基于数据的滤波方法，用于消除飞行时间质谱中检测器振荡伪影

《Analytical Chemistry》：Data-Driven Filter for Detector Oscillation Artifacts in Time-of-Flight Mass Spectrometry

　　高分辨率图像下载 MS PowerPoint 幻灯片

飞行时间质谱（TOF-MS）因其能够检测单个样本中的数千种化合物而广泛用于复杂混合物的分析。然而，高强度离子可能会使检测器饱和并产生伪迹，通常称为“检测器振荡”。这些伪迹类似于真实的质谱特征，并且在组分分离后仍然存在，从而复杂化了数据解释和特征优先级排序。在这里，我们介绍了一种数据驱动的过滤方法，该方法利用检测器振荡的时域特性来去除这些伪迹。由于离子飞行时间与 m/z 成正比，检测器响应中的振荡表现为具有恒定 m/z 延迟的伪迹特征，提供了一种与离子源条件和色谱或离子迁移率分离无关的通用检测标准。该工作流程在来自多个仪器平台的 GC-、LC- 和离子迁移率联用 TOF-MS 数据集上进行了评估，识别并去除了高达 5.3% 的特征。跨仪器比较显示，Δm/z 间隔不仅恒定，而且与仪器和极性无关，这表明其在数据取证和可追溯性方面具有潜在应用。

为了评估更广泛的相关性，该过滤器被应用于 MassBank 和 NIST DART-MS 法医碎片化质谱库。尽管相对于库的大小来说，发生率较低（1.7%），但仍有超过 1000 个质谱被暂时识别为包含振荡伪迹。通过它们的 Δm/z 对这些光谱进行聚类，有效地按 TOF-MS 平台对数据进行了划分，揭示了不同库和贡献者之间的明显分组。通过专门针对检测器产生的伪迹，该工作流程减少了误报，并提高了特征优先级排序和化合物识别的准确性，增强了基于 TOF-MS 的化学分析的稳健性。

质谱（MS）是分析复杂（生物）化学混合物的首选方法，这得益于其高灵敏度、高通量和广泛的化学覆盖范围。这些优势已经改变了诸如蛋白质组学、(1) 代谢组学、(2,3) 和环境筛查、(4) 等非靶向领域，这些领域依赖于从单个样本中检测大量化合物。在这些应用中，飞行时间（TOF）质谱仪起着关键作用。(5) 其快速的数据采集允许与毛细管电泳、液相色谱（LC）、气相色谱（GC）和离子迁移率谱（IMS）等分离技术结合使用，从而进一步提高分析灵敏度和特异性。

TOF-MS 系统可以生成包含数万个质谱信号的大型数据集，这些信号通常由 m/z、色谱保留时间和离子迁移率来表征。为了简化解释，这些特征通常会被分组，因为一个感兴趣的化合物可能会产生多个信号，包括同位素（例如 12C 和 13C）、加合物（例如 [M+H]+ 和 [M+Na]+）和源内碎片（例如 [M–H]? 和 [M–H–H2O]?）。(6,7) 这种组分分离依赖于洗脱曲线和预期质量差异的相关性，有效地减少了冗余并简化了下游分析。(8) 然而，即使在组分分离之后，仍然有许多信号存在，使得相关特征的优先级排序成为一个持续的挑战。(9) 此外，虚假的 MS 信号可能由电子效应引起，从而复杂化数据解释。在 TOF 质谱仪中，单个质荷比（m/z）下的高离子丰度可能会暂时使微通道板（MCP）检测器过载，导致检测器输出中出现短暂的振荡，通常称为振荡。(10?12) 这些振荡通过读出电子设备传播，并在质谱中表现为一系列在较高表观 m/z 值处的低强度信号（图 1a）。在质心校正和转换为特征表后，这些伪迹可能会被误认为是真实的分析物特征。尽管诸如样品稀释或降低检测器增益等策略可以减轻振荡的发生，但这些方法需要重新注入样品，并可能影响低丰度物种的检测。

