【评论】当前质谱数据挖掘的四个严重误区

极近几年，常常评审做蛋白和多肽质谱数据挖掘的论文，作者不乏知名生物信息学团队，他们提出了许多“质谱数据挖掘新框架”，也有一些人提出了一些“新算法”，这些思想的核心都是基于“数值分析”，采用数学和统计学原理对数据进行各种处理。

归纳起来，存在以下四个方面的严重误区，在此妄自评论一下，供大家商榷，欢迎批评指正。

他们的思路中极大的误区是：没有把质谱数据跟蛋白/多肽质谱峰关联起来。一张质谱数据点中只有一小部分是真正的蛋白或多肽，其它就是背景信号或噪音。比如，一张质谱图中的蛋白或多肽不到100个，数据点有15155个，其中有大量背景信号、干扰信号，尤其还可能有同位素信号，因此，在算法研究时，质谱数据区间是不可以随意设定的，也应该排除同位素峰。

做算法研究必须提取出真正的蛋白或多肽质谱信号，而不是数据点优化来进行临床样本判断，否则结果很可能是不真实的，起码不能对应到具体的生物标志物。

第二，对齐图谱存在明显误区。对于标志物的挖掘，必须采用大量数据，此时，m/z坐标对齐是个严格的专业性问题，用于对齐的参考峰首选真正的蛋白或多肽峰，不可随意指定。

第三，对数据库的判别也存在许多误区。许多人采用网上的公共数据集，但对于那些数据的理解常常缺少质谱专业人员的协助，所以，很少能真正理解那些质谱数据，有的甚至分不清哪些是高精确质量数据，哪些是低精确质量数据，这对于数据后续处理是极其关键的。

第四，结果复核存在误区。一般人都是把显著差异的m/z作为分类判据，很少有人去复核这些m/z是不是蛋白或多肽峰，用这样的数值去进行临床判断，就会走进“纯数值诊断”的误区，而不是采用真正的标志物了。

【wkh, 2012-08-30 17:51:19】 【责任人 wkh】 [已阅读 1690 次]