一份质谱文件能够读入,搜索也正常结束,结果却只有少量肽段。此时最有用的问题是,那些没有出现的肽段究竟没有进入候选集合,还是进入以后匹配得分不够。两者的排查方向不同。前者要回到前体质量、酶切和修饰设置,后者才需要进一步检查碎片证据与评分。只盯着最后的鉴定数量,很容易把输入设置的问题误认为数据质量差。
本文用实际安装的 Comet 2026.03 rev. 0 做一个可以逐步复核的实验。我们预先知道八张合成谱对应什么序列,故意改变其中的同位素峰选择、氧化状态和电荷记录,再观察正确候选怎样恢复。它适合学习搜索参数的作用,不代表真实蛋白质组的鉴定率,也不用于比较软件速度。
一张谱进入搜索后,首先要回答什么
Comet 是串联质谱序列数据库搜索工具。输入通常包括质谱文件、蛋白质 FASTA 和参数文件。序列经过指定酶切规则及修饰设置形成候选肽段,候选质量要与前体记录相容,之后才有理论碎片与观测峰的比较。参考库里没有对应序列,或者允许的化学状态不包含真实肽段,漂亮的碎片峰也无法把那个候选从数据库外变出来。Comet 官方仓库
这条顺序能形成一个简单的排查习惯。拿到一张疑似漏鉴定谱,先记录扫描编号、前体质荷比、电荷、采集方式,以及预期肽段的中性质量。再检查该肽段是否能按当前酶切规则从 FASTA 产生。不要同时修改质量窗口、漏切数和多种可变修饰,否则结果即使增加,也无法判断是哪个条件解决了问题。
参考库也应作为输入的一部分固定下来。数据库增加了物种、同工型或污染物条目后,候选集合已经变化,不能再把两轮结果差异全部归因于一个搜索参数。建议记录参考库来源、下载日期、条目数和文件校验值,至少能解释每份结果究竟在什么序列范围内产生。本例各组共享同一份数据库,正是为了排除这个混杂因素。
还应保留最初的转换文件。质谱软件到通用格式之间存在一层信息传递,电荷、保留时间和扫描编号都应能追溯回原始采集记录。本例故意写错电荷,是为了提供一个有已知答案的对照。真实项目里不能看到某个电荷搜得出来,就直接把文件改成那个电荷。
安装时先生成与二进制匹配的参数模板
本次在 Ubuntu 22.04、Python 3.10.12 环境中使用官方 Linux x86_64 二进制,运行时显示提交标识 fa08489。搜索限制为两个线程。脚本只依赖 Python 标准库和 Comet,安装包与结果分别保存,不把自己的可执行文件冒充上游官方分发。
curl -L --fail \
https://github.com/UWPR/Comet/releases/download/v2026.03.0/comet.linux.exe \
-o comet
chmod +x comet
sha256sum comet
./comet -p
cp comet.params.new comet.params
本次二进制的 SHA256 为 ad93b4cf60c2ed7afc2f41b8a3a05567c3938d999f17deb7b3676bc1fa91e7ed。这个校验值用于确认复跑使用同一份文件,不能替代来源核实。较容易踩坑的是直接复制别人的旧参数文件,却没有核对当前程序接受的字段。生成模板后再逐项修改,能同时看清当前版本的字段名称与注释。版本下载页 · 2026.03 参数说明
尤其要区分“模板写了什么”和“字段缺失时内部如何处理”。本文明确写入每个比较条件,不依赖读者机器上的默认值。不同机器得到的谱图顺序、日志时间可以不同,但输入、版本和有效参数应当对应得上。
八张谱是怎样构造的