图 1
(a) [(C2H6SiO)6–CH4+H]+ 离子的质谱及其 M+1 到 M+4 同位素，以及其振荡伪迹。用彩色箭头标记的峰是基于共洗脱现象标记的。(b) 基于共洗脱现象分组的 MS 特征之间的 m/z 差异。彩色箭头对应于顶部面板中标记的峰。(c) 在时域中表示的分组 MS 特征。着色基于识别的中心和 99% 的置信区间。(d) 分组特征的 Δm/z 间隔的轮廓图，用于标注振荡，局部峰最大值用圆圈标记。

作为替代方案，已经提出了基于数据处理的过滤方法，使用 (Kendrick) 质量缺陷图(13,14)，该方法利用振荡伪迹的不寻常质量缺陷。这种方法对于元素组成复杂度有限的光谱（如碎片化质谱(13) 或聚合物光谱(14)）是有效的。(14) 然而，随着元素组成的多样性增加，质量缺陷的变化也增加，使得区分伪迹和真实信号变得越来越困难。这限制了基于质量缺陷的过滤在化学复杂非靶向领域的适用性，在这些领域中对稳健的特征过滤有很高的需求。

在这项工作中，我们介绍了一种普遍适用的、数据驱动的方法，用于过滤飞行时间质谱数据中的检测器振荡伪迹。该方法利用了检测器振荡起源于时域的事实，从而在相应的 m/z 值中产生系统性和可重复的模式。基于这些模式，可以像组分分离同位素、加合物和源内碎片一样过滤伪迹特征。该方法在包含不同分离技术、电离极性和来自多个供应商的 TOF 质谱仪的多个数据集中得到了验证。最后，我们展示了振荡伪迹在碎片化质谱中也很普遍，并且可以利用它们的特征模式来推断单个光谱的仪器来源。

方法
计算
伪迹过滤器是在 Python（版本 3.13）中使用标准科学计算库（包括 NumPy、SciPy 和 pandas）实现的。工作流程如图 2 所示，旨在处理从供应商软件导出的质心校正的 MS 特征表和来自光谱库的碎片化光谱，以识别和去除检测器振荡伪迹。为了提高可访问性，开发了一个基于 Streamlit 的 Web 应用程序，使用户能够通过直观的图形界面上传数据集并应用过滤工作流程。该应用程序托管在 https://filter4ringing.streamlit.app，源代码可在以下仓库中找到：https://github.com/kashout/filter4ringing。

图 2
基于 MS 特征表检测和过滤 TOF-MS 振荡伪迹的工作流程。

高分辨率图像下载 MS PowerPoint 幻灯片

数据集
为了评估不同分析环境下的工作流程，分析了来自多个 TOF-MS 数据集的特征表。这些数据集在样品基质、分离技术、电离极性和仪器平台方面有所不同，具体描述如下：

聚合物数据集
该聚合物数据集尚未发表，包含一系列（n = 90）人血和程序空白样品，其中添加了聚合物分散体，并按照微塑料和纳米塑料分析的通用程序进行了提取。(15?17) 样品使用热解（Py）与 GC 和循环离子迁移率–TOF-MS 结合进行分析。分析使用了带有热解模块的 Gertel 热脱附单元、Agilent 8890 气相色谱仪和 Waters cIMS-TOF-MS，后者在“V”模式下运行，并配备了正极性的大气压化学电离（APCI）源。特征提取、对齐和组分分离使用 Progenesis QI（Nonlinear Dynamics）进行，得到了包含 35,628 个 MS 特征的特征表。关于 Py-GC-APCI(+)-cIMS-TOF-MS 平台的完整操作细节在其他地方有描述。(17)

