质谱数据存储格式调研
核心内容
本文档对质谱数据的几种主要存储格式进行了调研和对比，涵盖 Waters RAW、mzML、mzXML、mzData 四种格式的技术细节。
各格式要点
1. RAW 格式（Waters 私有格式）
- 性质：安捷伦自定义的私有格式，不开放
- 结构：MS 文件头（固定 766 字节）+ MS Data 数据块
- 文件头内容：
- 文件标识（仪器名称如 GCMS/LCMS）
- 测量类型说明、文件信息（MD5/SHA-1 加密校验）
- 操作员信息、测量时间、仪器说明
- 色谱数据起止地址、色谱点数、测试起止点
- 数据块：每个色谱点对应一幅质谱图，存储质荷比(m/z)和相对丰度
- 缺点：不开放，不利于数据共享和交流
2. mzML 格式（新标准）
- 诞生背景：2008年前后，由 HUPO-PSI 赞助，整合 mzData 和 mzXML 优点
- 原命名：“data XML”
- 核心设计：层次结构标签标识质谱仪器数据关系
- 关键节点：
CvList：控制节点，存储控制字，定义数据模型FileDescription：图谱信息（色谱、质谱、光谱）SampleList：样品信息（浓度、稀释倍数）InstrumentConfigurationList：仪器配置（采样方法、离子源温度、检测器）SoftwareList/DataProcessingList：处理软件信息Run：核心节点，存储谱图数据Spectrum：存储保留时间、谱图参数，Base64 编码Chromatogram：质谱数据，Base64 编码
3. mzXML 格式（ISB-SPC 标准）
- 性质：开放式 XML 数据模型，灵活、开放
- 特点：数据模型严格，节点功能固定，存储类型多样
- 关键节点：
ParentFile：存储支持文件序列，通过 URI 链接索引MsInstrument：仪器配置（组件类型、性能、分析软件）DataProcessing：数据处理流程（去噪、质心化、寻峰、平滑）Spotting：MALDI 相关信息Scan：核心节点，存储质谱数据（m/z-int 比，Base64 编码）
- Scan 节点字段：Num、MsLevel、PeaksCount、ScanType、RetentionTime、StartMz、EndMz、LowMz、HighMz、BasePeakMz、BasePeakIntensity、TotIonCurrent、Peaks
4. mzData 格式
- 特点：控制字区分设备和实验设计参数
- 控制字类型：
- 控制字参数：根据仪器信息、质谱方法等决定，相对固定
- 用户参数：完全由用户决定（操作员信息、时间等）
- 优点：灵活性和可扩展性高
- 缺点：
- 未限定控制字编码方式，可能导致解码错误
- 缺少索引项，无法随机读取任意谱图
- 应用受限
关键结论
| 格式 | 开放性 | 灵活性 | 互操作性 | 主要问题 |
|---|---|---|---|---|
| RAW | 私有 | 低 | 差 | 不开放，数据共享困难 |
| mzML | 开放 | 高 | 好 | 新兴标准，正在推广 |
| mzXML | 开放 | 中 | 好 | 模型较复杂 |
| mzData | 开放 | 高 | 中 | 缺少索引，随机访问困难 |
可行动点
- 质谱数据分析系统应优先支持 mzML 格式作为交换标准
- 对于旧版 RAW 数据，考虑开发转换工具导出为 mzML/mzXML
- 评估 mzML 作为长期数据存储格式的可行性