按分数挑一个后面做通路分析时结果完全不同一条指向色氨酸代谢另一条指向氨基酸合成。溯源这里真正要解决的问题不是“找一个名字”而是“确认这个物质身份及其已知来源把它放到代谢网络里还能自洽”。TidyMass2在这个环节的价值在于把注释结果、数据库来源信息、同位素和加合离子处理整合成一条可追踪的流程而不是让你在不同网站之间来回切。1.2 模块分析也不是随便做做富集代谢组学的最后一步通常要把差异代谢物映射到代谢通路上看看哪些生物学功能模块被扰动。常规做法是拿KEGG通路做富集分析这个能做但问题也很明显。单个代谢物可能同时出现在好几条通路里计算富集P值的时候这些多重归属会产生偏差。更麻烦的是非靶向代谢组学检测到的物质相当大一部分不在KEGG通路注释范围内直接导致富集结果空一大块。我见过不少初学者拿到差异物质列表之后直接复制到网页版工具里去跑富集出来的通路名称里一半是“Metabolic pathways”这种大而全的条目看起来不好看审稿人也嫌结果太泛。正经的做法是先把代谢物按化学分类或者已知功能模块做一次归类再去看这些模块在不同分组之间的变化趋势。这其实就是功能模块分析要干的事把零散的代谢物聚成有生物学意义的功能单元再判断这些单元是否被显著扰动。TidyMass2把这一步做成了模块化的分析管线内部会综合利用通路注释、代谢物-通路二元网络和富集检验避免我在上一段里说的那种“一把梭子全塞进KEGG”的粗糙做法。2. TidyMass2的整体设计如何把“溯源”和“模块”做成一套流程2.1 以tidy数据为核心的底层设计用过tidyverse处理过数据的人应该对TidyMass2的设计哲学有天然的亲近感。它的核心并不是重新发明一套质谱数据处理算法而是把代谢组学中各种类型的数据统一成一张“长表”列名固定语义清晰每一行代表“一个样本里检测到的一个代谢物特征”每一列代表该特征的属性或该样本中的强度值。数据一旦规整成这种结构化形式后续的溯源、过滤、归一化、统计检验和功能分析就都变成了数据框操作不需要反复转换格式。这个设计针对的痛点非常明确代谢组学工具链太碎片化了。上游峰检测用XCMS注释用MetFrag或SIRIUS通路分析用MetaboAnalyst或者其它R包每一步的输出格式都不一样。单是“把XCMS的peak table转成通路分析需要的物质列表”这个动作我就见许多人写过一堆脚本不同项目还容易出错。TidyMass2用统一的数据对象把中间的转换成本大大压低。你输入进去的是一个标准化对象出来之后还能继续以相同结构操作整个项目的代码可维护性会好很多。2.2 溯源模块的设计思路在TidyMass2里代谢物溯源不是一个黑盒函数而是分成了几个可拆解的步骤。先做一级注释也就是基于精确质量和同位素模式给出候选分子式再做二级注释用MS2谱图和数据库里的参考谱比对给出结构层面的证据最后把注释结果链接到来源数据库比如物质的天然来源信息、物种来源注释等输出一个带证据等级的表。这个过程中每一步的结果都会保留下来方便你回头看某个物质到底为什么被注释成这个结构。这种分层设计有一个很实际的好处它把“确定性注释”和“推测性注释”分开。最高置信度的证据是标准品保留时间加上MS2完全匹配其次是MS2匹配率高的数据库命中再次是只靠精确质量算出来的候选。TidyMass2不会把这三类结果混在一个列表里而是让你能按置信度过滤。做过实际项目的人应该能体会这一点非常重要——你拿去给审稿人看的差异物质最好能标注清楚哪些有二级质谱证据哪些只是分子式级别的推测。2.3 功能模块分析流程的设计思路功能模块分析在TidyMass2里的实现思路说白了是把“基因集富集分析”的思想迁移到代谢物上但注意了它不是简单套一个富集检验就算了。模块分析模块会首先根据注释结果构建代谢物到生物学模块的映射关系这个映射关系可以来自KEGG通路、Reactome也可以来自用户自定义的代谢物集合。然后它会对每个模块计算一个“扰动分数”默认用类似基因集富集的统计框架你可以选择超几何检验或者带置换检验的富集算法。