代谢组学数据预处理与归一化¶

一句话说明¶

代谢组学数据预处理就是把质谱仪吐出来的"乱七八糟的信号"清洗干净、对齐整齐，让不同样本之间可以公平比较——就像考试改卷前先统一评分标准。

核心知识点¶

要点1：原始数据处理流程¶

• 峰检测（Peak Detection）：从连续信号中找出真正的代谢物信号峰，类似从噪音中挑出有意义的"山丘"
• 峰对齐（Alignment）：不同样本的同一个代谢物可能出现在稍微不同的时间/质荷比位置，需要对齐到一起
• 峰积分（Integration）：计算每个峰的面积或高度，代表代谢物的相对含量
• 去卷积（Deconvolution）：把重叠在一起的峰分开，就像把两首同时播放的歌分开

要点2：缺失值处理¶

• 产生原因：信号太弱低于检测限、随机技术误差
• 处理方法：
• 删除缺失率>50%的特征
• KNN填补（用相似样本估计）
• 最小值的1/5填补（保守估计）
• 随机森林填补（missForest，精度较高）

要点3：归一化方法¶

• 样本归一化：消除样本间的系统差异
• 总离子流归一化（TIC）：每个值除以该样本所有峰面积之和
• 中位数归一化：每个值除以该样本中位数
• PQN（概率商归一化）：以参考样本为基准，计算每个特征的商的中位数
• 特征归一化：让不同量级的代谢物可比
• 自动缩放（Auto-scaling）：减均值除标准差，即Z-score
• Pareto缩放：减均值除标准差的平方根，保留部分原始差异
• 对数变换（Log transformation）：压缩数据范围，让分布更接近正态

要点4：质控样本（QC）的作用¶

• 混合QC（Pooled QC）：混合所有样本等量制备，穿插在序列中
• 作用：监控仪器漂移、评估数据质量、用于批次校正
• QC-RSD过滤：QC样本中RSD（相对标准差）>30%的特征通常剔除

实战代码¶

# === 代谢组学数据预处理 Python 示例 ===
import pandas as pd
import numpy as np
from sklearn.impute import KNNImputer

# 读取代谢组学数据矩阵（行=样本，列=代谢物特征）
df = pd.read_csv("metabolomics_data.csv", index_col=0)

# 1. 过滤缺失率>50%的特征
threshold = 0.5  # 缺失率阈值
missing_rate = df.isnull().sum() / len(df)  # 计算每列缺失率
df_filtered = df.loc[:, missing_rate < threshold]  # 保留缺失率<50%的列
print(f"过滤前特征数: {df.shape[1]}, 过滤后: {df_filtered.shape[1]}")

# 2. KNN填补缺失值（k=5个最近邻）
imputer = KNNImputer(n_neighbors=5)  # 创建KNN填补器
df_imputed = pd.DataFrame(
    imputer.fit_transform(df_filtered),  # 执行填补
    columns=df_filtered.columns,
    index=df_filtered.index
)

# 3. 对数变换（log2）
df_log = np.log2(df_imputed + 1)  # +1避免log(0)，用log2便于理解倍数变化

# 4. Pareto缩放
mean_vals = df_log.mean()  # 每列均值
std_vals = df_log.std()  # 每列标准差
df_pareto = (df_log - mean_vals) / np.sqrt(std_vals)  # Pareto缩放公式

# 5. QC样本RSD过滤
qc_samples = df_pareto.loc[df_pareto.index.str.contains("QC")]  # 提取QC样本
rsd = qc_samples.std() / qc_samples.mean() * 100  # 计算RSD百分比
df_final = df_pareto.loc[:, rsd < 30]  # 保留RSD<30%的特征
print(f"QC-RSD过滤后特征数: {df_final.shape[1]}")

面试常问点¶

Q1: 为什么代谢组学数据需要归一化？¶

参考答案：因为不同样本的总代谢物浓度、进样量、仪器响应可能不同。比如一个样本进样多一点，所有峰面积都会偏大，但这不代表代谢物真的多。归一化就是消除这种"不公平因素"，让我们比的是真正的生物学差异，而不是技术噪音。

Q2: Auto-scaling和Pareto缩放怎么选？¶

参考答案：Auto-scaling（标准化）会让所有代谢物权重一样，适合探索性分析；但它会放大低丰度噪音特征的影响。Pareto缩放是折中方案，既减少高丰度特征的主导效应，又不会过度放大噪音。一般做PCA/PLS-DA时推荐先试Pareto，如果效果不好再换Auto-scaling。

Q3: QC样本的RSD阈值为什么是30%？¶

参考答案：30%是代谢组学领域的经验共识。RSD>30%说明这个特征在重复测量中波动太大，可能是噪音信号而非真实代谢物。有些严格的研究会用20%作为阈值。不过这个数字不是绝对的，要结合实验具体情况判断。

速查卡片¶