蛋白质组学数据库搜库策略¶

# === MaxQuant搜库参数配置要点 ===
# MaxQuant通过GUI配置mqpar.xml，关键参数说明

# 1. FASTA数据库设置
# - 下载UniProt参考蛋白组: https://www.uniprot.org/proteomes/
# - 人类: UP000005640 (reviewed, ~20,400蛋白)
# - 建议加common contaminants（常见污染物库）

# 2. 酶设置
# - Enzyme: Trypsin/P（不切Pro前的Arg/Lys）
# - Max missed cleavages: 2（允许2个漏切位点）

# 3. 修饰设置
# - Fixed: Carbamidomethyl (C)  → 半胱氨酸还原烷基化
# - Variable: Oxidation (M)     → 甲硫氨酸氧化（实验伪影）
# - Variable: Acetyl (Protein N-term) → 蛋白N端乙酰化

# 4. 质量容忍度
# - First search: 20 ppm（初始校准搜索，容忍度宽）
# - Main search: 4.5 ppm（MaxQuant自动校准后的精确搜索）
# - MS/MS tolerance: 20 ppm（碎片离子容忍度）

# === 搜库结果质控分析 ===
import pandas as pd
import matplotlib.pyplot as plt

# 1. 读取MaxQuant summary.txt评估搜索质量
summary = pd.read_csv("combined/txt/summary.txt", sep="\t")

# 2. 关键质控指标
for _, row in summary.iterrows():
    raw_file = row["Raw file"]
    ms_scans = row["MS"]            # MS1扫描数
    msms_scans = row["MS/MS"]       # MS2扫描数
    msms_identified = row["MS/MS Identified [%]"]  # MS2鉴定率
    peptides = row["Peptide Sequences Identified"]  # 鉴定肽段数
    print(f"{raw_file}: MS/MS鉴定率={msms_identified}%, 肽段数={peptides}")

# 3. 读取evidence.txt分析质量偏差分布
evidence = pd.read_csv("combined/txt/evidence.txt", sep="\t")

# 质量偏差分布应该集中在0附近
plt.figure(figsize=(8, 5))
plt.hist(evidence["Mass error [ppm]"].dropna(), bins=100, range=(-10, 10))
plt.xlabel("Mass Error (ppm)")
plt.ylabel("Count")
plt.title("Mass Error Distribution")
plt.axvline(0, color="red", linestyle="--")  # 理想中心应在0
plt.savefig("mass_error_distribution.png", dpi=150)

# 4. 鉴定打分分布
plt.figure(figsize=(8, 5))
plt.hist(evidence["Score"], bins=100, alpha=0.7, label="Target")
# decoy的分数分布应该在低分区
plt.xlabel("Andromeda Score")
plt.ylabel("Count")
plt.title("PSM Score Distribution")
plt.legend()
plt.savefig("score_distribution.png", dpi=150)