水数据集
水数据集包括地表水（n = 5）和地下水（n = 5）样品的提取物，以及 2024 年 12 月在加拿大纽芬兰圣约翰斯国际机场附近收集的一个现场空白样品。使用预处理的 1 L 瓶子进行收集，将 500 mL 样品调整至 pH 6.3 ± 0.1，并使用弱阴离子交换柱（Oasis WAX 6 cm3）进行固相提取（SPE）。SPE 柱子用 12 mL 的 0.1% 氢氧化铵在 1:1 MeOH:EtOAc 中预处理，加载 500 mL 样品，用醋酸铵缓冲液（pH 7.5）洗涤，然后用 8 mL 的 0.1% 氢氧化铵在 1:1 MeOH/EtOAc 中洗脱。提取物浓缩至 625 μL 的 MeOH:H2O（80:20）混合物，并使用与聚合物数据集相同的 Waters UHPLC 与负极性电喷雾电离（ESI(?)）接口的 cIMS-TOF-MS 仪器进行分析。分离使用 Raptor C18 柱（100 mm × 2.1 mm × 1.8 μm）进行，流动相 A 为水（HPLC 级），流动相 B 为有机相（HPLC 级），包含 0.1% 甲酸。洗脱速率为 0.2 mL/min。初始组成 95% A 保持 4 分钟，然后逐渐增加到 5% A，持续到 17 分钟，最后保持到 25 分钟。离子迁移率分离在单次通过模式下进行，使用 15 V 的行波高度。特征提取、对齐和组分分离使用 Progenesis QI（Nonlinear Dynamics）进行，得到了包含 33,058 个 MS 特征的特征表。

等离子体数据集
该等离子体数据集尚未发表，包含之前按照 (18) 中描述的制备方法制备的等离子体提取物（n = 11），并重新进行了分析。测量使用 Agilent 1290 Infinity HPLC 与 Bruker Daltonics Compact II 四极杆飞行时间（QTOF）-MS 结合进行，分别在正极性和负极性下操作。(19) 特征提取、对齐和组分分离使用 MetaboScape 2024b（Bruker Daltonics）进行，正极性下得到 22,927 个特征，负极性下得到 8,707 个特征。

质谱库
分析了两个包含碎片化质谱的库，以评估检测器振荡伪迹在碎片化数据中的普遍性。NIST DART-MS 法医库包含 2,280 个通过直接分析实时（DART）电离的认证标准的源内碰撞诱导解离（isCID）光谱。这些光谱在三个 JEOL TOF-MS 系统（两个 AccuTOF-DART 4G 系统和一个 AccuTOF JMS-T100LP 系统）上测量，尽管没有按光谱报告具体的仪器。(20) 该库以 SDF 格式下载，并使用 RDKit 和 matchms 进行处理。(21,22)

MassBank 库（版本 2025.10）从 https://github.com/MassBank/MassBank-data/ 下载，并使用 matchms 进行处理。(22) 仅保留了在 TOF-MS 平台上获取的数据，将数据集大小从 123,659 个光谱减少到 55,998 个光谱。(23) 这些数据包括串联 MS（MS2）和电子电离（EI）碎片化光谱。进一步整理了仪器元数据，以标准化 TOF-MS 系统的描述，共得到 181 个独特的仪器平台（图 S1）。

结果和讨论
振荡伪迹的模式
图 1a 显示了来自硅橡胶的常见背景离子 [(C2H6SiO)6–CH4+H]+ 的质谱，其在 GC 保留时间（RT）为 4.62 分钟时洗脱。(24) 除了 m/z 429.091 及其 M+1、M+2、M+3 和 M+4 同位素峰外，还可以在图 1a 的插图中观察到几个非特征性的 m/z 值处的次要 MS 信号。这些次要 MS 峰似乎与 [(C2H6SiO)6–CH4+H]+ 离子共洗脱，是由于聚硅氧烷离子的高强度导致检测器饱和而产生的振荡伪迹的例子。在特征提取过程中，其中一些伪迹被识别为特征，如图 1a 中的彩色箭头所示。不出所料，这些伪迹与其前体 [(C2H6SiO)6–CH4+H]+ 离子相比，显示出小的 RT（|ΔRT| ≤ 0.015 分钟）和漂移时间（|ΔDT| ≤ 0.1 毫秒）偏差。此外，这些伪迹的峰面积与所有样本中的前体具有高 Pearson 相关性（R ≥ 0.9）。

