簡介ProteoWizard 3.0.7414 是一款用于蛋白質(zhì)組學質(zhì)譜數(shù)據(jù)分析的開源工具箱面向生物信息學研究人員、蛋白質(zhì)組學科研人員以及需要批量處理高通量質(zhì)譜數(shù)據(jù)的技術(shù)開發(fā)者。該版本提供完整的數(shù)據(jù)轉(zhuǎn)換與預(yù)處理能力可將 ABI、Thermo RAW、Bruker、Waters MGF 等多種原始格式統(tǒng)一轉(zhuǎn)為標準化的 mzML 或 mzXML 文件方便后續(xù)鑒定與定量軟件直接調(diào)用。壓縮包共包含 98 個文件以 62 個 DLL 動態(tài)庫和 18 個 EXE 可執(zhí)行程序為主另有 XML、manifest、config 等配置說明DLL 組件負責底層數(shù)據(jù)解析與質(zhì)譜算法EXE 中 msconvert.exe 支持命令行批量轉(zhuǎn)換MSConvertGUI.exe 提供圖形化操作MsFileReader 組件則可高效讀取不同儀器廠商的原始譜圖數(shù)據(jù)。整個資源包約 34.17MB體積小巧且文件完整解壓即可運行。目前已有 2628 人學習下載既適合初步接觸蛋白質(zhì)組學數(shù)據(jù)的科研人員快速完成格式轉(zhuǎn)換也適合開發(fā)者在 C/C#/Python 環(huán)境中調(diào)用 API將 ProteoWizard 嵌入自定義分析流程。1. 先說清楚ProteoWizard到底是干嘛的如果你做蛋白質(zhì)組學、代謝組學或者任何和質(zhì)譜數(shù)據(jù)打過交道的方向那ProteoWizard這個名字你大概率繞不開。簡單說這是一套開源工具集專門用來處理質(zhì)譜儀產(chǎn)出的原始數(shù)據(jù)。最核心的價值是把各家儀器廠商那套互不兼容的私有格式轉(zhuǎn)成學術(shù)界通用的開放格式mzML、mzXML讓下游分析工具能夠正常讀取。那這個3.0.7414版本又是什么來頭ProteoWizard 3.0系列的版本號里7414實際上是它的構(gòu)建號build number對應(yīng)的是大約2016年的一個穩(wěn)定構(gòu)建。這個版本在當年相當能打內(nèi)置的msconvert工具功能已經(jīng)很全格式覆蓋率高穩(wěn)定性也經(jīng)過了大量實驗室的驗證。雖然現(xiàn)在官方已經(jīng)不再更新3.0.x分支但至今仍能在很多課題組的工作流里看到它的身影尤其是在老設(shè)備配套的Windows工作站上這個版本幾乎成了默認配置。那3.0.7414.rar這種壓縮包形式的發(fā)行版又該怎么看其實ProteoWizard官方原本提供的是Windows安裝程序.exe而網(wǎng)絡(luò)上廣泛流傳的rar版本多半是官方綠色版或第三方打包的免安裝版本。好處顯而易見解壓即用不寫注冊表適合在受限環(huán)境下快速部署但代價是你得自己確認依賴的運行時環(huán)境是否完整否則容易踩到缺少dll這類坑。后面我會專門聊這塊。2. 核心功能解析msconvert與整個工具生態(tài)2.1 msconvert真正的主角ProteoWizard里被用得最多的工具絕對非msconvert莫屬。它的定位非常純粹命令行格式轉(zhuǎn)換工具支持讀入主流廠商格式輸出標準開放格式或部分廠商格式。它能搞定Thermo的.raw、AB Sciex的.wiff/.wiff2、Agilent的.d、Bruker的.d/BAF還有Waters的.raw。換句話說只要你實驗室的質(zhì)譜儀不是特別冷門的牌子msconvert大概率都能覆蓋到。msconvert的典型輸出格式有三種mzML、mzXML和MGF。其中mzML是HUPO-PSI蛋白質(zhì)組學標準化組織推的開放標準格式存儲的是完整的質(zhì)譜掃描信息包括每個掃描的譜圖、峰列表、離子淌度、色譜保留時間等是所有下游工具比如OpenMS、Skyline、MaxQuant的標準輸入格式。mzXML則是一個歷史更悠久的開放格式如果你的工作流里還掛著老的第三方工具可能還得繼續(xù)輸出mzXML。MGF則是純文本格式的峰列表主要喂給數(shù)據(jù)庫搜索引擎Mascot、MS-GF等做肽段鑒定。這里要特別強調(diào)一個使用習慣能輸出mzML就優(yōu)先輸出mzML。mzML對元數(shù)據(jù)的保留、對數(shù)據(jù)壓縮的支持都比mzXML好而且目前幾乎所以主流軟件都原生支持它。