蛋白质组学里的空格,一半不是零

导语
做完一轮 DIA 定量,导出蛋白矩阵,打开一看:两千多个蛋白,空格占了一到三成。大多数人的下一个动作是选一个填补方法,把空格填掉,然后跑差异分析。问题在于,这些空格有三种完全不同的来历,而填补方法只对其中一种讲道理。选错了,后面每一张火山图都在为一个不存在的前提作证。

一、三种缺失,机制完全不同

统计学上把缺失分成三类,蛋白质组学里三类都齐。

完全随机缺失最少见,多来自运行故障、随机丢帧、进样针偶发问题。它不携带信息,填不填影响都不大。

随机缺失(条件于可观测变量)指的是:某些样本整体上样量低、总蛋白少,导致它的低丰度蛋白系统性缺失。这类缺失可以由其他观测到的变量预测,所以用近邻、随机森林、线性模型去填补是合理的。

非随机缺失是主角:丰度越低越容易缺,缺的原因就是「低于检测限」。这是左删失数据,填补时不能从整体分布中间取一个值,而要从低端分布里采样。

关键在于,同一张矩阵里往往三种并存。而且采集方式会改变比例:DDA 靠强度阈值挑母离子,缺失更偏非随机;DIA 采全部窗口,缺失率下来了,但剩下的仍与低信号、干扰、打分阈值有关。所以「DIA 解决了缺失值问题」这个说法只对了一半——它减少了数量,没有改变性质。

还有一层容易忽略:质谱的「零」其实是有刻度的。信号从噪声水平到定量下限之间,仪器并不是没有读数,而是读数不可靠。多数流程把这一段直接记成空,于是「低」被压成了「无」。这也是为什么同一批样本换个上样量,缺失率会整体变一个样——缺失率不是样本的固有属性,而是「样本加方法」的共同属性。

二、「最优填补法」是个伪问题

2016 年的一篇方法学文章把这件事讲得很直接:他们比较了多种填补策略,发现一个被公认为「表现较差」的方法(比如按列最小值或均值填),只要机制匹配、且放在流程中正确的位置(肽段层聚合之前还是蛋白层之后),可以打败一个被公认为「更好」的方法被盲目使用的结果。

结论不是「随便填都行」,而是:方法排名不重要,机制判断加位置才重要。同一份数据,先填补再聚合与先聚合再填补,得到的差异蛋白列表可以差出可观的一截。

一个简单的自检:看缺失是不是与分组相关。如果某个蛋白只在病例组大量缺失、对照组几乎都有,那么填补会把真实差异抹平,删除又会把差异放大成极端值——两条路都会给出一个看起来很像结论的东西。

三、删除、填补,还是把缺失当成信息

三种处理对应三个不同的科学问题,混用是大多数错误的来源。

  • 全缺失过滤:设定「至少在多少比例的样本中有值」的门槛,保留核心蛋白。适合描述「稳定存在的蛋白组骨架」,不适合找差异。
  • 填补:适合定量比较,但必须报告填补比例,并做一次「不填补」的敏感性分析。
  • 缺失模式本身作为变量:把「有/无」当作表型,比如某蛋白只在耐药株出现。

第三种最容易被误用。因为「低于检测限」与「完全不表达」在质谱上无法区分,一个只在部分样本出现的蛋白,可能是低丰度、可能是样本量不足、也可能是真的没有。把它当作「开关」需要正交证据,通常是靶向方法。

最危险的操作是混合规则:一部分蛋白填补、一部分删除、一部分按存在缺失分析,而不同组用了不同规则。这时组间比较已经不对称,统计量再漂亮也不成立。

四、四个必须写进方法段的数字

审稿与复现的角度,缺的往往不是方法名,而是几个数字。

  • 每个样本的鉴定数,而不是平均值。
  • 缺失率矩阵,以及按组的缺失率差异。
  • 填补方法与比例,以及在哪个层级填补。
  • 转换顺序:先取对数再填补,还是先填补再取对数,两者能差出一个数量级。

还有两个常被省略的细节。归一化:中位数归一化在缺失比例高时会偏,用高完整度蛋白子集做归一化更稳。批次:上样顺序是否随机化、QC 样本是否插入、DIA 用的谱图库是哪一版。软件默认值也不同,Perseus、MaxQuant、DIA-NN、MSstats 对缺失与归一化的处理各有假设,版本与参数必须写出来,否则别人复现不出来不是因为他们笨。

五、给做药与做标志物的人

发现阶段与验证阶段对缺失值的容忍度完全不同。

发现阶段可以用填补后的矩阵找候选,但填补后的 p 值不能直接带进验证队列。生物标志物要成为检测项目,前提是单一蛋白、可重复、跨平台可比;一个只在 30% 样本测到的蛋白,即便 p 值小于 0.001,也很难做出可用的免疫检测——因为你在质谱上遇到的检测限问题,会原样出现在抗体上。

比较稳的路径是尽早把候选转成靶向方法(MRM/PRM,或直接上免疫法)。转过去之后,缺失值问题就变成了检出限与定量限问题,而那一套是有标准可依的,比如 CLSI EP17 系列对检出能力的定义。换句话说:把「缺不缺」翻译成「多低能测到」,问题才从数据清洗变成方法学。

边界也要说清。本文讨论的是非标记定量与 DIA。TMT、iTRAQ 这类标记定量的缺失机制不同,主要来自低信噪比与比值压缩,处理逻辑不能照搬。

缺失值不是数据的瑕疵,它是检测方法对「低丰度」这件事的表态;你填进去的那个数,其实是你替仪器做的一个决定。

参考资料

  1. Lazar C 等。按缺失机制区分并比较非标记定量蛋白质组学的填补策略。《Journal of Proteome Research》2016 年第 15 卷第 1116–1125 页。https://pubmed.ncbi.nlm.nih.gov/26906401
  2. Cox J、Mann M。MaxQuant 与高分辨质谱的定量蛋白质组学。《Nature Biotechnology》2008 年。https://pubmed.ncbi.nlm.nih.gov/?term=Cox+Mann+MaxQuant+quantitative+proteomics
  3. Tyanova S 等。Perseus 计算平台。《Nature Methods》2016 年。https://pubmed.ncbi.nlm.nih.gov/?term=Tyanova+Perseus+computational+platform
  4. Demichev V 等。DIA-NN:数据独立采集的深度神经网络分析。《Nature Methods》2020 年。https://pubmed.ncbi.nlm.nih.gov/?term=DIA-NN+Demichev
  5. Choi M 等。MSstats 差异丰度分析。《Bioinformatics》2014 年。https://pubmed.ncbi.nlm.nih.gov/?term=MSstats+Choi+differential+abundance
  6. 美国临床和实验室标准协会。EP17 检出能力与定量限评价方案。https://clsi.org/standards/products/method-evaluation/documents/ep17/

本文用于行业信息交流,不构成方法学强制建议;具体数据处理流程请结合平台验证数据与实验室 SOP。

特别声明

1、本页面内容包含部分的内容是基于公开信息的合理引用;引用内容仅为补充信息,不代表本站立场。

2、若认为本页面引用内容涉及侵权,请及时与本站联系,我们将第一时间处理。

3、其他媒体/个人如需使用本页面原创内容,需注明“来源:[生知库]”并获得授权;使用引用内容的,需自行联系原作者获得许可。

4、投稿及合作请联系:info@biocloudy.com。