这些观察结果促使进一步探索共洗脱和高度相关的特征作为潜在的振荡伪迹。为了精确定义振荡伪迹，应用了特定的强度和 m/z 约束。只有当特征的峰面积达到至少 0.001 au 时，才将其视为潜在的前体，因为振荡伪迹通常是由检测器饱和引起的。为了确保伪迹与 APCI 中常见的同位素或 +H 加合物区分开来，(25) 搜索限制在前体 m/z 的 +0.95 Da 范围内。结果得到的特征组由一个前体和至少一个潜在伪迹组成，在图 1b 中可视化。这里，图 1a 中的 [(C2H6SiO)6–CH4+H]+ 离子及其振荡伪迹对应的特征用箭头标记，箭头表示观察到的 m/z 差异（Δm/z）。在这个 m/z 与 Δm/z 的图中，可以观察到明显的趋势，其中潜在伪迹出现在似乎与前体 m/z 有幂律关系的特定 Δm/z 值处（图 S2）。这种明显的功率依赖性可以通过理解在TOF-MS中，离子的m/z值是根据其飞行时间（tflight）通过方程1得出的来解释。tflight=kmz(1) 这里，k是一个与飞行路径长度和加速电压相关的仪器依赖常数。由于检测器的振荡发生在时间域中，当m/z值被映射回tflight时，它们的结构变得更加清晰，如图1c所示。因此，使用的是m/z和Δm/z的比例量，而不是直接依赖于tflight和Δtflight，因为这些量可以直接从特征表中得出。从图1c可以清楚地看到，在时间域中，潜在的伪影聚集在Δm/z（因此也是Δtflight）的离散值上，这些值不依赖于m/z。对于这个聚合物数据集，观察到了九个簇（即环状结构），这是通过构建Δm/z值的高斯平滑轮廓来可视化的（图1d）。应用了一个峰值检测算法来自动识别这九个环及其最大值的Δm/z。随后，迭代移除了位于99%置信区间之外的异常特征，从而检测到来自336个前体特征的908个伪影。

如图1a所示，[(C2H6SiO)6–CH4+H]+离子的M+1和M+2同位素也会产生环状伪影。由于在同位素分组过程中这些伪影前体不再被视为单独的MS特征，这增加了检测这些同位素峰产生的伪影的难度。然而，由于同位素分组也应用于伪影，许多伪影特征也被归类为同位素，因为它们的同位素间距与前体非常接近。扩展这些同位素伪影后，总共得到了1446个伪影MS峰。从图1d可以看出伪影峰位置的可重复性，并且当转换为m/z尺度时，其标准差为2.3 ppm。第四个环的伪影峰位置变化最大，标准差为3.5 ppm。每个环的Δm/z间距及其标准差在表S1中提供。为了评估m/z校准是否影响Δm/z间距的一致性，在对m/z数据进行逆校准后重复了该过程。这并没有显著改善Δm/z残差（图S3），这可能是由于在1 m/z范围内的校准效果很小。