MGF則只保留峰列表和最小的元數(shù)據(jù)建議只在確定下游工具只吃MGF時才用它。2.2 SeeMS快速可視化除了msconvertProteoWizard還自帶一個輕量級譜圖查看器SeeMS。雖然它比對商業(yè)軟件如Thermo Xcalibur、AB Analyst簡陋不少但勝在輕量和免費而且能夠直接打開mzML/mzXML快速瀏覽譜圖的TIC總離子流圖、提取某個離子的提取離子流圖XIC。我平時在轉(zhuǎn)換完成后都會用SeeMS快速抽查一下數(shù)據(jù)質(zhì)量作為轉(zhuǎn)換是否成功的直觀確認。2.3 為什么格式轉(zhuǎn)換不是一個按鈕的小事對沒接觸過質(zhì)譜數(shù)據(jù)的人來說格式轉(zhuǎn)換聽起來就是個編碼工具的問題但真正做過的都知道沒這么簡單。核心原因在于各類廠商私有格式中譜峰數(shù)據(jù)存在兩種主流表示profile和centroid。profile是連續(xù)輪廓數(shù)據(jù)每個峰是一串密集的點centroid則是峰值中心的離散數(shù)據(jù)每個峰一對質(zhì)荷比強度。轉(zhuǎn)換時msconvert默認會做profile-centroid的峰識別嗎不會。這個操作是通過過濾器filter顯式執(zhí)行的很多新手在這里吃虧轉(zhuǎn)出來的mzML數(shù)據(jù)在后續(xù)搜庫時鑒定數(shù)量驟降原因就在于沒有做正確的峰提取。這就是為什么我覺得ProteoWizard值得單獨寫一篇它的工具雖小但每個參數(shù)背后都對應(yīng)著一個數(shù)據(jù)處理決策直接影響下游結(jié)果的質(zhì)量。很多東西你不自己去讀文檔、不去踩坑根本意識不到。3. 部署與安裝把3.0.7414跑起來3.1 Windows老工作站的常規(guī)部署我在實驗室里給質(zhì)譜儀配套的Windows 7工作站上裝的就是這個3.0.7414版本。為什么守著老版本不放因為那臺老儀器控制軟件只能運行在Windows 7上而新版ProteoWizard3.1.x以后對Windows 7的支持已經(jīng)不再保證很可能因為缺少VC運行庫或.NET Framework版本過高而裝上后無法運行。老版本反而在新老系統(tǒng)上都能跑穩(wěn)定性也經(jīng)過充分驗證。如果你的機器上拿到的是壓縮包版本.rar部署流程大概是這樣的將壓縮包解壓到一個純英文路徑下比如D:\ProteoWizard強烈不建議放到中文或帶空格的路徑下否則后續(xù)在腳本里調(diào)用msconvert時很容易因為路徑轉(zhuǎn)義問題報錯。確認機器上安裝了VC運行庫。3.0.7414這個時代主要依賴的是VC 2010和2013的運行庫。如果缺運行時會提示缺少msvcp100.dll、msvcr100.dll這類錯誤去微軟官網(wǎng)下載對應(yīng)運行庫裝上就行。進入解壓后的目錄找msconvert.exe和SeeMS.exe兩個文件。有些打包版還會帶一個proteowizard.bat批處理腳本用來輔助設(shè)置環(huán)境變量。建議把msconvert.exe所在路徑加入系統(tǒng)的PATH環(huán)境變量。這樣后續(xù)在任意目錄下打開命令行都能直接調(diào)用msconvert不用每次輸全路徑。3.2 使用官方安裝器與綠色版怎么選這里必須坦誠地說一句能裝官方安裝器的優(yōu)先裝官方安裝器。官方安裝包不僅會自動寫入環(huán)境變量還會注冊一些必要的系統(tǒng)組件減少后續(xù)報錯的概率。但3.0.7414.rar這種形式之所以能流行確實也有它的現(xiàn)實場景——很多課題組對工作站的軟件權(quán)限有嚴格管控不讓隨意安裝程序或者管理員權(quán)限拿不到。這時候綠色版反而是唯一的選擇。如果你選擇綠色版有三件事務(wù)必自己確認運行庫完整性。上面提到的VC運行庫缺任何一個都會導(dǎo)致程序閃退或報錯。最穩(wěn)妥的辦法是把微軟常用運行庫合集VC 2005-2022裝一遍。路徑不要中文。這條我再強調(diào)一遍因為命令行工具的坑大多集中在路徑上。首次運行不要太急。在命令行里先執(zhí)行一次msconvert --help看看能否正常打印幫助信息。如果這一步通過說明基礎(chǔ)環(huán)境沒問題。4. 實操用msconvert完成一次格式轉(zhuǎn)換4.1 從.raw到mzML的最簡單命令假設(shè)你手上有一個Thermo的.raw文件路徑是D:\data\sample1.raw想轉(zhuǎn)成mzML。