更关键的一点是TidyMass2把模块分析结果直接和图谱可视化打通了。跑完分析之后你可以直接画出模块热图、代谢物-通路二分网络图还能把模块得分输出成一个矩阵方便和临床指标做相关性分析。我以前做通路分析的时候最烦的就是分析做完之后导出数据再画图中间要写一堆粘粘贴贴的脚本。现在这个流程被整合到一起至少在项目管理上省了不少事。3. 实操记录从原始数据到溯源与模块结果3.1 环境与数据准备我这次用的数据是之前一批血浆样本的LC-MS/MS非靶向代谢组学数据正负离子模式分别采集原始文件是mzML格式。需要说明的一点是TidyMass2不是从原始文件直接开始的它更自然的入口是“你已经有了峰表后续要推进注释和生物学解释”这个阶段。如果你手头没有预处理好的峰表它也能调用XCMS做峰检测和峰对齐但我个人建议还是用自己常用的预处理流程先把峰表做扎实再进入TidyMass2。安装这一步我建议严格按官方发布页的说明来。核心依赖是R 4.2以上需要先装好BiocManager然后把xcms、MSnbase、S4Vectors这些基础包装好。在我这个版本里安装命令大致是这样install.packages(devtools) devtools::install_github(tidymasslab/tidymass)如果你在安装阶段遇到依赖包版本冲突不要硬怼先检查R版本和Bioconductor版本是否匹配。我踩过的一个坑是R版本太新导致BiocManager安装的xcms版本和TidyMass2要求的基础对象类不一致后来统一用renv锁定了一个固定环境问题才消停。所以我真的建议你在一个干净的R环境里跑不要用装了无数杂包的全局环境。数据准备阶段你需要三张表表达量表行是代谢物特征列是样本样本信息表样本名、分组、批次等代谢物特征表m/z、保留时间、加合离子等。TidyMass2对这三张表的要求很明确样本名字不能有重复代谢物特征的ID必须唯一。我第一次没注意样本信息表里有一个样本名和表达量表的列名不完全一致导致后续一直报错排查半天才发现是大小写问题。3.2 峰表构建与一级注释TidyMass2里有一个统一的函数用来创建数据对象大致思路是把三张表合并成一个对象之后的所有操作都跑在这个对象上。示例代码如下library(tidymass) mass_obj - create_mass_dataset( expression_data expr_df, sample_info sample_info, variable_info variable_info )创建对象之后先做的是一级注释。一级注释主要看精确质量和加合离子匹配。如果你的数据里已经包含了同位素峰信息这个过程可以帮助你把同位素峰和加合峰归并到同一个代谢物特征组里。TidyMass2里做这部分需要给一个数据库文件里面包含化合物的分子式、精确质量、常见加合形式这些列。我用的是从HMDB下载的代谢物列表当然你也可以用KEGG COMPOUND或者自建的小型标准品库。这里有个特别重要的细节数据库里的分子式必须已经标准化。我在第一次跑的时候数据库里有些条目是“C10H16N2O3S”有些写成“C10 H16 N2 O3 S”甚至有包含中文括号的条目结果匹配的时候全对不上。后来我写了几分钟脚本统一清洗成标准字符串格式匹配率才恢复正常。另外加合离子的选择也会明显影响结果血浆样品正离子模式下最常出现的加合形式是[MH]但还是要同时考虑[MNa]等信息否则可能漏匹配。一级注释出来的结果通常是一堆候选分子式这个阶段万万不能直接拿去做下游差异分析因为很多物质还分不清是真实信号还是加合离子峰。3.3 二级注释与代谢物溯源实录一级注释给的是分子式层面的候选二级注释才真正进入结构层面。TidyMass2在这一步支持导入第三方软件结果比如SIRIUS的JSON输出或者GNPS的批量结果也可以直接用内置的MS2匹配功能。