伪影过滤的工作流程
上述确定环状伪影特征Δm/z间距的程序被扩展到图2所示的工作流程中。在确定了与每个环相关的Δm/z间距后，这些值被作为额外标准纳入特征重新分组过程中，以专门识别环状伪影。同时，前体峰面积、ΔRT、ΔDT和相关性的标准也被放宽（图2），以捕获在严格分组过程中被遗漏的伪影。这种更广泛的搜索将聚合物数据集中检测到的伪影数量从908个增加到1798个。伪影检测扩展到包括同位素伪影，即由M+n离子产生的环状回声，这些伪影在初始特征分组过程中没有被分组。尽管许多伪影特征由于其接近标准的间距而被成功归类为同位素，但这种分组在数据集中并不一致，导致一些伪影未被检测到（图S4）。这种不一致性可能源于伪影间距（Δm/z）的m/z依赖性，如图1b所示。因为“真实”离子与其环状伪影之间的距离在质量范围内有所不同，所以同位素伪影之间的m/z差异可能会偏离标准的同位素质量增量。这可能导致它们落在组分化算法预定义的容忍窗口之外。通过进行后续搜索，对于每个被分类为前体的特征，生成一个代表M+1同位素的虚拟特征。这个虚拟特征的m/z相对于前体增加了13C – 12C的质量差（1.0034），假设13C是M+1同位素峰的主要贡献者。为了捕获大部分M+1伪影，还需要额外校正+5 × 10–5（在支持信息中有详细讨论）。这种同位素搜索的结合导致检测到224个额外的伪影（表S1）。

在图1d中可以明显看出伪影峰位置的可重复性，并且当转换为m/z尺度时，其标准差被量化为2.3 ppm。第四个环的伪影峰位置变化最大，标准差为3.5 ppm。每个环的Δm/z间距及其标准差在表S1中提供。为了评估m/z校准是否影响Δm/z间距的一致性，在对m/z数据进行逆校准后重复了该过程。这并没有显著改善Δm/z残差（图S3），这可能是由于在1 m/z范围内的校准效果很小。

伪影检测的工作流程
上述确定环状伪影特征Δm/z间距的程序被扩展到图2所示的工作流程中。在确定了与每个环相关的Δm/z间距后，这些值被作为额外标准纳入特征重新分组过程中，以专门识别环状伪影。同时，前体峰面积、ΔRT、ΔDT和相关性的标准也被放宽（图2），以捕获在严格分组过程中被遗漏的伪影。这种更广泛的搜索将聚合物数据集中检测到的伪影数量从908个增加到1798个。伪影检测扩展到包括同位素伪影，即由M+n离子产生的环状回声，这些伪影在初始特征分组过程中没有被分组。尽管许多伪影特征由于其接近标准的间距而被成功归类为同位素，但这种分组在数据集中并不一致，导致一些伪影未被检测到（图S4）。这种不一致性可能源于伪影间距（Δm/z）的m/z依赖性，如图1b所示。由于“真实”离子与其环状伪影之间的距离在质量范围内有所不同，同位素伪影之间的m/z差异可能会偏离标准的同位素质量增量。这可能导致它们落在组分化算法的预定义容忍窗口之外。通过进行后续搜索，对于每个被分类为前体的特征，生成一个代表M+1同位素的虚拟特征。这个虚拟特征的m/z相对于前体增加了13C – 12C的质量差（1.0034），假设13C是M+1同位素峰的主要贡献者。为了捕获大部分M+1伪影，还需要额外校正+5 × 10–5（在支持信息中有详细讨论）。这种同位素搜索的结合导致检测到224个额外的伪影（表S1）。

在广泛检测伪影之后，通过检查每个标准的误差分布来细化选择标准，如图2所示。所有选择标准的分布显示在图S5中，并在支持信息中进行了讨论。细化后的标准被选为在保留大部分伪影的同时最小化误报，并在图2中进行了总结。应用细化后的过滤标准后，从总共35,628个特征中识别出1894个伪影（5.3%），这些伪影来自779个前体特征（2.2%）（图3和表S1）。为了评估过滤器的选择性，使用Kendrick质量缺陷图分析了与聚乙烯 spiked量相关的特征（图S4）。这项分析确认90.2%的伪影特征被正确识别。值得注意的是，没有真正的聚乙烯相关信号被错误分类，这表明了工作流程的高特异性和极低的误发现率。

