谱库匹配表里出现一个零点九八的相似度,看起来已经很接近一。继续查看匹配峰数,却发现只有一个。把弱峰清理掉以后,相似度还升到了一。这个结果能否直接用于化合物注释?要回答这个问题,需要同时查看分数的计算方式、参与匹配的峰,以及被过滤掉的信息。
本文实际安装 matchms 零点三四点零,生成五张教学谱,通过 MGF 文件导入后运行普通余弦、修正余弦及过滤对照,另外构造一组存在竞争匹配的峰列表。所有峰位置和强度均为人为设置,没有以这些数字声称鉴定出真实化合物,也没有估计真实谱库搜索的错误发现率。
matchms 提供比较组件,结果仍需要定义解释规则
matchms 可以导入、清理和比较串联质谱,将峰列表与元数据放在相应的数据结构里。它适合把预处理步骤和相似度算法组合成可检查的流程。对使用者而言,需要明确哪些谱可以互相比、如何处理噪声和前体信息,以及保留结果时同时查看哪些指标。matchms 项目论文
一个分数高的候选,可以值得进一步检查,却不会自动获得一个经过校准的鉴定概率。不同的离子模式、碰撞条件、加合物或处理步骤可能改变谱图的可比性。如果这些条件没有被记录,单独比较最终分数很容易把不同的问题混在一起。
本篇将参数固定得很简单。普通余弦使用零点零一的绝对质荷比容差,不按峰位置额外加权,强度指数设为一。这里的容差是绝对差值,不是 ppm。真实分析应根据数据来源确定合适设置,不能仅因为教学示例能匹配就沿用同一个数值。
还可以手算不同位置对应的相对容差。绝对差零点零一,在质荷比一百处相当于一百 ppm,在质荷比一千处则相当于十 ppm。因此,固定绝对容差不代表整张谱都采用相同的相对精度要求。若参考流程写的是 ppm,应先确认所用接口支持的单位与匹配方式,不能把同一个数字直接填入绝对容差参数。这是单位换算检查,不是本次对仪器质量精度的测量。
只有一个共同强峰,也能得到很高的余弦
第一张参考谱的三个峰位于一百、一百五十和二百,强度分别为一百、十和十。查询谱的峰位于一百、一百七十和二百二十,强度也为一百、十和十。在给定容差内,两张谱只有位置一百的强峰能对应,其余峰完全不同。
实际计算得到普通余弦约为零点九八零四,匹配峰数为一。原因可以直接手算。匹配强峰的强度乘积为一万,两张谱的强度平方和各为一万零二百,经过归一化后得到一万除以一万零二百。这个高分主要由一个强峰支撑,没有反映出多个独立碎片共同吻合的证据。
| 对照处理 | 余弦分数 | 匹配峰数 |
|---|---|---|
| 原始三峰谱 | 0.9804 | 1 |
| 查询强度整体乘十 | 0.9804 | 1 |
| 两谱分别归一化最大强度 | 0.9804 | 1 |
| 强度先取平方根参与计分 | 0.8333 | 1 |
| 两谱都只保留强峰 | 1.0000 | 1 |

实际读结果时,至少将分数与匹配峰数并列。进一步查看匹配峰的位置与强度分布,确认高分是否主要来自一个常见强峰。匹配峰数更多也不是充分条件,因为这些峰可能缺乏区分能力,但只看一个合成分数会丢掉更多解释信息。本次版本的普通余弦实现
归一化不会自动消除强峰支配
第二个对照把查询谱的全部强度乘十,输出分数仍为零点九八零四。随后将两张谱分别按最大峰归一化,结果也相同。这符合余弦对整张谱统一正比例缩放的不变性。将一百改成一或者一千,只要所有峰按相同比例变化,就不会让原本微弱的相对信号突然获得更大权重。
第三个对照改变强度指数,将强度取平方根后用于计分,分数下降到约零点八三三三,匹配峰数仍为一。此时原来的三个强度在计算中变成十、根号十和根号十,非匹配峰相对不再那么弱,分母对它们的贡献也更明显。
这不意味着平方根变换必然更接近真实鉴定结论。它只是改变了峰强度对分数的影响,属于需要明确记录的分析设置。若两组结果使用不同的强度指数,直接比较零点八与零点九的大小并不公平。应先固定算法与预处理,再讨论候选之间的相对表现。
同样,归一化总强度、归一化最大强度与改变强度指数并不是同一个操作。前两者在这里属于整谱缩放,后者改变峰之间的比例关系。排查两个流程为何打分不同,先把这些操作逐项写出来,通常比修改最终分数门槛更有效。
清理之后分数变高,可能只是证据变少了
我们对两张谱分别归一化,然后只保留相对强度不低于零点二的峰。原来两个强度为十的峰,归一化后只有零点一,因此都被移除。两张谱各自只剩位置一百、强度为一的峰,余弦自然变为一,匹配数却仍为一。
如果只保存过滤后的高分结果,很容易把这种变化写成“去噪提高了匹配质量”。本次对照支持的结论更具体,过滤删除了原先不匹配的弱峰,因此分数升高,同时也减少了可用于区分两张谱的信息。至于被删除的是噪声还是有用碎片,需要额外证据,不能由分数上升反向证明。
我们又实际调用至少保留两个峰的检查,两个过滤后对象都被拒绝。这里的两个峰只是教学门槛,用于展示如何识别信息过少的谱,不是适用于所有平台的通用注释标准。真实谱库应根据数据特征和验证目的设置规则,并检查这种规则会排除哪些候选。
