software

XCMS 找不到弱峰,调低信噪比也没用?实跑四组参数看清预筛选的先后顺序

作者:发布于 2026-11-18约 11 分钟阅读
XCMS四组原生实跑,预筛选强度100保留4峰,1000保留3峰,降低信噪比阈值仍未恢复弱峰。

同一个质谱文件,图上能看到一段平滑隆起,特征表里却没有对应行。很多人会先降低信噪比阈值,等待重新计算,然后发现结果还是原样。此时再把阈值降低一档,未必能提供新信息。更值得检查的是,这段信号有没有进入后续的峰检测步骤。如果它在早期筛选中已经被排除,后面的评分条件再宽松,也没有对象可以评估。

本文实际安装并运行 XCMS,用同一份原创合成质心数据完成四组对照。改变的只有预筛选强度和信噪比阈值,其他条件保持一致。结果很明确,弱信号在宽松预筛选下能够检出,提高预筛选门槛后消失,再降低信噪比阈值仍然没有回来。读完可以学会按处理顺序定位漏峰,理解峰表中的强度与面积,并设计能够回答问题的参数对照。

XCMS四组原生实跑,预筛选强度100保留4峰,1000保留3峰,降低信噪比阈值仍未恢复弱峰。
实际运行原创合成质心数据,仅验证单文件centWave检测的参数顺序,没有真实样本或代谢物鉴定。

先确定自己在检查哪一层结果

XCMS 的常见使用场景是从液相色谱质谱数据中检测色谱峰,再进一步进行保留时间处理、跨样本对应和强度整理。这里的单文件色谱峰,与最终跨样本特征表中的一行,属于不同层次。前者描述某个文件里一段信号,后者还要回答不同文件中的信号是否对应。同样叫“缺失”,发生在检测阶段与发生在跨样本匹配阶段,排查路径并不相同。

本文只运行单文件的原生峰检测,不做跨样本分组、时间校正、缺失填补、代谢物注释或差异分析。因此,如果某个质量位置在本例输出里消失,可以直接回到检测参数解释,不会混入对齐失败的因素。实际项目也适合这样拆开调查,先确认单个文件是否有峰,再追踪它是否进入对齐表,最后检查后续过滤是否删除了该行。

采用的 centWave 方法面向高分辨率质心数据。质心数据已经把单张扫描谱里的连续轮廓概括成峰位置和强度,随后才沿色谱时间寻找质量接近的轨迹。不要把扫描谱内的峰提取与沿时间的色谱峰检测混成一个步骤。文件扩展名相同,也不能替代对数据表示方式的核对。方法适用范围见 XCMS 官方 centWave 说明。

三个参数分别在哪个环节起作用

预筛选参数写成两个数字,分别控制轨迹中达到强度要求的点数和强度门槛。它发生在初始轨迹筛选阶段。本文把点数要求固定为三个,只改变强度要求,这样才能把观察到的变化归因到同一个明确因素。不要看见“至少三个点”就自动解释成三个独立样本,这里的点来自一个文件中的扫描。

信噪比阈值控制另一项接受条件。低强度并不必然等于低信噪比,因为背景和局部变化也参与判断。一段高度较低但相对平稳背景明显抬升的信号,仍可能得到足够的信噪比。反过来,绝对强度很高的信号,若处于复杂背景中,也不能仅凭高度认定质量可靠。预筛选强度与信噪比之间没有可直接互换的数值比例。

质量误差容差在本例用于初始轨迹中相邻扫描的质量衔接,预期峰宽则提供色谱空间的大致尺度。峰宽单位是秒。把分钟直接填入会让算法看到完全不同的时间尺度,而扩大质量容差也不会自动弥补强度筛选造成的缺失。这些参数分别针对不同问题,调参前最好先用一句话写明自己要改变哪一个判断。

参数 本文设置 优先核对的问题
prefilter 三个点,强度100或1000 候选轨迹有没有进入后续检测
snthresh 5或1 已进入候选的信号是否满足信噪要求
peakwidth 8到40秒 给定尺度是否符合色谱峰宽
ppm 10 相邻扫描的质量漂移是否合理