图3
图3. 聚合物（顶部）和地表水（底部）数据集的伪影过滤总结。(a, d) Δm/z间距的轮廓图，局部峰最大值用圆圈标记。(b, e) 检测到的伪影及其在不同环中的分布概览。(c, f) 所有MS特征的气泡图，其中圆圈大小与特征表中观察到的最大峰面积成正比。

高分辨率图像
下载MS PowerPoint幻灯片

对数据集中相对峰面积的分析确认了图1a中显示的伪影强度代表了整个数据集（图S6）。第一环的伪影面积相对于前体高达5%，平均约为3%。对于更高环数，相对面积显著减少，第九环的平均值为0.16%。通常只有在前体强度较高时才会观察到前体与伪影峰面积之间的线性关系，而在较低的前体峰面积处则会出现更大的变异性和系统偏差（图S6）。值得注意的是，第二环的伪影表现出明显非线性行为，导致出现频率较低但强度相对较高。综合这些结果表明，环状伪影可以具有相当大的强度，因此不能通过常规的基于强度的噪声过滤来轻易处理，这突显了需要一个有针对性的伪影过滤工作流程。

跨数据集的伪影
为了评估观察到的环状伪影是否在数据集中是一致的，我们将相同的工作流程应用于一系列使用相同的Waters Select cIMS-TOF-MS仪器通过LC-ESI(?)测量的地表水和地下水样本。由于LC峰比GC峰更宽，因此相应地放宽了伪影检测的保留时间容忍度，而所有其他检测标准保持不变。得到的伪影直方图、伪影统计信息和MS特征气泡图显示在图3d-f中，以及来自Py-GC-APCI(+)-cIMS-TOF-MS（聚合物）数据集的相应结果（图3a-c）。检测到的伪影数量与聚合物数据集的数量级相同，占所有特征的3.0%，这证实了伪影不是特定于某种极性或分离方法的。

尽管与检测到的总特征数量（3.0%）相比，伪影的数量相当少，但在尝试识别相对低浓度化合物时，它们的干扰增加了。例如，图3f显示了在大西洋加拿大一个已知的PFAS污染热点附近收集的地表水和地下水样本中检测到的特征的CCS与m/z的关系。MacNeil等人估计，PFAS可以通过CCS值小于100 ?2和其质量的五分之一（图3f中的虚线以下）来与非卤化化合物区分开来。(28) 当应用于PFAS浓度最高的地表水样本时，发现了50个符合这一标准的特征（经过空白校正后），其中相当一部分（9/50 = 18%）被识别为环状伪影。这些伪影包括m/z 499.0352、m/z 499.1319和m/z 499.3711，它们来源于m/z 498.9303的全氟辛烷磺酸盐（PFOS），这是污染水体的水膜形成泡沫（AFFF）的关键成分。虽然这些伪影可以根据其正质量缺陷被排除，但一些新出现的PFAS的质量缺陷值超过了+0.3。(29) 因此，我们建议去除检测器环状伪影是进行无目标环境筛查的关键步骤。

在伪影Δm/z值方面观察到了显著的一致性（图3a和3d）：七个环显示出重叠的时间延迟，而三个低丰度环则没有。这种伪影Δm/z值的一致性是预期的，因为定义环状伪影的时间延迟主要由MCP检测器的电气特性控制。虽然核心环状结构在很大程度上与极性无关，但峰形的微妙变化（例如，负极性下第三环的变窄）和某些低丰度环的存在可能反映了每种模式所需的信号耦合电子设备的差异。切换极性涉及不同的高压电路和预放大阶段。因此，这些特定极性路径中的阻抗环境或寄生电容的变化可能会改变电子反射的阻尼和强度，从而导致观察到的环状结构的轻微差异。

