software

msconvert 转换后谱图变少了?用八张谱检查过滤顺序、时间单位和数值精度

作者:发布于 2026-11-17约 12 分钟阅读
过滤顺序一换,谱数就变了。八张合成谱|开放格式转换与读回核验。2 张,先按位置,再选 MS2,保留扫描 105、110。3 张,先选 MS2,再按位置,保留扫描 110、120、130。0 张,把分钟直接写成秒,程序成功退出,结果仍可能为空。

同一份质谱文件,转成一种格式有八张谱,转成另一种只剩五张。把两个过滤条件交换顺序,输出又从两张变成三张。程序没有报错,文件也能打开,此时该判断为转换失败,还是正常的数据选择?要回答这个问题,不能只比较文件大小,需要把格式、过滤规则和保留的扫描标识放在一起核对。

本文实际安装并运行 ProteoWizard 的 msconvert,构造八张已知内容的教学谱,做九组转换对照。实验覆盖开放格式的读写、级别选择、时间窗口、过滤顺序与二进制精度。输入中的峰和扫描信息由脚本生成,不来自真实仪器采集,也没有执行化合物或肽段鉴定。

转换格式时,要先决定希望保留什么

msconvert 用于读取质谱文件、写出开放格式,并可在过程中加入过滤和变换。对科研分析而言,“转换成功”至少有两个层面,一是程序能读写文件,二是写出的内容满足后续任务需要。一个只供碎片谱搜索使用的文件,与一个需要保留完整采集信息的文件,验收条件可以不同。msconvert 官方说明

因此,开始转换前先写下用途。如果后续需要检查一级谱中的同位素包络、重建色谱峰或复核前体选择,应该明确这些信息是否被保留。如果只想导出二级谱给某个下游搜索步骤,也要保留它与原始扫描之间的对应关系。文件后缀能够说明格式,不能替代对实际内容的检查。

本次 Linux 构建的帮助信息明确说明未启用厂商动态库,不支持其中列举的专有仪器输入。我们运行的是开放格式,不把结果外推为所有厂商原始文件都能在同一环境中直接转换。面对真实仪器数据,先核对所用构建的读取能力,再决定安装平台和转换流程。

建一个能逐张追踪的输入文件

教学输入由 pyOpenMS 三点六点零生成,再由 msconvert 实际转换,最后读回数值核对。文件一共八张谱,三张为一级谱,五张为二级谱。保留时间从零秒开始,每三十秒一张,最后一张位于二百一十秒。每张谱有四个峰,并明确标为质心谱,因此本次没有进行峰提取。

扫描标识故意使用不连续的数字。这样可以直接看出扫描编号与文件位置的区别,也方便判断过滤以后保留下来的究竟是哪几张。输入二级谱同时写入前体质荷比和电荷,避免把缺少必要元数据的问题混进格式转换对照。

原始位置,从零计数 扫描编号 级别 时间,秒
0 101 MS1 0
1 105 MS2 30
2 110 MS2 60
3 115 MS1 90
4 120 MS2 120
5 130 MS2 150
6 150 MS1 180
7 180 MS2 210

先保存这张对应表,后面每一次转换都从同一个输入开始。不要把第一轮已经过滤过的文件误当成下一轮的完整原始输入,否则看似只改变一个参数,实际上连参与转换的谱图集合都变了。

八张变五张,先看是不是只保留了二级谱

第一组保留完整输入,输出为使用六十四位数值编码的 mzML,并启用 zlib 压缩。读回后仍然有八张谱,扫描标识、级别和保留时间与输入一致。第二组明确加入二级谱过滤,输出五张,正好对应输入中全部五张二级谱。

第三组直接输出 MGF,本次得到五个谱块,标题分别对应那五个二级谱的原始扫描标识。于是,同一份输入得到八张或五张,并不自动意味着文件损坏。在这个对照中,差异可以追溯到保留的数据类型和输出行为。反过来,也不能只因为五张这个数字符合预期,就认为每张谱的峰值与前体信息都正确。

msconvert input.mzML --mzML --64 --zlib \
  --outdir full --outfile output.mzML

msconvert input.mzML --mzML --64 \
  --filter "msLevel 2" --outdir ms2 --outfile output.mzML

msconvert input.mzML --mgf \
  --outdir mgf --outfile output.mgf

上述命令使用程序名的简写,执行前应激活对应环境,或将程序名换成安装后的绝对路径。本文下载脚本接收绝对路径参数,便于确认调用的是哪一个环境里的程序。

实际验收时应同时检查每一级谱的数量,以及这些谱对应的扫描标识。一个总谱数正确的输出,仍可能缺掉部分需要保留的扫描,又混入另一些不需要的扫描。对于完整数据归档,还应保留原始文件和转换参数,不能把一个面向特定搜索任务的简化输出当作所有后续分析的唯一来源。