我们使用两条自编教学序列,每条生成四种情况。第一种是质量和电荷都正确的基础谱。第二种保持碎片不变,只将前体记录移到高一个同位素的位置。第三种把甲硫氨酸氧化的质量变化加入前体及对应碎片。第四种仍然生成二价离子的质荷比,却把文件中的电荷写成三价。
数据库包含这两条序列和三百条随机背景序列,共三百零二个目标条目,并在搜索中启用内部拼接诱饵。合成谱包含单电荷的理论碎片和低强度随机峰,随机种子固定。含半胱氨酸的序列统一加入烷基化质量变化,各组都保持相同设置。两条教学序列都只有一个甲硫氨酸,避免在这个小实验里混入多位点定位问题。
这些安排让变量相互独立。允许同位素误差只应帮助第二类谱,增加甲硫氨酸氧化候选只应帮助第三类谱。四组搜索始终使用相同的序列库、碎片设置和前体窗口,最后一组才根据生成时的真值修复两条电荷记录。这里的“正确”指第一名序列与生成谱时的序列一致,不是通过某个错误发现率阈值。
| 搜索条件 | 基础谱 | 同位素偏移谱 | 氧化谱 | 错电荷谱 |
|---|---|---|---|---|
| 关闭同位素与氧化候选 | 2/2 | 0/2 | 0/2 | 0/2 |
| 允许高一个同位素 | 2/2 | 2/2 | 0/2 | 0/2 |
| 再允许甲硫氨酸氧化 | 2/2 | 2/2 | 2/2 | 0/2 |
| 修复两条电荷记录 | 2/2 | 2/2 | 2/2 | 2/2 |

同位素选错一格,为什么十个 ppm 仍搜不到
先看第一条教学肽段。它在当前固定修饰下的中性质量约为一千四百三十二点六道尔顿。十个百万分之一的相对窗口,对应的中性质量偏差只有约零点零一四道尔顿。高一个碳同位素带来的质量差约为一点零零三道尔顿,远大于这个窗口,所以把仪器精度设置成高精度,并不会自动包含这种偏移。
对二价前体而言,质荷比上的相邻同位素间隔约为零点五零二。这个间隔来自质量差除以电荷,不能把它误写为所有前体都相差一个质荷比单位。检查同位素峰间距也因此能帮助复核电荷,但复杂谱里的峰归属仍需要结合采集数据判断。
还要检查质量单位字段。参数文件中的十并没有独立含义,只有与相对误差或绝对质量单位一起记录,才是完整的搜索窗口。照抄数值却保留了不同单位,会把搜索范围改成完全不同的大小。迁移配置时可以用一条已知质量的肽做手算,确认窗口量级符合仪器记录,而不必等全批数据运行结束才发现错误。
本实验将 isotope_error 从零改为一,允许零或正一个同位素偏移,其他设置保持不动。正确第一名从两个增加到四个,新增的恰好是两张同位素偏移谱。它们的碎片匹配本来就存在,之前的障碍是候选质量不在允许的范围。同位素误差参数的取值
因此,若质量误差图出现接近整数同位素间隔的条带,值得检查峰选择和相应设置。没有这种证据时,直接扩大很多个同位素窗口会引入额外候选,不能视为无成本地“多找一些”。同样,扩大连续质量窗口与允许若干离散同位素偏移解决的也不是完全相同的问题。
可变修饰增加的是候选化学状态
接下来保持同位素设置不变,允许甲硫氨酸增加约十五点九九五道尔顿。此时第三类谱也恢复,正确第一名由四个变成六个。对第一条序列,输出中能看到甲硫氨酸位置的可变修饰,同时仍保留半胱氨酸的固定修饰。只导出不带修饰的纯序列,会把氧化与未氧化的两类结果混到一起。
以下是本例比较中的关键字段,完整模板仍由当前二进制生成。八个可变修饰字段不能随意删减或交换顺序,完整解释应对照对应版本文档。可变修饰字段说明
num_threads = 2
decoy_search = 1
peptide_mass_tolerance_lower = -10
peptide_mass_tolerance_upper = 10
peptide_mass_units = 2
isotope_error = 1