我这次用的是内置方法把每个特征峰的MS2谱和MS2数据库里的参考谱做对比计算余弦相似度和匹配碎片数按分数输出前几个候选结构。实际跑下来二级注释的命中率受两个因素影响很大。第一个是数据库的谱图质量如果你用的公共数据库里某类物质的谱图数量很少那命中率自然上不去。我当时做的是氨基酸和有机酸相关物质这些在公共数据库里的覆盖率还不错如果是相对冷门的脂质亚类覆盖率明显下降。第二个是碰撞能量。同一个物质在不同碰撞能量下会产生完全不同的碎片模式TidyMass2在比对时会允许一定的碎片容忍度但如果你采集数据时用的是20 eV而数据库里的参考谱是40 eV匹配分数仍然不会特别高。溯源这一步我把它理解为“注释结果的来源归因”也就是把已经注释到的代谢物和已知来源数据库做关联。TidyMass2里可以加载一套来源注释表比如“某个代谢物主要出现在哪些物种”、“是否是微生物来源”、“是否与食物摄入相关”然后把二级注释的结果映射上去。这块特别适用于肠道菌群代谢物研究比如我想看血清里哪些差异代谢物可能来自肠道微生物就可以通过这个来源注释表做一次筛选。我跑出来的结果里有一个很有意思的发现色氨酸下游的几个代谢物包括犬尿氨酸和吲哚丙酸都被溯源到微生物来源而这两个物质在疾病组和对照组之间都有显著差异。如果没有做溯源这一层我只会把结果写成“色氨酸代谢通路显著扰动”但加上了来源信息之后我可以进一步讨论“这组代谢物的扰动可能与肠道微生物代谢相关”生物学信息量立刻不一样了。3.4 功能模块分析的操作要点完成溯源之后就是功能模块分析。TidyMass2里提供了几个函数来处理这块核心是对接通路数据库做富集分析和模块打分。我用KEGG通路作为模块定义来源加载了一个通路映射表然后跑了富集分析。实际操作中我建议先做一个简单的设置只保留至少有2个代谢物映射到同一通路的条目否则通路里只有一个物质时富集结果基本没有统计意义。超几何检验的P值算出来可能很小但那只是因为映射到这条通路的代谢物本来就少很容易出现假阳性。TidyMass2允许你设定最少代谢物数量这个参数我建议至少设成2如果你的物质注释率不高设成3反而更稳妥。模块打分的部分工具会为每个样本计算一个模块得分。这个得分本质上是该样本中属于这个模块的代谢物强度的综合值。用这个模块得分我做了两个后续分析第一计算模块得分和临床炎症指标之间的Pearson相关性第二把得分矩阵拿去做聚类看不同分组在模块层面的整体差异。后者尤其有用因为传统差异分析是基于单个代谢物的你很难直观看出“哪些功能模块一起变了”。TidyMass2输出的模块热图可以直接看到疾病组的某个模块整体上调这对我写文章时组织结果逻辑帮助很大。操作上还要注意模块分析输入的是注释好的对象如果你前面一级注释的结果没有做充分的去重同一个化合物可能会分成好几个特征峰导致模块里的代谢物数量虚高。解决办法是在创建对象或者过滤时优先保留有二级证据的特征峰把只靠一级注释推测的特征去掉宁缺毋滥。4. 我踩过的坑常见问题与排查思路4.1 溯源命中率低的三个原因第一个原因是碰撞能量不匹配这个我在前面提过。解决办法是不要只看总匹配分数把特征碎片是否被匹配上单独调出来看。TidyMass2里可以导出每个代谢物的匹配碎片列表我会重点关注母离子特征碎片和中性丢失碎片的匹配情况比看总分靠谱。第二个原因是数据库名称不统一。不同数据库对同一个物质的命名方式可能完全不同比如一个物质在HMDB叫“L-Kynurenine”在KEGG里叫“C00328”在MetaCyc里又是另一套名字如果工具没有做自动映射合并时就会出现一个模块里物质数量被低估的情况。我处理的方法是在加载数据库时就做一次规范化重命名以HMDB ID作为主要键值其他数据库的编码全部映射回去。第三个原因是数据库覆盖不全。公共数据库覆盖不到的新型修饰代谢物怎么匹配都匹配不上。这时候不要硬凑最好的做法是把注释置信度最高的部分挑出来做后续分析其他没匹配上的特征峰保留原始数据待查而不是为了凑命中率强行接受低分结果。