输入是怎样构造的

我们生成四条连续的高斯形质量轨迹,中心时间分别位于一百秒、二百二十秒和三百秒。其中两条轨迹共享一百秒的中心时间,质量相差约一个同位素间隔,但它们没有真实化合物身份。峰高按设计覆盖较强信号与弱信号。每条轨迹都加上确定性的低背景和很小的质量变化,方便重复生成完全相同的教学条件。

文件包含四百零一次正离子一级扫描,时间从零到四百秒,每秒一次。另加一条只在单次扫描中达到五万强度的尖峰作为反例。这个尖峰比连续弱峰高得多,却缺少持续的色谱支持。这样的设计让我们能够检查“高就该保留”和“弱就该删除”这两种直觉是否成立。所有数据都是人为构造,没有临床样本、真实代谢物、二级谱或实验鉴定。

这里把弱轨迹的主体峰高设为八百,叠加背景后的实测最大值约八百一十。因此,当预筛选强度要求升到一千,这条轨迹根本不可能提供三个合格点。这个关系在运行前就可以从输入设计推导出来,运行的作用是确认原生软件在这一条件下是否表现一致。已知真值的最小实验适合验证处理顺序,却不能据此估计真实队列中的检出率。

安装与运行时应保留什么

实际环境为 Ubuntu 22.04.5,R 4.5.3,XCMS 4.8.0,MSnbase 2.36.0。我们通过独立的 micromamba 环境安装所需包,调用磁盘模式读入数据,以串行方式执行检测。当前在线文档可能展示更新版本,本文的具体数值属于上述实跑版本。保存会话信息比只记住一个包名更有用,因为依赖变化也可能影响导入或数值表现。

以下是安装所用软件集合的示例写法。数据库镜像和依赖解析结果会随时间改变,所以安装完成后仍需记录实际版本。附件提供输入生成脚本、原生调用程序和结果断言。生成输入需要 pyOpenMS 3.6.0 与 NumPy 2.3.5,可放在另一个独立环境中,通过明确路径调用用于检测的 R 程序,避免把所有依赖混在一起。

micromamba create -p ./xcms-env -c conda-forge -c bioconda \
  bioconductor-xcms=4.8.0 bioconductor-msnbase=2.36.0 r-jsonlite
python run.py --rscript ./xcms-env/bin/Rscript --work ./xcms-demo

原生检测的核心调用如下。附件会自动运行四套条件,分别输出峰表、对象文件和日志。工作目录要求尚不存在,是为了让每次结果与本次输入对应,避免错误读取上一轮遗留文件。进程结束后要检查退出状态、结果表行数和目标质量位置,不能只凭输出文件名判断完成。

raw <- MSnbase::readMSData("sample_A.mzML", mode="onDisk")
param <- xcms::CentWaveParam(
  ppm=10, peakwidth=c(8,40), snthresh=5,
  prefilter=c(3,100), noise=0
)
fit <- xcms::findChromPeaks(
  raw, param=param, BPPARAM=BiocParallel::SerialParam()
)
xcms::chromPeaks(fit)

四组结果给出的因果线索

四次运行均正常结束。宽松预筛选配置信噪比阈值五时输出四条峰,提高预筛选强度后变为三条。随后保持严格预筛选,只把信噪比阈值降到一,仍然只有三条。最后恢复宽松预筛选并保留较低信噪比阈值,重新得到四条。缺失的始终是质量约三百五十点三四五六的弱轨迹,其他三条连续轨迹保留。

对照 预筛选强度 信噪比阈值 峰数与弱峰
宽松筛选 100 5 4条,弱峰存在
严格筛选 1000 5 3条,弱峰缺失
严格筛选并降低信噪比 1000 1 3条,弱峰仍缺失
宽松筛选并降低信噪比 100 1 4条,弱峰存在