add_C_cysteine = 57.021464
variable_mod01 = 15.994915 M 0 1 -1 0 0 0.0
固定修饰与可变修饰的选择应来自样品制备和研究问题。固定修饰表示相应残基统一采用该质量状态。可变修饰则允许形成额外的组合。把很多常见修饰全开,不等于已经考虑周全,而是同时扩大了候选空间,并增加了结果解释与定位审阅的负担。
这个实验只证明程序能把我们明确生成的单个氧化位点作为候选找回。由于每条肽只有一个甲硫氨酸,它没有检验多个可能位点之间的定位能力。真实修饰组学中,肽段序列匹配与修饰位置定位需要分别检查,不能用整条肽的高分替代位点证据。
电荷写错,碎片再漂亮也可能没有候选
最后两张谱在前三组都没有恢复。原因可以用中性质量换算直接看出。二价前体的质荷比固定后,若按三价解释,中性质量约变成原来的三倍除以二。对第一条教学肽段,这已经是数百道尔顿的差异,与一个同位素或一次氧化的差异完全不是同一量级。
第四组只修复生成时故意写错的两条电荷记录,继续使用第三组参数,八张谱才全部得到正确第一名。这个对照提醒我们,参数敏感性分析应该追踪具体扫描,而不能只记录每轮的总数。如果新增结果并不来自预期受影响的扫描,那么对修改原因的解释仍需继续核查。
真实数据里更稳妥的流程是回看原始前体同位素包络、转换日志和仪器给出的电荷,再决定是否重新转换或采用有依据的候选电荷范围。不能为了增加鉴定量,把所有三价都改成二价。本例的修复权限来自合成数据的已知真值,实际项目必须有自己的证据来源。
输出中哪些数字值得一起保留
本次恢复的谱多数能匹配到全部二十二个理论碎片,相关得分很高。这来自我们刻意生成的规则谱峰,真实样本中的缺失碎片、共碎裂、强度差异与化学噪声并未被充分模拟。高分可以说明当前候选与当前谱在设定模型下相容,不能自动说明这条肽在真实样本中被可靠检出。
建议把扫描编号、电荷、实验质量、理论质量、带修饰序列、目标或诱饵状态以及主要得分一起保存。发生结果争议时,先定位同一张谱,再看它在不同参数下的候选是否改变。若只对比两份去重后的蛋白名称清单,大量与搜索机制有关的信息已经丢失。
这里虽然启用了诱饵搜索,也没有据此报告经过校准的错误发现率。八张理想化谱和一个随机小数据库不足以支持真实项目的统计结论。后续应在完整、合理的搜索空间与实际数据上进行匹配质量控制,并区分谱图、肽段和蛋白层级。一个层级的通过比例不能直接代替另一个层级。
复跑与迁移到自己的项目
可以下载本篇脚本与预期结果。解压后进入工具目录,用以下命令运行。脚本自动生成输入与四组参数,保留每组的文本结果、日志和谱图匹配文件,并核验正确候选数是否依次为二、四、六、八。输出目录必须是尚不存在的新目录,避免把旧结果误认成当前运行产物。
python3 run.py comet_practice /absolute/path/to/comet
这套排查方式的优点是每次改变有明确预测,能说明为什么某类候选恢复。它的限制同样清楚,小而理想的输入不会展示大型参考库、复杂酶切和多修饰组合下的全部问题。处理自己的样本时,可以先挑出少量有明确诊断价值的扫描,把问题分成质量候选、碎片证据与统计筛选三个阶段,然后再将经过验证的设置用于全批次。
Comet 适合需要明确控制搜索条件、保留可追踪配置并接入后续质量控制的工作流。参数透明也意味着使用者需要理解每个设置的实验含义。换一种搜索引擎可以提供补充证据,但如果各引擎使用的酶切、修饰或数据库不同,就不能简单把结果数量差归结为算法优劣。
当这些设置需要应用到多批原始质谱并长期保留环境、数据库和日志时,可带上数据规模与分析流程了解云生信的生物信息分析服务器。