TidyMass2里面每个注释结果都带置信度标签我用它把结果分成高置信度和低置信度两类下游分析只用高置信度的特征整体结果论证逻辑更干净。4.2 模块分析结果太“虚”怎么办如果你跑完功能富集之后出来的都是“Metabolic pathways”之类大而泛的通路多半不是工具的问题而是你代谢物到通路的映射信息不足。一个常见情况是你用的代谢物名称和通路数据库里的名称没有对齐。KEGG里的代谢物很多是以C编号存在的如果你自己拿HMDB名称去匹配工具内部肯定要做翻译翻译不了的就直接掉队。解决办法是提前给你的代谢物表加上KEGG编号列让匹配过程更直接。还有一种情况是通路数据库的层级设置问题。KEGG通路本身是有层级结构的有些通路是“上级通路”包含大量代谢物富集结果自然容易显著。建议在下游分析时用更细分通路或者做一个通路层级过滤把过于宽泛的通路排除掉。TidyMass2支持导入自定义通路列表我后来直接用自己的代谢物集合定义模块比如按“芳香族氨基酸代谢”“短链脂肪酸代谢”这样的小模块来做结果解释起来反而更聚焦。4.3 计算效率与并行设置TidyMass2的模块分析本身不算特别耗时但二级注释阶段如果处理的特征数很大需要批量比对数据库速度就会明显变慢。我在处理一个7000多个特征峰的样本集时单线程跑注释跑了一整个下午。后来发现它在内部支持并行可以把参数设置成多核心运行。我的机器是8核16线程设置成4个核心做并行之后速度提升了接近3倍。有一点要提醒并行计算的时候内存占用会明显上升。我一开始图省事设成8个核心结果32GB内存被吃满系统开始使用交换空间反而更慢。后来调整成4个核心内存占用控制在可接受范围速度也稳定。如果你是大规模队列数据建议先拿一个QC样本子集做参数优化再正式跑全量数据不要一上来就全量并行。另外跑长任务之前我会先看一遍参数帮助文档特别是关于临时文件保存的选项。TidyMass2支持中间结果暂存这样即使某一步崩溃了重新运行时可以跳过已完成的中间步骤不用从头开始。我在正式跑大项目之前都会专门检查这一步防止跑了一天突然崩掉然后发现没有保存断点那感觉太痛了。4.4 保留过程记录方便回溯最后一个建议可能不那么“技术”但非常值得做每一次溯源和模块分析之后把版本信息、数据库版本、参数设置全部记录下来。代谢组学分析的可重复性问题被讨论过很多次常见原因就是数据库更新了或者参数变了结果也跟着变。TidyMass2的每次分析会在输出文件里带上sessionInfo和参数快照我一般会在项目目录里专门建一个analysis_log文件夹把每次跑的结果和参数文件归档。等返修的时候审稿人要是问一句“你这个注释用的哪个版本的HMDB”我能直接翻出来告诉他。我在实际使用中最大的体会是TidyMass2真正解决的问题不是某个算法多厉害而是把“注释、溯源、模块分析”这个链条上的数据流转理顺了。你不再需要把数据从一个工具导出再手动填进另一个工具也不会在流转过程中丢失关键的置信度信息。对于像我这样手里同时管着好几个代谢组项目的科研人员来说这种“少折腾”的价值甚至比某个单点功能提升更实用。最后再分享一个小细节如果你也常用GNPS做分子网络TidyMass2能把GNPS的结果直接导入再走后续的模块分析这个习惯一旦养成整个项目的分析闭环就非常顺畅了。
TidyMass2实操指南：代谢物溯源与功能模块分析全流程
前几天跑完一批血清样本的非靶向代谢组学峰表出来了差异代谢物名单也拉出来了可到最关键的时候卡住了一堆代谢物名字摆在我面前我到底该怎么解释它们从哪来、在哪条生物学功能模块里起作用这个代谢物溯源与功能模块分析的问题做代谢组学的人应该都懂打分容易收尾难。后来我花了一个周末把TidyMass2的流程完整跑了一遍从谱图注释到溯源推断再到功能模块富集整条链路终于打通了。这篇文章就把我的理解、实际操作步骤和踩过的坑都写出来给同样被注释后分析折磨的人做个参考。1. 为什么代谢组学研究总卡在最后两步1.1 溯源不是简单“打库检索”很多人以为代谢物溯源就是把MS2谱图丢进数据库里搜一下匹配上了就完事。