处理流程还要考虑过滤函数可能返回空结果。某一步拒绝了谱图后,不应继续把空对象交给下一步计算。可以记录输入谱数、每步保留谱数及拒绝原因,必要时保留被移除的峰列表,便于复查。否则,最后只看到搜索命中数变少,很难判断变化来自数据质量还是过滤条件。
修正余弦的高分,可能来自质量偏移
下一组将参考谱的三个峰都向上移动十四,并把前体质荷比从三百改为三百一十四。两张谱没有直接重合的峰,所以普通余弦为零,匹配峰数为零。使用修正余弦后,分数为一,匹配峰数为三。
修正余弦允许在直接匹配之外,根据两张谱的前体质荷比差考虑平移后的峰匹配。本例恰好让三个峰与前体一起发生相同位移,因此这种匹配方式能找到三个对应关系。它适合帮助检查存在质量偏移的谱图联系,但这个联系不能直接翻译成“两张谱来自同一化合物”。本次版本的修正余弦实现
随后保留完全相同的移动后峰列表,只把查询谱的前体质荷比错误写回三百。实际修正余弦降为零,匹配峰数也变为零。峰列表没有变化,结果却完全不同,变化来自参与计算的元数据。这说明核对前体信息并非可有可无的表格整理步骤。
真实数据中还要结合电荷与加合物解释质量差。本例只是单位电荷教学元数据和整齐的十四单位位移,没有据此指定某种修饰、元素组成或代谢反应。分析类似物关系时,如果前置候选筛选只允许完全相同的前体质量,也可能在计算修正余弦之前就排除希望研究的候选。因此,候选范围应与研究问题保持一致。
贪心匹配与全局指派,在密集峰区可能不同
最后构造两个仅有两个峰的对象。参考峰位于一百与一百点一,强度为一与零点八,查询峰位于一百与一百点零五,强度为零点八与一。将容差设为零点零六后,一部分峰存在多个可选匹配,选择其中一对就会影响剩下的峰能否匹配。
实际贪心余弦得到约零点六零九八,只匹配一对峰。采用 Hungarian 指派的余弦得到约零点九七五六,匹配两对。贪心方式先拿走局部乘积最大的组合,而全局指派可以选择两对各自稍弱、总贡献却更高的组合。这是一个特意构造的竞争案例,不代表真实谱库中普遍存在同样大的分数差。
当峰很密集、容差较宽或候选得分接近时,这种差异值得检查。可以对关键候选补算更完整的指派,并查看具体匹配关系,而不是默认两个算法名称里都有“余弦”就一定返回相同结果。是否值得增加这一步,应由具体歧义和分析规模决定,本文没有测量两种实现的速度差。
对于没有竞争关系的峰列表,结果可能接近甚至相同。不要将一次构造案例外推成对某个算法的整体性能评价。这里能学到的操作是识别峰匹配的歧义,并把匹配算法名称与容差一起保留下来。
安装和复跑时,固定类名与参数版本
本次环境为 Python 三点一二点一六,matchms 零点三四点零,NumPy 二点五点五,SciPy 一点一六点三。文章使用的是这一版本实际提供的谱对象和相似度类。查看其他版本示例时,应先核对类名、参数及返回字段,避免把开发文档中的新接口直接混入现有脚本。
python3.12 -m venv matchms_env
matchms_env/bin/python -m pip install \
matchms==0.34.0 numpy==2.5.5 scipy==1.16.3
matchms_env/bin/python run.py matchms_practice
下载本篇谱图相似度对照实跑包,解压后进入工具目录运行,输出目录必须尚不存在。脚本会生成五张谱的 MGF,实际导入并比较,同时保存分数、匹配峰数和断言核验结果。竞争匹配案例另外在内存中建立两个对象,未把它伪装成谱库中的真实化合物记录。
阅读输出时,先对照是否加载五张教学谱,再检查每项结果的峰数与分数。例如过滤后分数为一却只有一个匹配、质量偏移对照普通余弦为零而修正余弦为一,都是有明确输入条件的结果。若复跑不一致,先检查实际版本、容差、强度指数和前体元数据,再定位计算过程。
扩展到谱库前,先固定可复查的判断条件
单对谱图的比较跑通之后,扩展到大谱库时还要定义候选选择与结果输出方式。全对全计算的比较数随查询谱数和参考谱数相乘增加,先按研究目的筛选可比对象,能减少无意义的比较。不过筛选条件不能与研究目标冲突,例如研究质量偏移关系时,不宜在入口就排除所有不同前体质量的谱。
保存结果时,建议同时保留原始谱标识、处理后峰数、匹配峰数、算法和关键参数。不要只导出每张查询谱的最高分及一个化合物名字,因为这样很难看出第一名是否只由一个强峰支撑,或是否有多个接近的候选。需要确认结构时,还应结合独立实验依据和合适的验证策略。
matchms 的优点是各步骤便于组合和检查,局限是比较规则与解释责任也需要使用者明确维护。把几个有针对性的对照跑通,比直接套用一个漂亮的分数阈值更有帮助。相似度可以支持候选排序,不能独自承担结构确认与错误率校准的全部工作。
确定预处理和匹配口径后,再让团队在同一套环境中处理多批谱图,复查会更方便。如需共享分析环境,可了解云生信的生物信息分析服务器。
