software

DIA-NN 结果解读,同一个蛋白出现多行,为什么直接求和会把变化方向算反

作者:发布于 2026-11-18约 11 分钟阅读
DIA-NN原创读表练习。蛋白量100与120正确比例1.2,重复求和将100加成200后错误比例0.6。未安装或运行DIA-NN。

拿到 DIA-NN 主报告后,按蛋白分组、把强度列求和、再比较样本,是一种看起来顺手却可能出错的处理方式。问题在于,主报告通常按前体记录信息,而其中某些定量列已经属于蛋白层级。同一个蛋白的定量值可能出现在多条前体记录上,再加一次就会把前体行数混入蛋白丰度。

本文用十一行作者构造的数据做一项可执行练习。正确处理得到某蛋白第二次进样相对第一次为一点二倍,错误求和却得到零点六倍,连变化方向都反了。练习还包含不同层级置信度、零值、缺失组合和六种输入错误。它运行的是原创读表脚本,没有安装或执行 DIA-NN,没有分析原始质谱,也没有重新估计错误发现率。

DIA-NN原创读表练习。蛋白量100与120正确比例1.2,重复求和将100加成200后错误比例0.6。未安装或运行DIA-NN。
作者构造11行单通道报告,Python标准库实际执行过滤、定量去重和转表。没有质谱搜索或错误率校准。

先确定表的一行代表什么

DIA 分析面对的是同一采集窗口内多个前体共同产生的复杂信号。软件需要从这些观测中识别候选肽段并形成定量结果。DIA-NN 的方法背景可查原始研究论文,但理解方法名称仍不足以直接操作输出。读表时,第一个问题应是一行属于哪个对象,而不是哪个列名看起来像强度。

在本文讨论的常规单通道情形中,可以先用进样标识与前体标识理解记录,再通过蛋白组字段建立上层关系。前体、肽段序列、修饰形式和蛋白组不是同一个统计单位。同一序列可能有不同电荷或修饰,同一蛋白组也可能对应多个前体,表中的行数因此不等于蛋白数量。

这里的进样也不自动等于生物学重复。同一个样品重复上机,或者一个样品经过分级后形成多个文件,都可能产生多个运行标识。若不先建立样品说明表,就把每个文件当成独立个体做显著性检验,会把技术层面的重复错误地当成生物学证据。

因此,建议在读取数据之前写下三件事,当前分析单位是什么,唯一标识由哪些字段组成,多个文件如何对应样品与条件。这几句话会决定后续过滤、去重和转宽表的顺序。只靠一个能运行的分组函数,无法替代对实验设计的理解。

不同层级的置信度需要分别看

本例涉及四个字段,分别描述运行内前体、全局前体、全局蛋白组和运行内蛋白组的置信度。字段定义以固定版本的官方说明为准,避免软件更新后只凭旧教程记忆操作。这里把阈值作为明确的读表规则,并不声称这一组设置适合所有实验。

本例字段 检查的对象 练习阈值
Q.Value 运行内前体 不大于 0.01
Global.Q.Value 全局前体 不大于 0.01
Global.PG.Q.Value 全局蛋白组 不大于 0.01
PG.Q.Value 运行内蛋白组 不大于 0.05

一个前体在某次进样中通过检查,不代表其他层级也自动通过。反过来,一个蛋白在整个项目中得到支持,也不意味着它在每次进样里都具有同样可靠的观测。把所有名称中含有置信度的列当作同义词,实际上会丢掉它们所针对的不同问题。

这些数值也不能像几项独立概率那样直接相乘,再声称得到联合错误率。它们来自相关的数据与模型,没有提供这种简单乘法所需的独立性条件。本例只按列过滤,不计算所谓综合置信分数,也没有用人工数据验证任何错误率估计是否准确。

十一行练习数据怎样制造对照

我们设两个运行标识和五个蛋白组。第一个蛋白组在每次进样各有两个前体,蛋白定量分别为一百和一百二十。第一次的两行都通过当前过滤,第二次只有一行通过较严格的运行内前体阈值。这样就能在蛋白量不变的情况下,单独观察保留行数不同带来的影响。