但真正做过一次完整代谢组学项目的人都知道事情没那么简单。LC-MS/MS出来的数据经过峰检测和峰对齐之后一个特征峰的m/z对应好几种可能的加合形式比如[MH]、[MNa]、[M-H]-甚至还有同位素峰干扰。你用同一个DA数据库去匹配可能同时命中好几个结构类似的物质得分都还不低。这个时候如果不能把“候选物”和“真实来源”之间的关系理清楚后续所有分析都会建立在错误注释上。我在实际项目中遇到过特别典型的例子一个m/z为188.0706的特征峰在HMDB里同时能匹配到犬尿氨酸和一种氨基酸衍生物两个候选物的MS2谱也很像。如果只按分数挑一个后面做通路分析时结果完全不同一条指向色氨酸代谢另一条指向氨基酸合成。溯源这里真正要解决的问题不是“找一个名字”而是“确认这个物质身份及其已知来源把它放到代谢网络里还能自洽”。TidyMass2在这个环节的价值在于把注释结果、数据库来源信息、同位素和加合离子处理整合成一条可追踪的流程而不是让你在不同网站之间来回切。1.2 模块分析也不是随便做做富集代谢组学的最后一步通常要把差异代谢物映射到代谢通路上看看哪些生物学功能模块被扰动。常规做法是拿KEGG通路做富集分析这个能做但问题也很明显。单个代谢物可能同时出现在好几条通路里计算富集P值的时候这些多重归属会产生偏差。更麻烦的是非靶向代谢组学检测到的物质相当大一部分不在KEGG通路注释范围内直接导致富集结果空一大块。我见过不少初学者拿到差异物质列表之后直接复制到网页版工具里去跑富集出来的通路名称里一半是“Metabolic pathways”这种大而全的条目看起来不好看审稿人也嫌结果太泛。正经的做法是先把代谢物按化学分类或者已知功能模块做一次归类再去看这些模块在不同分组之间的变化趋势。这其实就是功能模块分析要干的事把零散的代谢物聚成有生物学意义的功能单元再判断这些单元是否被显著扰动。TidyMass2把这一步做成了模块化的分析管线内部会综合利用通路注释、代谢物-通路二元网络和富集检验避免我在上一段里说的那种“一把梭子全塞进KEGG”的粗糙做法。2. TidyMass2的整体设计如何把“溯源”和“模块”做成一套流程2.1 以tidy数据为核心的底层设计用过tidyverse处理过数据的人应该对TidyMass2的设计哲学有天然的亲近感。它的核心并不是重新发明一套质谱数据处理算法而是把代谢组学中各种类型的数据统一成一张“长表”列名固定语义清晰每一行代表“一个样本里检测到的一个代谢物特征”每一列代表该特征的属性或该样本中的强度值。数据一旦规整成这种结构化形式后续的溯源、过滤、归一化、统计检验和功能分析就都变成了数据框操作不需要反复转换格式。这个设计针对的痛点非常明确代谢组学工具链太碎片化了。上游峰检测用XCMS注释用MetFrag或SIRIUS通路分析用MetaboAnalyst或者其它R包每一步的输出格式都不一样。单是“把XCMS的peak table转成通路分析需要的物质列表”这个动作我就见许多人写过一堆脚本不同项目还容易出错。TidyMass2用统一的数据对象把中间的转换成本大大压低。你输入进去的是一个标准化对象出来之后还能继续以相同结构操作整个项目的代码可维护性会好很多。2.2 溯源模块的设计思路在TidyMass2里代谢物溯源不是一个黑盒函数而是分成了几个可拆解的步骤。先做一级注释也就是基于精确质量和同位素模式给出候选分子式再做二级注释用MS2谱图和数据库里的参考谱比对给出结构层面的证据最后把注释结果链接到来源数据库比如物质的天然来源信息、物种来源注释等输出一个带证据等级的表。这个过程中每一步的结果都会保留下来方便你回头看某个物质到底为什么被注释成这个结构。这种分层设计有一个很实际的好处它把“确定性注释”和“推测性注释”分开。最高置信度的证据是标准品保留时间加上MS2完全匹配其次是MS2匹配率高的数据库命中再次是只靠精确质量算出来的候选。