software

MS-GF+ 的 20 ppm 为什么仍会漏匹配,先分清电荷、同位素与修饰

作者:发布于 2026-11-18约 11 分钟阅读
MS-GF+质量算术练习,解释同位素修正使人工误差从1086.84ppm回到5ppm,错误电荷不能靠容差修复。

数据库搜索没有找到预期肽段时,很多人的第一反应是把质量容差调大。这个做法有时确实会增加候选,却也可能掩盖一个更基础的问题,程序比较的理论对象与观测对象根本没有对齐。电荷标错、选择了非单同位素峰和漏写修饰,都会形成质量差,但它们需要不同的处理。

本文围绕 MS-GF+ 的母离子相关参数展开,通过七行原创数据实际计算残余质量误差。读者可以看到,约千余个单位的百万分比误差,有时来自一个同位素峰的选择,而五十万量级的误差可能来自电荷解释错误。这两种现象都不适合简单归为仪器精度不好。

需要先说明执行范围。本次没有安装或运行 MS-GF+,没有生成质谱匹配,也没有测量搜索速度或鉴定率。实际运行的是作者用 Python 标准库编写的质量算术练习。软件参数含义依据官方文档,练习结果用于解释参数之间的关系,不冒充原生搜索结果。

MS-GF+质量算术练习,解释同位素修正使人工误差从1086.84ppm回到5ppm,错误电荷不能靠容差修复。
作者独立编写并运行质量换算,不是MS-GF+代码复现,也没有生成实验质谱。

母离子筛选首先比较什么

质谱记录中的质荷比,与肽段的中性质量不是同一个量。对于本例设定的正离子、仅由质子携带电荷的情况,要从质荷比得到中性质量,需要先扣除质子的贡献,再乘以电荷数。计算时如果直接拿质荷比减去中性质量,差值的物理含义就已经错了。

反过来,把同一条肽段从二价改为三价,其理论中性质量不会改变,但对应的质荷比会明显下降。因此,电荷的作用并非对最终分数做一点微调,它参与了候选质量的重建。错误电荷可以让同一观测值被解释成完全不同的分子质量。

本文的误差统一定义为观测中性质量减去理论中性质量,再除以理论中性质量并乘以一百万。正值表示观测偏大,负值表示观测偏小。所有案例都使用这一约定,避免在比较表格时把正负方向混用。其他软件或输出字段的定义仍需另行核实。

用百万分比表达误差,意味着允许的绝对偏差随质量变化。同样的二十百万分比,对于较重肽段对应更大的绝对质量窗口。固定绝对质量容差和固定相对容差并不等价,不能只比较参数里的数字大小。

同位素误差为什么另有一个参数

真实同位素分布中,所选母离子峰未必恰好是单同位素峰。如果把较重的同位素峰当成单同位素峰,观测中性质量会产生近似一个或多个同位素间隔的偏移。这个偏移与普通的几百万分比测量偏差不是同一种来源。

本例使用约一点零零三三五的中性质量间隔。对二价离子,相邻峰的质荷比间隔约为零点五零一六八,对三价则约为零点三三四四五。注意这里除以电荷的是质荷比坐标上的间隔,中性质量坐标上的修正量保持不变。

MS-GF+ 官方说明把母离子容差与允许同位素误差范围分开设置,两者共同决定母离子筛选。理解时可以把它看成先提出几个离散的同位素解释,再检查每个解释下剩余的误差是否落入容差窗口。相关参数见 MS-GF+ 官方使用说明。

-t 20ppm
-ti 0,1

上面只是参数阅读示例,不是本文已经执行的搜索命令。它表达的重点是同时考虑零和一个同位素间隔的解释,而不是把二十百万分比连续放大到一千百万分比。后一种理解会把离散的峰选择问题误当成宽泛的质量不确定性。

