蛋白质组学与质谱分析

引言

蛋白质组学（proteomics）研究的是「一个样本里有哪些蛋白质、各有多少」。它比转录组更接近「表型」——mRNA 丰度与蛋白丰度之间的相关性通常只有 0.4-0.6，因为存在翻译效率、蛋白降解、翻译后调控等多层调节。因此「想知道细胞到底在干什么」，蛋白质组是比转录组更直接的回答。

主流技术路线是液相色谱串联质谱（LC-MS/MS）。它的数据形态与测序完全不同：测序产出的是「读段序列」，而质谱产出的是**「质荷比（m/z）与强度的谱图」**——一维的峰列表，需要用计算方法反推「这是什么肽段」。这个「反推」过程（肽段鉴定）是整条链路的难点所在：它不是直接的序列读出，而是「用理论谱图与实验谱图匹配」的统计推断问题。

工程上的难点有三。第一，搜索空间爆炸：一个肽段的可能序列数量随长度指数增长，必须用「酶切规则 + 母离子质量容差」把搜索空间压到可计算范围，但放宽容差（如允许更多漏切或更多修饰）会让搜索空间再次爆炸，同时抬高假阳性。第二，FDR 控制是核心工程问题：质谱鉴定的「匹配分数」没有绝对阈值，必须用靶-诱饵（target-decoy）策略估计假发现率，且这个估计本身有偏。第三，定量比鉴定更难：蛋白丰度的准确定量受「肽段电离效率差异」「缺失值」「批次效应」三重干扰，同一肽段在不同样本中的信号强度差异可能主要来自技术噪声。

本文按「原理 → 数据格式 → 肽段鉴定 → FDR → 定量 → 蛋白推断 → 修饰 → 差异分析 → 组学衔接」的顺序展开。命令基于 MaxQuant 2.4、MSFragger/FragPipe 20、DIA-NN 1.8 与 limma。读完你应该能独立完成一条蛋白质组分析流程，并判断定量结果是否可信。

目录

1. 质谱蛋白质组学的数据生成原理
2. 数据格式：原始文件、mzML 与谱图
3. 肽段鉴定：数据库搜索与谱库搜索
4. FDR 控制：靶诱饵策略与 q 值
5. 定量策略：label-free、TMT 与 DIA
6. 蛋白质推断与缺失值处理
7. 翻译后修饰分析：以磷酸化为例
8. 差异表达分析与统计
9. 与转录组等其他组学的衔接

1. 质谱蛋白质组学的数据生成原理

典型的「自下而上」（bottom-up / shotgun）流程是：蛋白质被酶（通常胰蛋白酶）切成肽段 → 液相色谱分离 → 电喷雾电离 → 质谱分析。质谱分析分两级：

• MS1（一级谱）：测量所有进入的肽段离子的 m/z 与强度，给出「母离子」信息；
• MS2（二级谱）：挑出强度最高的若干母离子（通常 Top 10-20），碎裂后测量碎片离子的 m/z，给出「肽段序列」信息。

碎裂方式决定了信息量。HCD（高能碰撞解离）产生丰富的 b/y 离子系列，是当前主流；ETD 对磷酸化等修饰更友好（保留修饰基团）；CID 较老但仍广泛使用。理解碎裂模式对解读 MS2 谱图至关重要——搜索算法本质上是在「预测给定序列的碎裂谱图」，碎裂模型错了，匹配就错了。

数据采集模式决定了下游分析范式：

一个关键概念是动态范围：血浆蛋白的丰度跨越 10 个数量级（白蛋白 vs 细胞因子），而质谱的单一实验动态范围约 4-5 个数量级。这就是为什么「深度蛋白质组」需要「去除高丰度蛋白 + 分级分离」——不是灵敏度不够，而是动态范围不够。

2. 数据格式：原始文件、mzML 与谱图

质谱数据格式的碎片化比测序更严重：每个仪器厂商有专有格式（Thermo 的 .raw、Sciex 的 .wiff、Bruker 的 .d），必须通过转换工具统一。

# 转成开放的 mzML 格式（推荐 mzML 1.1，含索引便于随机访问）
msconvert sample.raw --mzML --zlib --filter "peakPicking vendor msLevel=1-2" \
  -o mzml_out/