TidyMass2不会把这三类结果混在一个列表里而是让你能按置信度过滤。做过实际项目的人应该能体会这一点非常重要——你拿去给审稿人看的差异物质最好能标注清楚哪些有二级质谱证据哪些只是分子式级别的推测。2.3 功能模块分析流程的设计思路功能模块分析在TidyMass2里的实现思路说白了是把“基因集富集分析”的思想迁移到代谢物上但注意了它不是简单套一个富集检验就算了。模块分析模块会首先根据注释结果构建代谢物到生物学模块的映射关系这个映射关系可以来自KEGG通路、Reactome也可以来自用户自定义的代谢物集合。然后它会对每个模块计算一个“扰动分数”默认用类似基因集富集的统计框架你可以选择超几何检验或者带置换检验的富集算法。更关键的一点是TidyMass2把模块分析结果直接和图谱可视化打通了。跑完分析之后你可以直接画出模块热图、代谢物-通路二分网络图还能把模块得分输出成一个矩阵方便和临床指标做相关性分析。我以前做通路分析的时候最烦的就是分析做完之后导出数据再画图中间要写一堆粘粘贴贴的脚本。现在这个流程被整合到一起至少在项目管理上省了不少事。3. 实操记录从原始数据到溯源与模块结果3.1 环境与数据准备我这次用的数据是之前一批血浆样本的LC-MS/MS非靶向代谢组学数据正负离子模式分别采集原始文件是mzML格式。需要说明的一点是TidyMass2不是从原始文件直接开始的它更自然的入口是“你已经有了峰表后续要推进注释和生物学解释”这个阶段。如果你手头没有预处理好的峰表它也能调用XCMS做峰检测和峰对齐但我个人建议还是用自己常用的预处理流程先把峰表做扎实再进入TidyMass2。安装这一步我建议严格按官方发布页的说明来。核心依赖是R 4.2以上需要先装好BiocManager然后把xcms、MSnbase、S4Vectors这些基础包装好。在我这个版本里安装命令大致是这样install.packages(devtools) devtools::install_github(tidymasslab/tidymass)如果你在安装阶段遇到依赖包版本冲突不要硬怼先检查R版本和Bioconductor版本是否匹配。我踩过的一个坑是R版本太新导致BiocManager安装的xcms版本和TidyMass2要求的基础对象类不一致后来统一用renv锁定了一个固定环境问题才消停。所以我真的建议你在一个干净的R环境里跑不要用装了无数杂包的全局环境。数据准备阶段你需要三张表表达量表行是代谢物特征列是样本样本信息表样本名、分组、批次等代谢物特征表m/z、保留时间、加合离子等。TidyMass2对这三张表的要求很明确样本名字不能有重复代谢物特征的ID必须唯一。我第一次没注意样本信息表里有一个样本名和表达量表的列名不完全一致导致后续一直报错排查半天才发现是大小写问题。3.2 峰表构建与一级注释TidyMass2里有一个统一的函数用来创建数据对象大致思路是把三张表合并成一个对象之后的所有操作都跑在这个对象上。示例代码如下library(tidymass) mass_obj - create_mass_dataset( expression_data expr_df, sample_info sample_info, variable_info variable_info )创建对象之后先做的是一级注释。一级注释主要看精确质量和加合离子匹配。如果你的数据里已经包含了同位素峰信息这个过程可以帮助你把同位素峰和加合峰归并到同一个代谢物特征组里。TidyMass2里做这部分需要给一个数据库文件里面包含化合物的分子式、精确质量、常见加合形式这些列。我用的是从HMDB下载的代谢物列表当然你也可以用KEGG COMPOUND或者自建的小型标准品库。这里有个特别重要的细节数据库里的分子式必须已经标准化。我在第一次跑的时候数据库里有些条目是“C10H16N2O3S”有些写成“C10 H16 N2 O3 S”甚至有包含中文括号的条目结果匹配的时候全对不上。