打開命令行輸入msconvert D:\data\sample1.raw --mzML --output D:\data\output這條命令會把轉(zhuǎn)換后的mzML文件輸出到D:\data\output目錄?？雌饋砗芎唵螌Π傻珜嶋H操作中我發(fā)現(xiàn)很多人第一次跑會卡在參數(shù)的語義上比如--output后面接的到底是一個目錄還是一個完整文件名答案是目錄。如果你不寫--output默認會和原始文件在同一個目錄下生成結(jié)果文件。還有個小細節(jié)msconvert默認會保留原始文件里的所有元信息包含儀器型號、采集方法、掃描模式等這些信息會寫入mzML的XML頭里。所以轉(zhuǎn)換完成后你可以直接打開mzML文件用文本編輯器或SeeMS驗證一下元數(shù)據(jù)是否正確。4.2 關(guān)鍵過濾器peakPicking與msLevel如果你不做任何過濾直接轉(zhuǎn)換輸出文件里很多圖譜是profile模式的數(shù)據(jù)體積大不說在下游搜庫軟件里還經(jīng)常搜不動。正確的做法是加上峰提取過濾器msconvert D:\data\sample1.raw --mzML --filter peakPicking true 1- --output D:\data\output這個peakPicking true 1-是什么含義true表示對profile數(shù)據(jù)執(zhí)行峰識別1-表示對所有掃描級別MS1、MS2、MS3...都做。這是最常用的配置。如果我只關(guān)心MS2的峰提取可以寫--filter peakPicking true 2但實際場景中全級別提取更通用后續(xù)你想重新看MS1的定量數(shù)據(jù)時也不至于沒數(shù)據(jù)可用。還有個很實用的過濾器是msLevel可以只保留特定級別的掃描。比如你只想做二級質(zhì)譜的數(shù)據(jù)不想留下MS1掃描信息msconvert D:\data\sample1.raw --mzML --filter peakPicking true 1- --filter msLevel 2 --output D:\data\output加了這個過濾后輸出文件只包含MS2掃描文件體積會小很多。但需要注意如果你的搜庫流程需要利用MS1的母離子信息來計算前體離子電荷或質(zhì)量容差那過濾掉MS1反而會出問題。所以在加msLevel之前先想清楚下游工具到底需要什么數(shù)據(jù)。4.3 批量轉(zhuǎn)換與多線程參數(shù)實際項目中一次實驗動輒幾十上百個.raw文件一個文件一個文件地手動轉(zhuǎn)顯然不現(xiàn)實。msconvert支持一次傳入多個輸入文件最簡單的辦法是msconvert D:\data\*.raw --mzML --filter peakPicking true 1- --output D:\data\output在Windows命令行中msconvert會自己展開通配符把匹配的所有.raw文件逐個處理。批量轉(zhuǎn)換時我建議結(jié)合--threads參數(shù)使用比如msconvert D:\data\*.raw --mzML --filter peakPicking true 1- --threads 4 --output D:\data\output默認情況下msconvert使用的線程數(shù)不多尤其是老版本處理速度會比較慢。如果你的工作機器是四核以上CPU建議手動指定--threads。但注意線程數(shù)不是越大越好——我實測過在8核機器上開8線程和開4線程轉(zhuǎn)換速度提升不明顯反而可能因為磁盤I/O瓶頸導(dǎo)致效率下降。一般設(shè)為核心數(shù)的一半到三分之二比較合理。4.4 轉(zhuǎn)換后的驗證轉(zhuǎn)換完成不等于萬事大吉。我養(yǎng)成了一個習慣每個批次轉(zhuǎn)換完成后隨機挑一個文件用SeeMS打開肉眼確認一下TIC和一張MS2譜圖的狀態(tài)。重點看三件事峰列表是否是centroid模式點狀而非連續(xù)輪廓線狀譜圖數(shù)量是否和原始數(shù)據(jù)一致在SeeMS里對比mzML和原始raw的掃描數(shù)二級質(zhì)譜的質(zhì)量范圍是否符合預(yù)期。這套檢查流程看起來土但真的很管用。我曾經(jīng)有一次在轉(zhuǎn)換時使用了錯誤的窗口過濾導(dǎo)致輸出文件掃描數(shù)直接減半如果光看轉(zhuǎn)換日志根本發(fā)現(xiàn)不了直到用SeeMS抽查才快速定位到問題。5. 