# 转成搜索工具常用的 MGF（只含 MS2 谱图，无 MS1 信息）
msconvert sample.raw --mgf -o mgf_out/

msconvert（ProteoWizard）是格式转换的事实标准。两个关键参数：peakPicking 把轮廓数据（profile）转成峰列表（centroid），几乎所有搜索工具都要求 centroid 数据；zlib 开启压缩（mzML 未压缩时文件极大，可达原始 .raw 的 2-3 倍）。注意「在哪个层级做 peakPicking」会影响结果——对 MS1 与 MS2 都做是常规，但某些定量方法需要保留 MS1 的轮廓数据。

mzML 的结构值得理解，因为它决定了能做什么分析：

mzML 文件
  ├─ run
  │   ├─ spectrumList        ← 每张谱图（MS1 与 MS2 混合存放）
  │   │   ├─ spectrum (MS1)：m/z 数组 + 强度数组
  │   │   └─ spectrum (MS2)：母离子 m/z、电荷、保留时间、碎片谱
  │   └─ chromatogramList    ← 色谱图（TIC、XIC）
  └─ indexList               ← 偏移索引（支持随机访问）

一个实践要点：保留时间（retention time）是重要的质量维度，但不同仪器、不同梯度的保留时间不可直接比较。跨样本比较时需要用「保留时间对齐」工具（如 OpenMS 的 MapAligner），或改用基于谱库的保留时间预测（DIA 分析的常规做法）。

3. 肽段鉴定：数据库搜索与谱库搜索

肽段鉴定有两条技术路线，用途不同：

数据库搜索（database search）：给定蛋白质序列数据库（如 UniProt），用酶切规则枚举所有理论肽段，对每个实验谱图找最佳匹配。这是最常用的方法，也是发现新肽段的唯一途径：

# FragPipe（MSFragger）的标准流程，配置文件驱动
fragpipe --headless --config fragpipe.workflow \
  --manifest manifest.fp-manifest --workdir fp_out --threads 32

# 传统路线：Comet + Percolator（搜索引擎 + 机器学习后处理）
comet -P params.comet -D db.fasta sample.mgf
percolator -X percolator_input.txt -o percolator_out.txt \
  --decoy-pattern "rev_" --protein-enzyme trypsin

谱库搜索（spectral library search）：用「已知的谱图-肽段对应关系」库直接匹配实验谱图。速度极快、灵敏度高、FDR 易控制，但只能鉴定库里已有的肽段，无法发现新肽段或新修饰：

# DIA-NN：谱库搜索 + 定量一体（也可用 in silico 预测库）
diann --f sample.mzML --lib library.tsv --out report.tsv \
  --threads 32 --qvalue 0.01 --matrix-qvalue 0.01 \
  --out-lib diann_speclib.tsv --gen-spec-lib

搜索参数的设置是最大的技术门槛。关键参数与含义：

**「可变修饰越多，假阳性越高」**是一条铁律：每增加一个可变修饰，搜索空间大约翻倍（因为每个位点都要考虑「有/无修饰」两种状态）。开放搜索（open search，不预设修饰质量）能发现未知修饰，但会显著降低灵敏度，必须配合更严格的 FDR 策略（如 MSFragger 的 mass calibration + 二次搜索）。

4. FDR 控制：靶诱饵策略与 q 值

质谱鉴定没有「绝对正确」的分数阈值，因此必须用统计方法控制假发现率。标准做法是靶-诱饵策略（target-decoy）：把「真实序列库」（靶）与「打乱的假序列库」（诱饵）合并搜索，任何匹配到诱饵的谱图都被认定为假阳性。

靶-诱饵策略的逻辑
  实验谱图 → 同时搜靶库与诱饵库
    · 匹配到靶库且分数高 → 真阳性
    · 匹配到诱饵库（分数任意）→ 假阳性（假序列不该匹配到任何谱图）
    · 匹配到靶库但分数低 → 可能是假阳性（与诱饵同分布）