这组对照支持一个具体判断,当前弱峰缺失由早期强度门槛解释,降低后面的信噪比阈值不能补救。它没有证明所有漏峰都由预筛选造成,也没有证明阈值一适合真实数据。真实样本如果包含更多复杂背景,降低信噪比门槛还可能增加不可靠结果,所以不应把教学对照里的宽松设置直接当成推荐默认值。

单扫描高强度尖峰在四套结果中均未成为输出峰。它缺少满足点数要求的持续信号,这说明只按最大强度排序无法替代色谱证据。实际排查时,可以先提取目标质量附近的色谱,再看支持扫描数量、质量连续性和峰形。若图上只有一个陡立点,即使高度超过其他峰,也应检查它是否属于偶发异常。

读峰表时,别把高度、面积与鉴定混在一起

宽松条件下,弱峰最大强度约八百一十,输出信噪比为四十三,检测中心时间为三百秒,边界大约在二百八十八到三百一十三秒。这组数字很适合说明绝对强度与信噪比的区别。不能因为它比其他峰低,就认定信噪比一定不足。也不能把输出信噪比直接理解成原始峰高除以我们人为加入的背景常数,软件内部使用的估计方式与简单手算并不相同。

峰表里还有积分相关字段。面积会随积分边界和背景处理改变,最大强度则取决于峰顶,两者反映的内容不同。比较参数方案时,除了看一行是否存在,还应看时间边界和积分值是否大幅变化。如果特征数量稳定但面积变化明显,后续差异分析仍可能受到影响。记录这一点比只保留“总共找到了多少峰”更有诊断价值。

两条同时间的轨迹在这里分别输出,不代表鉴定出了两个代谢物。一个分子可能贡献同位素、不同加合形式和其他相关信号,不同分子也可能产生相近质量。峰检测只建立可供后续分析的观测单位,化学解释需要额外证据。尤其在没有二级谱和标准品时,不应把质量接近数据库条目当成结构确认。

把最小实验迁移到真实项目

真实项目可以先挑一份信号较好、注释信息完整的代表文件,再选几个已知保留时间附近的目标区域进行局部核对。至少包含一个稳定强峰、一个弱峰和一个疑似背景峰。每轮只改变一个参数或一个明确组合,保存完整配置与峰表,然后沿着输入、候选、检测、对齐、过滤的顺序追踪目标。这样得出的调整理由才能被其他成员复查。

峰宽需要结合采集速度与色谱条件判断。相同十秒宽度,在每秒多次扫描与数秒才一次扫描的仪器设置下,支持点数完全不同。不要把上一项目的点数阈值直接搬过来,也不要把预期峰宽理解成输出边界必须严格落在某个长度区间。先检查真实峰形,再选择合理范围,随后观察检测边界是否与色谱证据相符。

XCMS 的优势是可以把参数、对象和后续分析留在可追踪的 R 流程中,便于做系统对照。代价是使用者需要理解对象层次、依赖版本和不同阶段的统计含义。对于只想快速检查一个色谱片段的人,图形工具可能更直观。对于要比较大量条件的人,脚本更容易保存过程。选择工具时应看当前问题需要哪种反馈,而不是把能否生成大表格当成唯一标准。

本次运行使用的机器为 Ryzen 5 3600、约三十九 GiB 内存,无 GPU。我们没有进行计时基准,也没有用这些小文件估计真实队列资源。经验总结集中在流程层面,先查候选是否被筛掉,再考虑后续阈值,读取单个目标的轨迹比反复统计总峰数更能解释问题。完整工作流的对象与步骤关系可继续查阅 XCMS 官方分析教程。

下载原创输入生成、原生调用脚本与实际核验结果(ZIP)。合集按工具分为三个目录,请进入对应目录阅读说明后运行,需要自行准备文中软件与输入生成依赖,使用尚不存在的工作目录。

如果准备把已核对的 XCMS 参数用于批量样本,可以带上版本、文件数量和数据体积,通过云生信生物分析服务器服务沟通环境与运行资源。

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 ↗