七行数据怎样构造

作者脚本先从氨基酸残基质量得到理论肽段质量,再人为加入已知的测量偏差、同位素偏移或修饰质量。随后把中性质量转换为质荷比,最后根据清单中声明的电荷重新解释。构造时知道真值,计算时则刻意让部分假设出错,由此观察每类错误留下的特征。

前三行使用相同肽段,分别为二价单同位素、二价第一同位素和三价第一同位素。三者都叠加五百万分比的基础偏差。第四行把真实二价数据声明成三价,第五和第六行分别遗漏半胱氨酸固定修饰及甲硫氨酸氧化的质量,第七行则保持身份正确但把残余偏差设为二十五百万分比。

这些记录没有实验噪声分布,也没有同位素包络、碎片峰或谱图质量评价。真实数据中不能只凭一个误差值就唯一诊断原因,本文之所以能够明确归因,是因为每个案例的变更都是作者预先设定的。

原创案例 不做同位素修正的误差 允许零或一个间隔后
二价单同位素 约 5 ppm 通过 20 ppm
二价第一同位素 约 1086.84 ppm 残余约 5 ppm,通过
三价第一同位素 约 1086.84 ppm 残余约 5 ppm,通过
把二价声明成三价 约 500007.50 ppm 不通过
遗漏固定修饰 约 55993.52 ppm 不通过
遗漏氧化修饰 约 15116.07 ppm 不通过
身份正确但偏差较大 约 25 ppm 不通过 20 ppm

两个同位素案例在质荷比上偏移不同,但还原为中性质量后的误差相同。这正是电荷换算应当出现的结果。如果自己的脚本在这一步得到不一致结果,应优先检查是否在某个地方多除或少乘了一次电荷,而不是立即怀疑软件搜索算法。

怎样亲自复算,而不是背一个结论

下面是练习所用核心计算。观测量和理论量必须采用同一种质量定义,质子常数也必须与前面的生成过程一致。示例只枚举两个同位素解释,不表示真实项目都应该选择这个范围。

proton = 1.007276466621
isotope = 1.003354835
observed_neutral = charge * (observed_mz - proton)
residual_ppm = [
    (observed_neutral - theoretical_neutral - n * isotope)
    / theoretical_neutral * 1e6
    for n in (0, 1)
]
passed = min(abs(x) for x in residual_ppm) <= 20

实际运行后,仅考虑零间隔时,七行里只有第一行通过。允许零或一个间隔时,前三行通过。把容差扩大到五十百万分比后,第七行也通过,但错误电荷和两种遗漏修饰的案例仍然不通过。扩大容差解决的是这个特定残余偏差,没有修复其余身份解释。

完整脚本会同时保存每一行在两个同位素解释下的残余误差,而不只输出一个通过标记。这样做很有用,因为两个候选解释的差异也是诊断信息。只保留最小绝对值,会丢掉误差原本位于哪个区间以及最终采用了什么假设。

复算时还应保留足够的小数精度。本例仅在正文表格中四舍五入,计算和结果文件使用完整浮点值。若把用于搜索的质荷比过早截断到很少的小数位,可能人为制造接近阈值的偏差,尤其是在对窄窗口进行比较时。

修饰问题不能交给同位素范围兜底

修饰改变的是理论候选的质量组成及可能的碎片解释。固定修饰表示对应位置按既定规则具有该变化,可变修饰则允许产生不同候选形式。仅仅放宽同位素误差范围,没有为肽段补上正确的修饰身份,也没有解决碎片应如何解释的问题。

本例的两种修饰都是人为加到观测质量中,却没有加进理论质量,所以自然产生明显失配。要修复这类问题,需要回到样品处理和方法记录,确认反应条件、修饰类型、适用位点及是否应作为固定设置。不能看见一个接近的质量差,就断言样品发生了某种化学变化。

可变修饰也不是越多越保险。增加可选形式会扩大候选范围,同时使结果解释更复杂。实际工作中应依据实验设计选择必要修饰,对特殊假设单独开展受控比较,并保持其他参数一致。一个设置带来更多匹配,不足以独立证明它更适合样品。