  估计 FDR = 诱饵匹配数 / 靶匹配数
  （诱饵数需乘以因子校正：库大小比、诱饵是否为反转序列等）

诱饵库的构建方式影响 FDR 估计的准确性：反转序列（reverse） 比 打乱序列（shuffle） 更常用，因为反转保留了氨基酸组成（从而保留理化性质），使诱饵与靶的「假阳性分布」更接近。但反转会产生「与靶序列重叠」的问题，因此一些工具改用「伪反转」（pseudo-reverse，只反转两端）。

FDR 的两个层级必须分清：

• PSM 层级 FDR：控制「谱图匹配」的错误率，是搜索工具的默认输出；
• 蛋白层级 FDR：控制「最终报告的蛋白列表」的错误率，通常更严格（如 1%）。

肽段层级与蛋白层级的 FDR 不能互相推导。一个蛋白由多条肽段支持，若只控制 PSM FDR，蛋白列表的错误率会远高于 1%。工具如 Percolator 与 MaxQuant 会分别计算并报告各层级的 FDR，报告里必须写明用的是哪个层级。

# Percolator：用机器学习重新打分并给 q 值
percolator -X search_results.txt --decoy-pattern "rev_" \
  -F 0.01 --protein -Y -r percolator_out -m percolator_models
# -F 0.01：FDR 阈值 1%；--protein：输出蛋白层级结果

q 值（q-value） 是与 p 值对应的多重检验校正量：把所有 PSM 按分数降序排列，q 值表示「以该分数为阈值时，列表整体的 FDR」。用 q 值过滤比用「固定分数阈值」过滤更稳健，因为分数阈值在不同数据集间不可比（仪器、梯度、样本复杂度都会影响分数分布）。

一个常见的错误是「先按分数过滤再做 FDR 校正」——这会让 FDR 估计失效，因为诱饵匹配数在过滤后已经变了。正确顺序是「全部 PSM 一起算 q 值，再按 q 值过滤」。

5. 定量策略：label-free、TMT 与 DIA

鉴定的「有/无」只是起点，定量才是大多数研究的真正目标。三种主流策略的取舍：

Label-free（LFQ，非标记定量）：直接比较不同样本中同一肽段的 MS1 信号强度。优点是简单、成本低、无标记数量限制；缺点是样本间的「上样量差异」与「仪器状态漂移」会引入偏差，需要归一化，且缺失值多。

# MaxQuant 的 LFQ 模式（关键参数）
#   LFQ mode: 开启，用 MaxLFQ 算法做跨样本归一化
#   Match between runs: 开启，用保留时间对齐「借」其他样本的鉴定
#   Min ratio count: 2，至少 2 条肽段才定量蛋白

Match between runs（MBR）是 LFQ 的关键增强：它把「某个肽段在样本 A 中鉴定到、在样本 B 中未鉴定但 MS1 有对应信号」的情况补全，大幅减少缺失值。但 MBR 也有风险——保留时间对齐错误会产生「假匹配」，因此通常要求「对齐窗口严格（< 0.5 min）+ 至少两个样本中有鉴定」。

TMT/iTRAQ（等重标记定量）：用不同同位素的标签标记不同样本的肽段，混合后一起测序。优点是一次实验可定量 6-18 个样本（TMTpro 18 重），批次效应极小（同一次 MS 运行）；缺点是比率压缩（ratio compression）——共分离的其他肽段会污染 MS2 谱图，导致真实差异被压缩，且单次样本数受限。

比率压缩的缓解手段有两个：一是用 SPS-MS3 采集（在 MS3 层级定量，避开共分离干扰），代价是扫描周期变长、鉴定数下降；二是在数据处理阶段做压缩校正（如 Proteome Discoverer 的 TMT 校正、或 R 包的 MSstatsTMT）。判断压缩是否严重，可以看「已知的内参蛋白（spike-in）的实测比值与理论比值差多少」——若理论 10 倍实测只有 3 倍，压缩就相当严重。

TMT 的另一个工程约束是**「一个批次内的所有样本必须同批处理」。18 重的 TMT 一次最多 18 个样本，超过就必须分批，而批次之间必然有差异**（标记效率、混合比例、仪器状态）。因此 TMT 实验的设计原则是「把感兴趣的组间比较放在同一批次内」，批次间只做「桥接样本」的校正。若处理组与对照组被拆到不同批次，结论基本不可靠。