两个过滤条件交换顺序,保留对象也会变

我们使用两个条件,一个选择文件位置一到三,另一个只选择二级谱。注意这里的位置从零开始,位置一到三实际对应原输入中的第二至第四张谱。先取这些位置,会得到扫描一百零五、一百一十和一百一十五,再选择二级谱,就只剩前两张。

交换顺序后,程序先得到五张二级谱。此时再取这个列表的位置一到三,得到的是扫描一百一十、一百二十和一百三十。两个命令都正确执行,但它们所表达的筛选过程不同,最终数量也分别为两张和三张。

msconvert input.mzML --mzML --64 \
  --filter "index 1-3" --filter "msLevel 2" \
  --outdir index_first --outfile output.mzML

msconvert input.mzML --mzML --64 \
  --filter "msLevel 2" --filter "index 1-3" \
  --outdir level_first --outfile output.mzML
过滤顺序一换,谱数就变了。八张合成谱|开放格式转换与读回核验。2 张,先按位置,再选 MS2,保留扫描 105、110。3 张,先选 MS2,再按位置,保留扫描 110、120、130。0 张,把分钟直接写成秒,程序成功退出,结果仍可能为空。
八张合成谱|开放格式转换与读回核验

这个例子说明,保存参数时不能只记录“用了哪些过滤器”,还要保留它们的先后顺序。将两条命令中的参数排序后比较,可能掩盖真实的分析差异。官方文档明确说明过滤按列表顺序应用,并区分从零开始的位置索引和原始扫描编号。过滤器与顺序说明

如果真正想取扫描一百零五到一百一十,应该按扫描编号选择。本次这一范围返回扫描一百零五和一百一十,因为输入里没有它们之间的其他编号。这与取第五到第十张谱完全不同。对扫描号不连续、文件经过裁剪或已经合并的数据,尤其不要用位置编号代替扫描标识。

正常退出,也可能写出零张谱

接着检查时间窗口。输入在六十、九十、一百二十和一百五十秒各有一张谱,执行六十到一百五十秒的时间筛选后,恰好保留四张。这里的单位需要明确,所用过滤器接受秒,而许多仪器软件或图表习惯用分钟显示保留时间。

我们故意把一到二点五分钟直接写成数值一到二点五。程序按秒解释这个区间,输出文件仍然生成,退出状态也表示成功,但里面没有任何谱。读回时可以正常确认谱数为零。这个对照表明,非零文件大小、程序正常结束和文件能够解析,都不足以证明筛选条件符合本意。

# 选择 1 到 2.5 分钟,先换算成秒
msconvert input.mzML --mzML --64 \
  --filter "scanTime [60,150]" \
  --outdir time_window --outfile output.mzML

正式处理时,可以在转换前打印输入的最早与最晚时间,再对照计划保留的时间区间。输出后检查实际最早与最晚时间及谱数。如果一个非空样本意外变成空文件,应优先检查单位、范围和过滤顺序。不要马上降低下游鉴定阈值,因为此时下游可能根本没有收到需要分析的谱。

压缩与降低数值精度,是两件不同的事

本次还把相同输入分别写为六十四位和三十二位数值编码,两组都启用相同的 zlib 压缩。六十四位输出读回后,四个质荷比与输入完全一致。三十二位输出的谱数、级别和峰数都没有变化,但峰位置出现了可测量的舍入差异。

例如,输入中的一个质荷比约为二百点二三四五六七八九一,三十二位读回约为二百点二三四五七三三六四。在本次四个质荷比中,最大相对差约为零点零二七三 ppm。这个数值来自教学输入,不能当作所有文件的误差上界,也不是一个替所有项目决定编码方式的通用阈值。

zlib 针对编码后的数据做压缩,三十二位则改变数值能够表达的精度。若同时修改压缩方式和编码位数,再仅凭文件变小判断“无损压缩成功”,就把不同操作混在一起。验收时最好固定其中一个条件,只改变另一个,并实际读回若干数值进行比较。