第二个蛋白组的运行内前体数值很好,但全局前体数值没有通过。第三个蛋白组的问题出现在全局蛋白组层级。第四个蛋白组只有第二次进样通过运行内蛋白组条件。第五个蛋白组恰好处在阈值边界,同时把定量设为零,用来检验边界比较与零值处理。

所有标识和数字都是人为设置,不对应真实肽段、蛋白或样品。它们的作用是让每种情况都有可核对的预期,帮助检查脚本是否按照写明的规则工作。通过这些练习不能证明某个实际项目的鉴定正确,更不能把其中的蛋白编号解释成真实生物学发现。

原创脚本仅依赖 Python 标准库。运行时指定一个尚不存在的工作目录,脚本会生成教学输入、结果矩阵和核验记录,避免覆盖已经存在的分析结果。本文实际使用 Python 3.14.3 执行,保留了生成文件和异常检查结果。

python run.py work262

只过滤一列,保留的内容会有什么不同

十一行中,只要求运行内前体数值不大于百分之一,会保留十行。同时应用表中四个条件,保留五行。如果把运行内前体阈值调整到百分之五,而其余三个条件保持不变,则保留六行。这些数字来自脚本实际执行,不是软件在真实样品上的鉴定数量。

差异说明,过滤条件必须随结果一起保存。两位分析者面对同一主报告,得到不同蛋白数,并不一定是谁漏读了文件,也可能是比较了不同层级或不同阈值。排查时应先列出过滤表达式、运算顺序和统计单位,再去讨论软件之间的性能。

kept = [
    r for r in rows
    if r["Q.Value"] <= 0.01
    and r["Global.Q.Value"] <= 0.01
    and r["Global.PG.Q.Value"] <= 0.01
    and r["PG.Q.Value"] <= 0.05
]

本例采用包含边界的比较,因此恰好等于阈值的记录会保留。真实脚本如果把小于等于写成严格小于,边界行就会不同。虽然很多数据中这种差异很小,但它是规则差异,不应该在结果不一致时被忽略。自动化流程应明确表达,而不依赖使用者自行猜测。

还要区分过滤与校准。过滤是根据已有列挑选记录,校准则涉及这些列能否对应所声明的错误控制。本例只验证前者。十一行人为数字没有目标与诱饵的统计过程,因此不能拿保留比例来估计真实假阳性率,也不能将删掉一半记录称为提高了多少准确率。

直接求和怎样把一点二倍变成零点六倍

四项过滤之后,第一个蛋白在第一次进样仍有两行,每行的蛋白定量都是一百。第二次只保留一行,其值为一百二十。若按蛋白和运行分组求和,第一次就被错误算成两百,第二次仍为一百二十,最后得到零点六倍。

正确做法先检查同一蛋白组与运行组合下的重复定量是否一致。确认一致后,每个组合保留一个蛋白层级数值,得到一百和一百二十,比例为一点二。这里没有重新实现蛋白定量算法,只是在读取已存在的蛋白层级结果,不能把这个去重步骤称为重新计算 MaxLFQ。

第一个蛋白的处理方式 第一次进样 第二次进样 第二次除以第一次
错把重复蛋白值求和 200 120 0.6
核对一致后每组保留一值 100 120 1.2

这个错误还会随着过滤条件变化而变化。放宽阈值后,第二次进样多保留一条前体,错误求和结果也会改变,让人误以为蛋白定量对阈值极其敏感。实际上,部分波动只是重复累计造成的。先修正统计单位,才有资格讨论更深层的定量稳定性。

也不能无条件取第一行。如果同一组合内出现不同蛋白定量,脚本应该停止并检查原因。可能是混合了不同通道、拼接了不同分析批次,或者前面的连接操作复制了不该重复的记录。直接取第一行只是掩盖冲突,无法告诉读者哪一个数有合理来源。