DIA（数据非依赖采集）：把 m/z 范围切成窗口，系统地对每个窗口内所有母离子做碎裂。优点是重复性极好、缺失值少、样本通量高，特别适合大队列；缺点是对复杂样本的谱图混合严重，依赖谱库质量。DIA 已成为大队列蛋白质组的首选：

# DIA-NN 典型参数（大队列）
diann --f *.mzML --lib library.tsv --out report.tsv \
  --threads 32 --qvalue 0.01 --matrix-qvalue 0.01 \
  --rt-profiling --mass-acc 10 --mass-acc-ms1 15 \
  --xic 1 --use-quant --smart-profiling

定量策略的选择逻辑：样本数 < 10 且需要深度鉴定用 DDA + LFQ；样本数 6-18 且需要极小批次效应用 TMT；样本数 > 20 的大队列用 DIA。三种策略的定量结果不可直接比较（归一化方式、缺失值模式、动态范围都不同），跨研究整合时必须重新处理原始数据。

6. 蛋白质推断与缺失值处理

蛋白质推断（protein inference） 是蛋白质组特有的难题：质谱测的是肽段，而「肽段 → 蛋白」的映射是多对多的。一条肽段可能属于多个同源蛋白（共享肽段，shared peptide），因此「鉴定到某条肽段」不等于「确定某个蛋白存在」。

处理策略分三种：

• 只保留唯一肽段（unique peptide）：保守但会丢失信息（同源蛋白家族无法区分）；
• 共享肽段分配到所有可能的蛋白（MaxQuant 默认，称「蛋白组」protein group）；
• 用简约原则（parsimony） 找「能解释所有肽段的最小蛋白集」（ProteinProphet、Percolator 的做法）。

报告里必须说明用的是哪种策略，因为这直接决定「能报告多少个蛋白」——简约原则给出的蛋白数最少，共享肽段分配到所有蛋白会给出最多的「候选」。

缺失值（missing value） 是另一个核心问题。蛋白质组数据的缺失有三类成因，处理方式完全不同：

「低丰度蛋白缺失」是最常见的 MNAR：一个蛋白在对照组检不到、在处理组检出，这本身就是「上调」的信号。若用均值填补这些缺失，会把信号抹平；若用 0 填补，会人为夸大差异。正确做法是用「下限填补」（如用该样本最小值的 1/5）并选择能处理 MNAR 的统计方法（如 MSstats、limma 的 impute 策略，或 Perseus 的「从正态分布左移分布填补」）。

缺失值处理的经验判据
  缺失比例 < 5%  → 影响小，可填补或直接删除该蛋白
  缺失比例 5-30% → 需谨慎，按 MNAR/MAR 分类处理
  缺失比例 > 30% → 该蛋白的定量不可靠，建议不纳入差异分析

MaxQuant 的输出文件 proteinGroups.txt 里有几列必须理解，否则容易误用：

「先过滤三类标记再分析」是硬性要求：不过滤诱饵与污染蛋白，会让下游的差异分析混入假阳性与角蛋白（实验室常见污染）；不过滤 Only identified by site 会让「只有一条修饰肽段支持」的蛋白进入结果，这类蛋白的定量极不可靠。

7. 翻译后修饰分析：以磷酸化为例

翻译后修饰（PTM）分析是蛋白质组学的高价值方向，也是最难的部分。以磷酸化（phosphorylation）为例，流程包含三个特殊环节：

富集（enrichment）。磷酸化肽段在总肽段中占比通常低于 1%，不富集根本测不到。方法有 TiO2、IMAC（Fe-IMAC 最常用）、抗体富集（针对特定基序如 pY）。富集效率直接决定能鉴定多少磷酸化位点：

# MaxQuant 的磷酸化搜索参数（关键设置）
#   Variable modifications: Phospho (STY)
#   Max. variable modifications: 3-5（磷酸化常有多重修饰）
#   Localization probability: 用 PTM 打分算法评估位点定位可信度

