如何用xcms轻松完成代谢组学数据分析：新手零基础入门

如何用xcms轻松完成代谢组学数据分析：新手零基础入门

【免费下载链接】xcmsThis is the git repository matching the Bioconductor package xcms: LC/MS and GC/MS Data Analysis项目地址: https://gitcode.com/gh_mirrors/xc/xcms

凌晨一点，实验室的灯还亮着。你面前躺着二十多个质谱数据文件，是攒了三个月才测完的样本——只差最后一步：从这堆原始数据里找出那些有意义的代谢物信号。可数据一打开，满屏的峰和数字让你无从下手。这正是无数代谢组学新手的共同困境：仪器会测、样本会跑，唯独不知道数据到手后该怎么办。好消息是，有一个叫 xcms 的 R 语言工具包，专门解决这个问题。它是 Bioconductor 平台上的明星包，负责 LC-MS/GC-MS 质谱数据的完整预处理与分析。这篇文章不跟你讲理论，而是带你从"对着数据发懵"一路走到"拿到第一张可发表的特征表格"。

先别急着安装：你手里握着的到底是什么数据

想象你收到一封快递，里面是一百张没有标注的风景照，散落一地。你要做的不是去欣赏每张照片，而是把它们按"拍摄地点"和"拍摄时间"整理成册。质谱数据同理：每一次扫描（scan）就是一张"照片"，它记录的是某个时间点、某个质荷比（m/z，即质量与电荷的比值，相当于物质的"身份证号"）下检测到的信号强度。一整份样品文件，就是一部由几百上千张"照片"连成的"影片"。

代谢组学数据分析，说白了就是把几十部这样的"影片"对齐、整理，找出哪些代谢物在疾病组和对照组之间存在差异。而 xcms 干的正是这件事。它不是让你逐张看照片，而是自动完成三类核心整理工作——找出峰、校正漂移、跨样本配对。理解了这一点，你就能理解它所有函数存在的意义。

核心三连，用生活场景读懂 xcms 的工作流

xcms 的预处理可以用一个"整理相册"的故事讲明白：

第一步，挑出值得留的照片（峰检测）。原始数据里噪声多、信号杂。xcms 用findChromPeaks()找到那些形如小山的色谱峰——就像你从一百张照片里挑出构图清晰、主体明确的那几十张。峰的高度和面积，就是代谢物的相对含量。

第二步，按时间轴排序（保留时间校正）。不同批次测样，色谱柱状态略有差异，同一代谢物的出峰时间会前后漂移零点几秒到几十秒。这就像同一景点在不同照片里位置略有偏移，直接比对会张冠李戴。adjustRtime()负责把所有样品的"时间轴"拉齐。

第三步，把同一人跨照片配对（峰值对齐）。时间校正之后，groupChromPeaks()会把不同样品中 m/z 相近、保留时间一致的峰归并成同一个"特征"（feature），相当于确认"这张照片里的人是三号照片里那个人"。最终你用featureDefinitions()就能拿到一张特征表格，每一行是一个代谢物信号，每一列是一个样品。

跑通第一次分析，你需要准备什么

工欲善其事，先装两个包。在 R 控制台里依次执行：

install.packages("BiocManager") BiocManager::install("xcms")

装好之后，连示例数据都不用自己找。xcms 自带了一个小鼠脊髓的代谢组学小数据集（faahKO，含基因敲除组与野生组），用loadXcmsData()一条命令就能载入，示例数据的说明写在源码 R/loadXcmsData.R 的注释里。它是你练习的绝佳素材。

人生第一个最小分析闭环

跟着下面这段代码走一遍，你就能拿到第一份结果。先不要纠结每个参数是什么意思，跑通再说：

library(xcms) # 载入自带示例数据（含已检测出的峰） faahko_sub <- loadXcmsData("faahko_sub2") # 把样品归为同一组（这里只做演示，真实分析要按实验分组填） pdp <- PeakDensityParam(sampleGroups = rep(1, 3)) res <- groupChromPeaks(faahko_sub, param = pdp) # 查看特征数，以及第一张特征表 length(featureDefinitions(res)) featureDefinitions(res) |> head()