后来我写了几分钟脚本统一清洗成标准字符串格式匹配率才恢复正常。另外加合离子的选择也会明显影响结果血浆样品正离子模式下最常出现的加合形式是[MH]但还是要同时考虑[MNa]等信息否则可能漏匹配。一级注释出来的结果通常是一堆候选分子式这个阶段万万不能直接拿去做下游差异分析因为很多物质还分不清是真实信号还是加合离子峰。3.3 二级注释与代谢物溯源实录一级注释给的是分子式层面的候选二级注释才真正进入结构层面。TidyMass2在这一步支持导入第三方软件结果比如SIRIUS的JSON输出或者GNPS的批量结果也可以直接用内置的MS2匹配功能。我这次用的是内置方法把每个特征峰的MS2谱和MS2数据库里的参考谱做对比计算余弦相似度和匹配碎片数按分数输出前几个候选结构。实际跑下来二级注释的命中率受两个因素影响很大。第一个是数据库的谱图质量如果你用的公共数据库里某类物质的谱图数量很少那命中率自然上不去。我当时做的是氨基酸和有机酸相关物质这些在公共数据库里的覆盖率还不错如果是相对冷门的脂质亚类覆盖率明显下降。第二个是碰撞能量。同一个物质在不同碰撞能量下会产生完全不同的碎片模式TidyMass2在比对时会允许一定的碎片容忍度但如果你采集数据时用的是20 eV而数据库里的参考谱是40 eV匹配分数仍然不会特别高。溯源这一步我把它理解为“注释结果的来源归因”也就是把已经注释到的代谢物和已知来源数据库做关联。TidyMass2里可以加载一套来源注释表比如“某个代谢物主要出现在哪些物种”、“是否是微生物来源”、“是否与食物摄入相关”然后把二级注释的结果映射上去。这块特别适用于肠道菌群代谢物研究比如我想看血清里哪些差异代谢物可能来自肠道微生物就可以通过这个来源注释表做一次筛选。我跑出来的结果里有一个很有意思的发现色氨酸下游的几个代谢物包括犬尿氨酸和吲哚丙酸都被溯源到微生物来源而这两个物质在疾病组和对照组之间都有显著差异。如果没有做溯源这一层我只会把结果写成“色氨酸代谢通路显著扰动”但加上了来源信息之后我可以进一步讨论“这组代谢物的扰动可能与肠道微生物代谢相关”生物学信息量立刻不一样了。3.4 功能模块分析的操作要点完成溯源之后就是功能模块分析。TidyMass2里提供了几个函数来处理这块核心是对接通路数据库做富集分析和模块打分。我用KEGG通路作为模块定义来源加载了一个通路映射表然后跑了富集分析。实际操作中我建议先做一个简单的设置只保留至少有2个代谢物映射到同一通路的条目否则通路里只有一个物质时富集结果基本没有统计意义。超几何检验的P值算出来可能很小但那只是因为映射到这条通路的代谢物本来就少很容易出现假阳性。TidyMass2允许你设定最少代谢物数量这个参数我建议至少设成2如果你的物质注释率不高设成3反而更稳妥。模块打分的部分工具会为每个样本计算一个模块得分。这个得分本质上是该样本中属于这个模块的代谢物强度的综合值。用这个模块得分我做了两个后续分析第一计算模块得分和临床炎症指标之间的Pearson相关性第二把得分矩阵拿去做聚类看不同分组在模块层面的整体差异。后者尤其有用因为传统差异分析是基于单个代谢物的你很难直观看出“哪些功能模块一起变了”。TidyMass2输出的模块热图可以直接看到疾病组的某个模块整体上调这对我写文章时组织结果逻辑帮助很大。操作上还要注意模块分析输入的是注释好的对象如果你前面一级注释的结果没有做充分的去重同一个化合物可能会分成好几个特征峰导致模块里的代谢物数量虚高。解决办法是在创建对象或者过滤时优先保留有二级证据的特征峰把只靠一级注释推测的特征去掉宁缺毋滥。4. 我踩过的坑常见问题与排查思路4.1 溯源命中率低的三个原因第一个原因是碰撞能量不匹配这个我在前面提过。解决办法是不要只看总匹配分数把特征碎片是否被匹配上单独调出来看。TidyMass2里可以导出每个代谢物的匹配碎片列表我会重点关注母离子特征碎片和中性丢失碎片的匹配情况比看总分靠谱。