位点定位（localization）。这是磷酸化分析的核心难点：一条肽段上有多个 S/T/Y，「哪个位点被磷酸化了」需要从碎片谱图中推断。MaxQuant 的 PTM score 与 ptmRS 等算法给出「定位概率」，通常要求定位概率 > 0.75（甚至 0.9）才认为位点可靠。定位概率低的位点不应报告为「某位点被磷酸化」。

位点层级定量。磷酸化蛋白组要区分「蛋白丰度变化」与「磷酸化比例变化」：一个磷酸化位点信号升高，可能只是因为该蛋白总量升高了。正确做法是用总蛋白组数据归一化磷酸化数据，得到「磷酸化比例」的变化。这一步常被忽略，导致大量「假阳性磷酸化变化」。

# 用 limma 做磷酸化数据的差异分析（R，示意）
#   design 包含「处理」与「批次」
#   contrasts 比较处理组 vs 对照组
library(limma)
fit <- lmFit(ptm_matrix, design)
fit <- eBayes(fit)
topTable(fit, coef = "Treatment", number = Inf, adjust.method = "BH")

修饰分析的一般原则：修饰肽段的数据是「子集」，其 FDR 与定位精度都需要单独评估，不能沿用总蛋白组的阈值。多修饰（一条肽段上多个磷酸化）会进一步放大搜索空间，通常需要限制「每条肽段最多 N 个修饰」来控制假阳性。

8. 差异表达分析与统计

差异表达分析的目标是找「处理组与对照组之间显著变化的蛋白」。统计方法与转录组高度相似（都是「小样本、高维度、多重检验」），但有三点蛋白质组特有的差异：

第一，样本量通常更小。质谱实验成本高，n=3 是常态。小样本下，基于正态假设的 t 检验功效低，必须用「方差收缩」方法（limma 的 eBayes 把方差向全局均值收缩，显著提升小样本功效）。这是 limma 成为蛋白质组差异分析事实标准的原因。

第二，需要处理缺失值。如第 6 节所述，缺失模式会影响统计。用 MSstats（专门为蛋白质组设计的工具）或 limma + 显式填补是常见做法。

第三，归一化方式影响结论。常用方法：中位数归一化（假设「大多数蛋白不变」）、分位数归一化（强制分布相同）、以及基于内参蛋白（spike-in）的归一化。「大多数蛋白不变」这个假设在某些实验中不成立（如全局转录抑制、药物导致大规模蛋白降解），此时中位数归一化会把真实信号抹平——这与 RNA-seq 的归一化陷阱完全相同，可参考 RNA-seq 转录组分析 里的讨论。

差异分析的报告要求
  1. 效应量（log2 fold change）+ 置信区间，而非只有 p 值
  2. 校正后的 q 值（Benjamini-Hochberg），而非原始 p 值
  3. 定量所用的肽段数（min 2 条，最好 3 条以上）
  4. 缺失值处理方式与填补策略
  5. 归一化方法
  6. 统计模型（含纳入的协变量，如批次）

一个务实建议是用火山图 + 效应量阈值双重筛选：p 值显著但 fold change 很小（如 1.2 倍）的变化，生物学意义通常有限；fold change 大但 p 值不显著的，可能是样本量不足。两者结合才能得到可靠的结果。

9. 与转录组等其他组学的衔接

蛋白质组与转录组的联合分析是常见需求（「mRNA 升高了，蛋白也升高了吗」），但直接比较会踩坑：

第一，量纲不同。转录组是「读段计数」（整数、负二项分布），蛋白质组是「谱图强度」（连续、对数正态）。必须各自做差异分析，再比较「变化方向与幅度」的一致性，不能把两者的原始值放在一起算相关。

第二，相关性天然不高。mRNA 与蛋白的相关系数通常在 0.4-0.6，这是生物学事实（翻译效率、蛋白半衰期、降解调控），不是数据质量问题。「相关性低」不应被当作「实验失败」，反而常常是发现「翻译后调控」的线索。

第三，时间尺度不同。mRNA 响应快（分钟级）、蛋白响应慢（小时级），做时间序列实验时采样时间点必须匹配两者的动力学。

一个实用的分析框架是把蛋白分成四类：mRNA 与蛋白同向变化（转录调控为主）、mRNA 变而蛋白不变（翻译或降解调控）、蛋白变而 mRNA 不变（翻译后调控）、都不变。这个分类比「算一个相关系数」提供的信息多得多，也是多组学整合研究的核心思路之一。