注意代码里的PeakDensityParam：xcms 有个很有意思的设计——几乎每个主函数都配一个"参数对象"，你想用哪种算法、把阈值调到多少，都通过这个对象传入，函数本身保持简洁。比如峰检测用CentWaveParam()，时间校正常用PeakGroupsParam()，对齐用上面的PeakDensityParam()。想了解每个参数的含义，随时在 R 里敲?CentWaveParam查帮助文档。

怎么判断结果对不对，新手最容易栽的坑

拿到特征表格只是开始，判断结果靠不靠谱才是真本事。这里有三个新手最容易踩的坑：

坑一：把峰面积当绝对浓度。质谱信号强度受电离效率、基质效应影响，峰面积只代表"相对含量"，对比的前提是同一特征在不同样品间可比，而不是跟别的特征比大小。

坑二：盲目相信默认参数。CentWaveParam()里的peakwidth（峰宽范围）和snthresh（信噪比阈值）高度依赖你的仪器和色谱方法。默认值能跑通，但不一定适合你的数据。建议先拿一个样品的提取离子色谱图试跑，肉眼确认检出的是真峰而不是噪声毛刺。

坑三：忽略minFraction的含义。对齐时这个参数决定"特征至少要在百分之多少的样品中出现"。设得太低，会混入大量只在个别样品中出现的噪声峰；设得太高，又会丢掉真实存在的低丰度代谢物。它是特征表质量的关键旋钮。

判断结果是否可靠，最朴素的办法是抽查：随机挑几个特征，用chromatogram()把对应样品的原始色谱图画出来，亲眼确认峰形是否完整、是否真的对齐。

提速技巧：按性价比排序的优化清单

数据量大跑得慢？按下面顺序优化，前两条通常立竿见影：

1. 开启并行计算（最有效）。xcms 配合 BiocParallel 包，一行register(bpstart(MulticoreParam(4)))就能让峰检测等步骤多核并行。背后的原因是：每个样品的峰检测彼此独立，天然适合并行。
2. 先用小数据试参（次有效）。别拿全部样品调参。用filterFile()抽 1~2 个文件试跑，参数确定后再全量跑。调参失败浪费的时间通常比试跑多得多。
3. 裁剪分析范围。用filterRt()和filterMz()去掉进样死体积、梯度末尾等无用区域，减少数据量。
4. 关闭不必要的输出。不需要 QC 图时别让每个步骤都出图，I/O 开销同样吃时间。

出错自查清单：高频错误与补救方法

如果调试时想搞清楚某个函数内部到底做了什么，别怕翻源码。项目根目录下的 R/ 目录按功能拆分了所有源码文件，比如峰检测逻辑在 R/do_findChromPeaks-functions.R，对齐逻辑在 R/do_groupChromPeaks-functions.R，底层 C 语言算法在 src/ 目录。逐行读懂不现实，但对照着理解"输入什么、输出什么"就够用了。

跑通之后，往哪里走

第一次完整跑通预处理链，你已经超过了大多数还没开始的人。接下来有三条路可以并行推进：一是吃透参数，完整阅读项目自带的官方教程 vignettes/xcms-lcms-ms.Rmd，它演示了从读取数据到特征提取的完整流程；二是把教程换成你自己的数据，建立属于自己的标准分析流程；三是进阶学习下游分析，比如用 vignettes/LC-MS-feature-grouping.Rmd 里的方法做特征分组与统计检验，把"特征表"变成"差异代谢物名单"。

数据分析这件事，最难的从来不是工具，而是从"不敢跑"到"跑起来"的那一步。你的第一批代谢物特征，就在下一次loadXcmsData()之后等着你。✨

【免费下载链接】xcmsThis is the git repository matching the Bioconductor package xcms: LC/MS and GC/MS Data Analysis项目地址: https://gitcode.com/gh_mirrors/xc/xcms