对于包含多个相同残基的肽段,还应区分肽段带有某个总质量变化,与变化被定位到某个具体位置。母离子质量只能约束总质量,位置判断需要相应的碎片证据。本文没有碎片数据,因此没有进行修饰位点定位。

从候选进入搜索,到能够报告结果

通过母离子质量筛选,只意味着某个候选符合当前质量假设。随后仍需考虑酶切规则、序列长度、碎片模式和谱图匹配证据。即便一个候选的质量误差接近零,也可能存在其他具有相似质量的候选,不能直接写成已鉴定。

阅读 MS-GF+ 结果时,还应把原始评分、谱图层面的统计量、数据库层面的统计量以及不同层级的错误率指标区分开。肽段层面的良好指标不能自动替代每条谱图匹配的可信度,尤其当同一肽段被多个质量不同的谱图支持时,更需要保留逐条检查的能力。

因此,本例没有把通过三行写成鉴定三条,也没有给七条人工记录计算所谓百分之一错误发现率。没有实际搜索、合适的竞争背景和完整的统计过程,这样的数字只能制造虚假的确定感。练习的作用是帮助发现输入和参数解释的问题。

检查层级 可以回答的问题 不能单独回答的问题
电荷与质量重建 当前质量是否解释一致 哪个序列真实存在
同位素与残余误差 候选是否进入质量窗口 匹配是否可信
修饰和酶切设置 候选空间是否符合实验 位点是否已可靠定位
碎片及统计评价 匹配证据是否足够 生物学机制是否成立

把排查顺序用到自己的项目

如果一批数据的匹配数量突然下降,先核对文件格式、质心化状态和元数据,再检查电荷及质量定义,随后复核同位素范围、修饰和酶切参数。只有这些前提对齐,讨论容差是否过紧才有意义。每次比较只改一个主要因素,保留参数文件和输入版本。

可以抽取少量已知候选,把观测质荷比、声明电荷、理论质量、同位素解释和残余误差整理到一张表里。重点看误差分布和变化方向,而不是挑选一个刚好符合预期的例子。若条件允许,再与可靠参考样品或已有质控结果交叉检查。

还有一种容易忽略的情况,是不同批次使用了不一致的参数文件。单个文件都能运行,但合并结果时混入不同的修饰规则或同位素范围。建议把实际生效参数与每个结果文件绑定保存,而不是只在项目文件夹放一份后来修改过的模板。若命令行覆盖了配置文件中的设置,也应把最终调用完整记录下来。

检查阈值附近的记录时,不要从已经格式化成整数的表格反推原始误差。显示为二十的数,可能实际略高或略低于二十。保留未舍入数值并明确边界判断规则,才能区分显示精度造成的疑惑与真实的筛选差异。

MS-GF+ 适合希望明确控制搜索参数并保留标准化匹配结果的流程,其优点是相关输入、候选约束和结果层级有清晰的文档说明。使用难点在于参数之间存在关联,不能将任意仪器、任意处理方式都套进同一组默认值。选择其他搜索工具时,同样需要面对这些基本定义。

附件提供的是独立的算术脚本和核验结果,只需要 Python 标准库即可运行,无需下载 MS-GF+。若要进一步进行原生软件搜索,应另行准备具有使用权限的软件、合适的质谱输入、序列数据库及完整参数,并把结果解释扩展到碎片证据与错误率评价。本文完成的是前置质量审阅练习。

下载脚本、运行说明与核验结果(ZIP)。附件包含作者独立编写的质量计算脚本及实际结果。仅需 Python 标准库,运行时指定尚不存在的工作目录。不会安装或运行 MS-GF+。

当质量定义和搜索假设已经核对清楚,需要把多批数据组织成可追溯的分析流程时,可了解云生信生物信息学分析服务器服务。

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 ↗