本例的两种 mzML 文件大小相差很小,因为它们只有八张谱,元数据也占据一定比例。不能据此推算大型队列的压缩比,更不能把这次转换时间当作真实仪器数据的速度基准。对正式数据,应在有代表性的文件上检查数值差异、下游兼容性和储存需求,再决定统一设置。

区分少了一张谱,还是一张谱少了峰

本次完整输入共八张谱,每张四个峰,总计三十二个峰位置。二级谱过滤后只剩五张谱,总计二十个峰位置,但保留下来的每张谱仍有四个峰。因此,总峰数量减少,并不表示程序删掉了二级谱里的弱信号,减少的部分来自整张一级谱被排除。检查时应先按扫描标识对应,再比较同一张谱内部的峰数。

如果某个流程保持谱数不变,却改变了每张谱内部的数据点数量,排查方向就应转到峰提取、强度阈值或质荷比窗口等操作。先分清变化发生在哪个层级,能避免拿全文件的一个总数解释所有问题。单独统计谱数、各级谱数与每谱峰数,通常比只比较输出文件大小更有诊断价值。

对于批量任务,还可以为每个输入建立一行清单,记录预期保留的级别和时间范围,再把输出的对应统计写回同一行。不要将一个样本的检查结果复制到整批文件上。某个文件即使与其他文件使用相同参数,也可能因为采集时间或扫描结构不同而变成空输出,必须按自己的输入范围判断。

版本记录要看程序实际输出

这次通过 Bioconda 安装的包标签包含版本三点零点二五二九二及提交标识,但程序帮助页实际报告三点零点二五三二三,生成的 mzML 软件记录也写入后者。我们同时保存了包标签和实际报告版本,没有把二者合并成一个看似整齐的数字。

这个细节对复现很有用。只记录包名,后来可能无法解释为什么输出元数据中出现另一版本,只抄输出版本,又可能找不到当时实际安装的构建。遇到此类差异,可以保存安装清单、程序帮助页和可执行文件校验值,并以实际运行记录说明测试对象。

下面给出本篇所用的独立环境安装方式。生成与读回教学输入使用另一套 Python 环境,实际格式转换由所安装的 msconvert 完成。正式使用时,应先查看帮助页中的格式支持范围,再处理自己的文件。

micromamba create -y -p ./pwiz_env \
  --override-channels -c conda-forge -c bioconda \
  proteowizard=3_0_25292_c9a6a18

python3.12 -m venv mzml_check_env
mzml_check_env/bin/python -m pip install \
  pyopenms==3.6.0 numpy==2.3.5

下载本篇九组开放格式转换实跑包,解压后进入工具目录执行。脚本生成输入,对各组输出分别记录谱数、扫描标识、级别、时间与峰位置,并保存运行日志。输出目录必须是新目录,便于把本轮结果与以前的文件分开。

mzml_check_env/bin/python run.py conversion_practice \
  "$PWD/pwiz_env/bin/msconvert"

峰提取与原始文件兼容性,另行验证

本篇输入已经标记为质心谱,四个峰也是直接生成的,因此没有验证从轮廓信号提取质心峰的效果。真实数据是否需要峰提取,应根据输入数据形态和下游工具要求决定。不要因为一条通用命令里出现峰提取参数,就对所有已质心化的文件重复执行同一种处理。

如果采用厂商算法,还要核对对应构建是否能使用厂商库,以及过滤顺序是否符合要求。官方说明要求厂商峰提取在过滤列表前部处理原始数据。这里属于使用前需要核对的文档条件,不能由本次开放格式实验代替验证。

msconvert 的优势是格式衔接和过滤过程可以脚本化,适合保存明确参数后批量执行。它也要求使用者主动定义保留内容,并核对平台与格式支持。真正可交付的转换记录,应能回答输出保留了哪些谱、为什么保留它们,以及数值是否按预期保存,而不只是证明某个新文件已经存在。

批量转换前把这些验收规则固定下来,再统一保存原始文件、参数和结果清单,后续团队复查会容易得多。如需多人共用这套分析环境,可了解云生信的生物信息分析服务器。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