转成矩阵时保留缺失,不制造不存在的观测

本例过滤后有四个蛋白组与运行组合,其中一个定量为零。按当前教学规则排除零量后,留下三个正定量组合,形成两行、两列的矩阵。第一个蛋白两次都有值,第四个蛋白只在第二次保留五十五,第一次的位置保持缺失。

缺失位置没有被填成零,也没有被替换成一个很小的正数。缺失表示当前规则下没有可用的定量结果,它可能由未检出、未通过过滤或其他处理限制产生。仅凭矩阵中的空格,不能推断样品中该蛋白绝对不存在,更不能直接计算无穷倍上调。

本例把零值单独记录后排除,是为了避免对零取对数,并保留其来源。正式项目需要结合输出定义和分析目的决定处理规则,不应把所有软件的零值都机械解释成同一种情况。若要插补,应说明假设,并检查结论是否依赖插补方案,而不是把填满矩阵当作分析质量的标志。

每次转宽表后,建议重新统计有效组合数,并与转表前的唯一键数量对应。如果行数突然扩大,常见原因是连接键不唯一。如果缺失突然消失,则应检查是否使用了会丢弃缺失组的操作。结构核验往往比先画一张热图更容易发现问题。

六种输入错误应该在绘图前阻止

脚本实际检查了重复的运行与前体键、缺少必需列、非有限置信值、超出合法范围的置信值、负定量,以及同一蛋白运行组合中的冲突定量。六种人为错误均被原创检查逻辑拒绝。这些是作者脚本的报错,不是 DIA-NN 主程序错误信息。

其中,重复键要结合任务定义判断。本文没有多通道,也没有同一前体在多个额外分组层级的情况,因此采用两个字段作为唯一键。若是真实多通道实验,可能需要加入通道等字段。把教学案例的唯一键直接套到所有报告上,同样会误删合法数据。

对于缺列,最危险的补救是自动创建一列并填零。置信度列填零会让记录看起来全部通过,定量列填零又会制造大量假缺失。正确处理应回到版本、导出选项和数据范围,确认预期列为什么不存在,再决定是否换用适合当前输出的流程。

实际读入文本文件还要明确数值转换规则。空字符串、非数字字符和带不同小数符号的值,应被显式处理。不能让程序把它们悄悄变成零后继续计算。对于较大的报告,可以分块读取并保留累计统计,但分块边界不能破坏跨块唯一键和定量一致性检查。

软件能力、版本和下游解释要分别记录

DIA-NN 的优势是把复杂 DIA 数据的鉴定与定量组织到同一流程中,但下游使用者仍需掌握结果层级和过滤条件。软件产生了报告,不代表任意分组操作都合理。可扩展的自动化流程应该同时保存输入版本、参数、输出字段和后续转换规则,使结果能够追溯到具体处理。

尤其不要仅凭一个历史列名推断当前使用的定量算法。报告定义会随版本和设置变化,复现记录应包含实际版本与量化策略。本例仅把蛋白定量列作为已经给定的数值,不实现其内部估计,也不声称重建了官方输出矩阵的全部规则。

安装与使用范围同样应依据实际版本。当前公开下载和不同发行版本的适用条件见项目主页及随发布提供的许可说明。本文选择文档解读和原创练习,不把未执行的搜索、谱库预测或定量流程写成亲测。

读者最终应该带走的是一个处理顺序,先确定对象与唯一键,随后按预先说明的规则过滤,再检查重复蛋白量是否一致,最后转矩阵并保留缺失来源。这样才能保证后面的倍数变化来自同一统计单位,而不是来自保留了多少条前体记录。

下载脚本、运行说明与实际结果(ZIP)。选择 DIA-NN 读表练习目录,使用 Python 标准库运行脚本,生成十一行人工数据并核验过滤与转表。工作目录须尚不存在,无需安装 DIA-NN,附件不包含或调用其软件。

当样品设计、软件使用条件和读表规则已经明确,需要安排较大批次的分析环境时,可以了解云生信生物信息学分析服务器服务,结合具体流程沟通计算需求。

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 ↗