若需要蛋白质结构信息来解释功能影响，可结合 蛋白质结构预测与 AlphaFold 应用 分析变异或修饰位点是否落在关键区域。

权衡取舍

常见坑清单

1. 忘设固定修饰（氨甲酰甲基化）：所有半胱氨酸肽段匹配失败，鉴定数骤降；建库用烷基化就必须设。
2. 可变修饰加太多：搜索空间爆炸、假阳性飙升；只加必要的（氧化、乙酰化等）。
3. 母离子容差设错单位：ppm 与 Da 混用导致全库无匹配；按仪器分辨率选单位。
4. 先按分数过滤再算 FDR：诱饵计数失真，FDR 估计无效；必须全部 PSM 一起算 q 值。
5. 混用 PSM 与蛋白层级 FDR：蛋白列表错误率被低估；报告蛋白用蛋白层级 FDR。
6. 用均值填补低丰度缺失：真实的上调信号被抹平；MNAR 缺失必须用下限填补。
7. 磷酸化不做总蛋白归一化：蛋白丰度变化被误读为磷酸化比例变化；必须用总蛋白校正。
8. 忽略定位概率：多位点肽段报告了错误位点；只报告定位概率 > 0.75 的位点。
9. 样本量太小却用普通 t 检验：功效不足；用 limma 的方差收缩。
10. 跨研究直接合并定量值：归一化方式不同导致系统性偏差；应回到原始数据重新处理。

小结

蛋白质组学的核心特殊性在于「测的是肽段，推的是蛋白」。从谱图到肽段的鉴定是统计推断（依赖搜索参数与 FDR 控制），从肽段到蛋白的映射是多对多推断（依赖简约原则或共享肽段策略），从信号到丰度的转换受电离效率与缺失值干扰——这三层不确定性叠加，使蛋白质组结果的可信度评估比转录组更复杂。

工程上最该建立的三个认知：第一，FDR 是分层的。PSM、肽段、蛋白三个层级的 FDR 各自独立，报告时必须明确用的是哪一层，且不能互相推导。第二，缺失值不是噪声而是信息。「对照组没有、处理组有」本身就是信号，用均值填补会把它抹掉。第三，定量策略决定分析范式。LFQ、TMT、DIA 的数据特性差异极大（缺失模式、动态范围、批次结构），分析流程必须与采集策略配套，不能通用一套参数。

下一步可以看多组学整合篇了解如何把蛋白质组与转录组、代谢组联合分析，或 蛋白质结构预测与 AlphaFold 应用 了解如何用结构信息解释修饰与变异的功能影响。如果你的鉴定数远低于预期，先检查固定修饰与容差设置；如果定量结果「几乎什么都没变」，先确认是否误用了「大多数蛋白不变」的归一化假设。

常见问题

Q：为什么我的蛋白质组数据和转录组数据对不上？
mRNA 与蛋白的相关系数在 0.4-0.6 是正常范围，不是错误。真正的分析应该关注「哪些蛋白的变化不能用 mRNA 解释」——那才是翻译调控、降解调控的证据。参见 RNA-seq 转录组分析 了解转录组侧的处理。

Q：LFQ 和 TMT 的定量结果能合并吗？
不能直接合并。两者的归一化方式、动态范围、缺失模式完全不同，直接合并会引入系统性偏差。若必须整合，应把两者视为独立数据集，用批次校正方法处理后比较「变化方向的一致性」，而非合并原始强度值。

Q：为什么磷酸化数据里的「变化」大多是假的？
最常见的原因是没做总蛋白归一化。一个磷酸化位点信号升高 2 倍，如果对应的总蛋白也升高了 2 倍，那么磷酸化「比例」其实没变。必须用同批样本的总蛋白组数据（或至少该蛋白的蛋白丰度）做归一化，才能得到真正的磷酸化调控变化。其次是位点定位不可靠——定位概率低的位点本身就是噪声，不应纳入差异分析。