在profile 模式下产生的质谱数据，特定离子的信号通常分布在离子真实m/z值周围。这种信号的准确性依赖于仪器的分辨率和设置。profile模式数据可以处理成centroid数据，只保留一个单一的、有代表性的值，通常是数据点分布的局部最大值。某些算法，如LC-MS实验xcms包中用于色谱峰检测的centWave函数或蛋白质组学匹配MS2光谱和多肽的搜索引擎，要求数据为centroid模式。
可以使用MSconvert在将数据转化为centroid模式
不同版本的MSconvert转换结果会略有差异。
但是MSconvert软件转换往往存在耗时特别长，转换不成功等问题。此外，也可以通过MSnbase包的pickPeaks函数实现转换，该方法对单个光谱(Spectrum实例)或整个实验(MSnExp实例)进行峰挑选，以创建中心光谱。
质谱的centroid 模式会使得检出来的二级质谱更多。
library(xcms)
library(magrittr)
1 载入数据
data_raw <- readMSData("pos_20211-fa-51.mzML", mode = "onDisk")
判断数据是否已是centroid模式
dda_data@featureData@data$centroided
dda_data@featureData@data$smoothed
#[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#[8] FALSE FALSE FALSE FALSE FALSE FALSE FALSE
2 转化为centroid模式
主要通过pickPeaks函数完成。
参数refineMz有"kNeighbors","descendPeak","none"（默认）3个选项。
kNeighbors通过加权平均计算最接近真实m/z；
descendPeak峰值区域通过从两侧确定的质心/峰值下降，直到测量信号再次增加来定义。在该定义区域内，强度至少为质心强度百分比的所有测量值用于计算精确的m/z。
2.1 分别使用3种方式
data_cent <- data_raw %>%
pickPeaks(refineMz = "descendPeak")
data_sc<- data_raw %>%
smooth(method = "SavitzkyGolay", halfWindowSize = 4L) %>%
pickPeaks(refineMz = "descendPeak")
data_cs<- data_raw %>%
pickPeaks(refineMz = "descendPeak") %>%
smooth(method = "SavitzkyGolay", halfWindowSize = 4L)
3 提取XIC图
设定保留时间和质荷比的范围
##尿素
#rtr <- c(250, 290)
rtr <- c(570, 590)
#mzr <- c(60.5, 61.5)
mzr <- c(118.0, 118.2)
可视化
data_raw |>
filterRt(rt = rtr) |>
filterMz(mz = mzr) |>
plot(type = "XIC")
data_cent %>%
filterRt(rt = rtr) %>%
filterMz(mz = mzr) %>%
plot(type = "XIC")
data_sc %>%
filterRt(rt = rtr) %>%
filterMz(mz = mzr) %>%
plot(type = "XIC")
data_cs %>%
filterRt(rt = rtr) %>%
filterMz(mz = mzr) %>%
plot(type = "XIC")
发现centroid化后，背景噪音大大减少。
4 检测峰（features）
cwp <- CentWaveParam(snthresh = 5, noise = 100, ppm = 14,
peakwidth = c(1, 30))
peak1 <- findChromPeaks(data_raw, param = cwp)
#Detecting mass traces at 14 ppm ... OK
#Detecting chromatographic peaks in 13498 regions of interest ... OK: 4124 found.
peak2 <- findChromPeaks(data_cent, param = cwp)
#Detecting mass traces at 14 ppm ... OK
#Detecting chromatographic peaks in 1996 regions of interest ... OK: 298 found.
peak3 <- findChromPeaks(data_sc, param = cwp)
#Detecting mass traces at 14 ppm ... OK
#Detecting chromatographic peaks in 1412 regions of interest ... OK: 364 found.
peak4 <- findChromPeaks(data_cs, param = cwp)
#Detecting mass traces at 14 ppm ... OK
#Detecting chromatographic peaks in 1828 regions of interest ... OK: 202 found.
可见centroid化后，检测出的杂峰大大减少，减少了91%。
比较对一级谱图的影响
par(mar=c(6,3,6,3))
plot(data_raw[[3737]],data_cent[[3737]])
比较对二级谱图的影响
plot(data_raw[[3739]],data_cent[[3739]])
转化为centroid模式后，无论是一级质谱还是二级质谱，杂峰明显减少。centroid化，其实是将质谱数据“减肥”的过程。转化后的数据可以用于后续分析，也可以保存。
writeMSData(dda_data, file = "dda_data.mzML")
如果不知道质谱数据是否为centroid模式可以通过featureData@data[["centroided"]]查看。
多个样本
data_cent <- data_raw %>%
pickPeaks(refineMz = "descendPeak")
或
data_cent <- data_raw %>%
smooth(method = "MovingAverage", halfWindowSize = 2L) %>%
pickPeaks(refineMz = "descendPeak")
参考资料：
Bioconductor - MSnbase
MSnbase: centroiding of profile-mode MS data (bioconductor.org)
MSnbase: MS data processing, visualisation and quantification • MSnbase (lgatto.github.io)