常見問題與排查實錄5.1 轉(zhuǎn)換失敗提示無法打開文件這是最常見的報錯之一通常位于轉(zhuǎn)換剛開始的階段。排查思路如下檢查輸入文件路徑是否正確。尤其注意文件名里有沒有空格或特殊字符用引號包裹路徑是必須的。檢查文件是否被其他軟件占用。Thermo的.raw文件如果正被Xcalibur或儀器采集軟件打開msconvert可能無法讀取。關(guān)閉占用程序再試。檢查文件格式是否受當前版本支持。3.0.7414這個版本對Thermo和AB Sciex的格式支持已經(jīng)很成熟但如果是新出的儀器格式老版本確實可能不認。這種情況下可以考慮更新到新版本或者先用廠商軟件把數(shù)據(jù)導(dǎo)出為通用格式。5.2 轉(zhuǎn)換成功后文件大小異常有時候轉(zhuǎn)換成功但mzML文件的體積和你預(yù)期的差很多。這種問題往往不是轉(zhuǎn)換出錯而是過濾條件太苛刻。比如上面的msLevel 2過濾器如果你把MS1全部過濾掉了文件體積自然大幅縮水如果你原始數(shù)據(jù)是profile模式而沒做peakPicking文件體積又會異常膨脹。遇到這種情況建議先回到原始數(shù)據(jù)檢查儀器的采集模式再決定使用什么過濾器。5.3 缺少RTApi和廠商DLLProteoWizard讀取不同廠商的原始格式依賴的是廠商提供的運行時庫。比如讀取AB Sciex的.wiff文件時就依賴AB Sciex安裝的Data Access SDK。如果你的機器沒裝對應(yīng)的SDK即使msconvert其他格式都能轉(zhuǎn)換遇到.wiff也一樣罷工。這種問題在公共服務(wù)器上特別常見。我的建議是遇到廠商格式報錯先別急著懷疑ProteoWizard先檢查對應(yīng)廠商的軟件/SDK是否安裝完畢。5.4 性能優(yōu)化的個人經(jīng)驗在批量轉(zhuǎn)換上我踩過不少坑。最初處理一個大隊列時我用一條巨型命令把所有文件路徑堆在一起結(jié)果Windows命令行的長度限制直接把我教做人了。后來我改用批處理腳本用for循環(huán)逐個文件調(diào)用msconvert既繞開了命令行長度限制還能在循環(huán)里做日志記錄和錯誤捕捉。一個簡單的PowerShell示例$rawFolder D:\data\raw $outputFolder D:\data\mzml Get-ChildItem -Path $rawFolder -Filter *.raw | ForEach-Object { $outputFile Join-Path $outputFolder ($_.BaseName .mzML) D:\ProteoWizard\msconvert.exe $_.FullName --mzML --filter peakPicking true 1- --output $outputFolder Write-Host Finished: $($_.Name) }這樣每個文件獨立轉(zhuǎn)換即使中途某個文件出了異常也不影響后面文件的處理。做大規(guī)模隊列時我還會在每個文件轉(zhuǎn)換后加一個Test-Path檢查輸出文件是否真的生成并記錄到日志文件里這樣跑完一趟直接看日志就知道哪些文件需要重轉(zhuǎn)。5.5 兼容性注意事項最后聊一下版本兼容。ProteoWizard 3.0.7414畢竟是老版本在Win10/11的新環(huán)境上運行時偶爾會遇到兼容性問題。表現(xiàn)形式通常是程序打開后閃退或者某些功能按鈕無響應(yīng)。右鍵exe在屬性-兼容性里選擇以Windows 7兼容模式運行大多數(shù)情況下能解決。如果還不行檢查一下系統(tǒng)是否缺少.NET Framework 4.x或者VC運行庫裝齊了之后基本都能跑起來。說句實在話ProteoWizard這套工具雖然問世很多年了但在質(zhì)譜數(shù)據(jù)處理這個細分領(lǐng)域它的地位至今沒被撼動。新版本在持續(xù)迭代功能越來越強大但3.0.7414這個版本對于老設(shè)備、老流程、老腳本來說仍然是一個非?？煽康幕Ｈ绻闶稚险糜羞@類壓縮包版本又恰好需要在舊環(huán)境里處理質(zhì)譜數(shù)據(jù)希望這篇經(jīng)驗?zāi)軒湍闵僮唿c彎路。最后再分享一個小技巧轉(zhuǎn)換完成后的mzML文件記得保留一份原始的未過濾版本備用。數(shù)據(jù)重新處理是常有的事一旦原始文件丟失或損壞后續(xù)想換過濾參數(shù)、想重新搜索庫都會變得非常被動。存數(shù)據(jù)這件事永遠不要嫌多。本文還有配套的精品資源點擊獲取