MSConvert

定义

MSConvert是ProteoWizard项目提供的数据转换工具,作用是把质谱仪厂商的专有格式文件翻译成开放格式。ProteoWizard本身是一套面向蛋白质组学数据分析和相关应用开发的工具与程序库集合,MSConvert是其中面向文件格式转换的组件。^[2][3]

它有两个使用入口:带图形界面的MSConvertGUI,以及不带界面但选项更多的命令行程序msconvert。命令行版本可以在批处理脚本中调用,便于一次转换大批文件,也更容易自动化。^[4]

原理

质谱仪采集到的数据以厂商自定义的二进制结构保存,内部结构不公开,不同品牌之间互不兼容。MSConvert通过读取各厂商提供的软件开发库来解析这些文件,再按开放格式规定的数据结构重新写出。它依赖的读取库包括安捷伦的MassHunter数据访问组件库、沃特世的原始数据访问组件库、布鲁克的CompassXtract、赛默飞的MSFileReader库以及爱博才思的WIFF读取库等。^[3][5]

转换过程中的数据处理由一系列过滤器完成,过滤器按添加顺序依次作用。常用的过滤器包括:peakPicking用于把剖面数据转换成质心峰列表,msLevel用于只保留指定级数的谱图,threshold按强度阈值筛峰,zeroSamples用于删去连续为零的采样点,lockmassRefiner用于对沃特世数据进行锁质量校正,还有可以把重叠的数据非依赖采集窗口拆分还原的Demultiplex过滤器。过滤器的位置有讲究,peakPicking通常必须排在列表首位,否则可能被换用其他算法。^[5][4][6]

输出的二进制编码位数可以单独设置,默认m/z按64位、强度按32位编码。文件体积还可以用zlib压缩减小;若使用msNumPress库的压缩选项,则会产生精度损失。命令行形式大致为在msconvert后接输入文件与若干选项和过滤器参数,例如指定输出格式、输出目录或配置文件。^[4][7][8]

发展历程

ProteoWizard项目的早期工作在2008年前后已经发表,由Kessner、Chambers、Burke、Agus和Mallick等人介绍了这套用于快速开发蛋白质组学工具的开源软件。2012年,Chambers等人又在《自然·生物技术》上撰文,把ProteoWizard描述为一套跨平台的质谱与蛋白质组学工具包,标志着项目从早期原型进入较为成熟的阶段。^[2]

ProteoWizard此后长期维持3.x系列版本,并同时提供稳定版与更新更频繁的每夜构建版。后者对新仪器格式的读取支持往往更及时,但测试程度较低;在遇到某些仪器数据处理异常时,换用较新的每夜构建版是一种常见做法。^[2][9]

随着容器化部署方式普及,社区出现了若干把msconvert封装进Docker镜像的第三方工具,以便在命令行或图形界面中直接调用,并支持多文件并行转换。这说明该工具的调用方式已从单一的Windows桌面程序扩展为可嵌入各类分析流程的组件。^[10][11]

应用

最典型的用法是把厂商原始文件统一转成mzML。美国国家标准与技术研究院在介绍其DIMSpec工具的操作文档中明确要求,所有文件都必须先转成mzML才能进入后续分析,并推荐使用ProteoWizard中的MSConvert完成这一步。该文档列出当时可转换的厂商格式,包括赛默飞的.raw、沃特世的.raw、爱博才思的.wiff2、安捷伦的.D、岛津的.LCD以及布鲁克的.D。^[5]

在代谢组学与蛋白质组学的公共数据平台上,MSConvert同样被列为推荐的转换工具。全球天然产物社会分子网络及其后续平台只接受mzXML、mzML和MGF三种格式,并对爱博才思、安捷伦、赛默飞、岛津等厂商的数据明确推荐使用MSConvert,沃特世的全扫描与数据依赖采集数据也同样适用。^[1][12]

除转换格式外,MSConvert也可以被软件直接调用作为数据读取层。赛默飞与沃特世等供应商的应用文档提到,某些软件会借用MSConvert的数据访问库直接读取数据,而不必先落盘成中间文件。^[13]

由于原始数据格式的读取依赖厂商库,这类转换在多数情况下只能在Windows上进行,一些教程建议直接在连接仪器的采集电脑上完成转换。使用Wine模拟层在Linux环境下运行命令行转换有过成功的尝试,但不同厂商格式的支持情况并不一致。^[14]

局限

对各厂商格式的支持程度并不均衡。赛默飞和安捷伦仪器的支持比较完整;布鲁克支持较为稳健,但部分型号在输出峰剖面而非峰列表时存在问题;爱博才思的库不允许工具推断母离子电荷,峰列表也只有基本的质心峰;沃特世数据的读取长期存在障碍,当时的程序库无法提供沃特世峰列表、母离子电荷推断和谱图累加功能。这些问题意味着转换并非在所有场景下都能完全替代厂商自带软件。^[15]

转换还会造成信息损失。厂商原始文件往往包含大量仪器运行参数,例如赛默飞的RAW文件中有数百项电压、压力和流速等参数,转换过程通常不会把这些内容全部提取出来;mzML标准虽然设计上能容纳几乎任何元数据,但MSConvert所用的数据访问接口无法对全部厂商文件取到所有字段,因此mzML并不是厂商文件的完整等价物。原始厂商文件仍有存档价值。^[15]

体积与数据完整性之间也存在取舍。质心化是一种有损操作,它用每个峰的一个代表点替代多个采样点,可能使推断出的m/z发生偏移,也会影响定量结果;使用msNumPress压缩同样有损。32位编码与zlib压缩虽然不损失数据,但并非所有软件都能读取zlib压缩后的文件,在批量转换前需要先在自己的分析流程上做测试。^[15]

参见

• mzML —— MSConvert最主要的输出格式,也是质谱数据的社区开放标准。

• ProteoWizard —— MSConvert所属的工具与库集合,提供其厂商格式读取能力。

• 质心化 —— 转换中常用的peakPicking过滤器所做的处理,把剖面数据压缩为峰列表。

• 质谱 —— MSConvert所处理数据的来源与分析对象。

• 蛋白质组学 —— MSConvert使用最集中的领域之一。