第二个原因是数据库名称不统一。不同数据库对同一个物质的命名方式可能完全不同比如一个物质在HMDB叫“L-Kynurenine”在KEGG里叫“C00328”在MetaCyc里又是另一套名字如果工具没有做自动映射合并时就会出现一个模块里物质数量被低估的情况。我处理的方法是在加载数据库时就做一次规范化重命名以HMDB ID作为主要键值其他数据库的编码全部映射回去。第三个原因是数据库覆盖不全。公共数据库覆盖不到的新型修饰代谢物怎么匹配都匹配不上。这时候不要硬凑最好的做法是把注释置信度最高的部分挑出来做后续分析其他没匹配上的特征峰保留原始数据待查而不是为了凑命中率强行接受低分结果。TidyMass2里面每个注释结果都带置信度标签我用它把结果分成高置信度和低置信度两类下游分析只用高置信度的特征整体结果论证逻辑更干净。4.2 模块分析结果太“虚”怎么办如果你跑完功能富集之后出来的都是“Metabolic pathways”之类大而泛的通路多半不是工具的问题而是你代谢物到通路的映射信息不足。一个常见情况是你用的代谢物名称和通路数据库里的名称没有对齐。KEGG里的代谢物很多是以C编号存在的如果你自己拿HMDB名称去匹配工具内部肯定要做翻译翻译不了的就直接掉队。解决办法是提前给你的代谢物表加上KEGG编号列让匹配过程更直接。还有一种情况是通路数据库的层级设置问题。KEGG通路本身是有层级结构的有些通路是“上级通路”包含大量代谢物富集结果自然容易显著。建议在下游分析时用更细分通路或者做一个通路层级过滤把过于宽泛的通路排除掉。TidyMass2支持导入自定义通路列表我后来直接用自己的代谢物集合定义模块比如按“芳香族氨基酸代谢”“短链脂肪酸代谢”这样的小模块来做结果解释起来反而更聚焦。4.3 计算效率与并行设置TidyMass2的模块分析本身不算特别耗时但二级注释阶段如果处理的特征数很大需要批量比对数据库速度就会明显变慢。我在处理一个7000多个特征峰的样本集时单线程跑注释跑了一整个下午。后来发现它在内部支持并行可以把参数设置成多核心运行。我的机器是8核16线程设置成4个核心做并行之后速度提升了接近3倍。有一点要提醒并行计算的时候内存占用会明显上升。我一开始图省事设成8个核心结果32GB内存被吃满系统开始使用交换空间反而更慢。后来调整成4个核心内存占用控制在可接受范围速度也稳定。如果你是大规模队列数据建议先拿一个QC样本子集做参数优化再正式跑全量数据不要一上来就全量并行。另外跑长任务之前我会先看一遍参数帮助文档特别是关于临时文件保存的选项。TidyMass2支持中间结果暂存这样即使某一步崩溃了重新运行时可以跳过已完成的中间步骤不用从头开始。我在正式跑大项目之前都会专门检查这一步防止跑了一天突然崩掉然后发现没有保存断点那感觉太痛了。4.4 保留过程记录方便回溯最后一个建议可能不那么“技术”但非常值得做每一次溯源和模块分析之后把版本信息、数据库版本、参数设置全部记录下来。代谢组学分析的可重复性问题被讨论过很多次常见原因就是数据库更新了或者参数变了结果也跟着变。TidyMass2的每次分析会在输出文件里带上sessionInfo和参数快照我一般会在项目目录里专门建一个analysis_log文件夹把每次跑的结果和参数文件归档。等返修的时候审稿人要是问一句“你这个注释用的哪个版本的HMDB”我能直接翻出来告诉他。我在实际使用中最大的体会是TidyMass2真正解决的问题不是某个算法多厉害而是把“注释、溯源、模块分析”这个链条上的数据流转理顺了。你不再需要把数据从一个工具导出再手动填进另一个工具也不会在流转过程中丢失关键的置信度信息。对于像我这样手里同时管着好几个代谢组项目的科研人员来说这种“少折腾”的价值甚至比某个单点功能提升更实用。最后再分享一个小细节如果你也常用GNPS做分子网络TidyMass2能把GNPS的结果直接导入再走后续的模块分析这个习惯一旦养成整个项目的分析闭环就非常顺畅了。