此外，对环状结构的探索性分解分析（图S7）表明，观察到的环位置（Δm/z）可能不是独立的，而是由多个重叠的周期性序列产生的。缺失的谐波和非周期性异常的存在表明观察到的回声特征受到电子反射复杂相互作用的影响。虽然对检测器特定电子设备的全面表征超出了本工作的范围，但这些结果表明伪影源于系统周期性模式和局部极性特定变化的结合。接下来，我们将伪影检测工作流程应用于在另一台仪器Bruker Daltonics Compact II QTOF-MS上获取的两个数据集。这些数据集包括使用ESI(+)和ESI(?)通过LC测量的人体血浆样本。伪影检测结果显示在图S8中，表明在这个QTOF-MS平台上检测到的伪影数量明显较少。在正极性下测量的数据集中，检测到38个伪影特征，占总特征数的0.17%，伪影仅延伸到第四环。尽管伪影的数量远低于更敏感的cIMS-TOF-MS平台，但这证实了这些伪影是普遍存在的，不限于特定的仪器或供应商。

在负极性下，由于在初始筛选中检测到的潜在伪影数量较少，伪影检测受到限制，这给稳健的环拟合带来了挑战。然而，跨极性再次观察到了一致的伪影Δm/z值。因此，使用正负极性数据的组合进行了环拟合。这种数据融合将检测到的伪影数量增加到24个（占8,707个特征的0.28%），并说明了如何结合数据集来增强伪影检测。此外，这些结果表明，尽管伪影的绝对数量相对较少，但工作流程仍然敏感且稳健。

碎片质谱中的环状伪影
最后，评估了碎片质谱中环状伪影的普遍性。这项分析包括使用前体离子选择（MS2）以及电子电离（EI）和源内碰撞诱导解离（isCID）获得的串联质谱，这些质谱在没有四极杆分离的情况下产生碎片质谱。将伪影检测工作流程应用于单个质谱本质上比全特征表更具挑战性，因为所有离子都会共洗脱。因此，伪影检测必须完全依赖于重复的Δm/z间距，从而增加了误报的可能性。此外，碎片质谱通常包含的m/z峰远少于全扫描特征表，进一步限制了模式检测的统计能力。由于这种稀疏性使得高斯拟合伪影轮廓不可靠，因此工作流程被调整为基于分组的Δm/z和Δm/z直方图进行操作（图4）。这种表示方法允许使用光谱熵（S）作为结构的定量度量：在存在环状伪影的情况下，平方根坐标变换将重复的间距对齐到更少的组中，从而降低了熵。因此，熵被选为一个稳健的、无模型的指标，用于优先处理可能受到检测器振荡伪影影响的碎片质谱。

图4
图4. 碎片质谱的伪影优先级。对于在Waters QTOF Premier上获得的质子化2,3-二氢黄酮的MassBank光谱，展示了MS2光谱（a）、Δm/z（b）以及潜在伪影的Δ??/????????√Δm/z间距及其相关的直方图和轮廓（c）。（d）展示了MassBank（n = 55,998）和NIST DART-MS Forensics（n = 2,280）光谱库中所有碎片化光谱的谱熵差异分布。ΔS ≤ ?0.2的范围用黑色条表示。高分辨率图像下载MS PowerPoint幻灯片

这种方法的一个示例是质子化2,3-二氢黄酮的MS2光谱（图4a），该光谱是在Waters QTOF Premier上获得的，并从MassBank库中检索出来的。识别出五个潜在的伪影（图4中的黑色棒状和圆形标记），定义为出现在显著峰值的1.55 × 10–2 ??/????????√m/z范围内的峰值（相对强度≥0.15）。Δm/z直方图显示出一个广泛的分布范围，导致熵值为1.61。经过转换为Δ??/????????√Δm/z后，所有伪影间距对齐到一个单独的区间内，熵值变为0.0。由此产生的熵差异（ΔS = ?1.61）表明存在伪影。

随后将这种改进的工作流程应用于NIST DART-MS Forensics和MassBank光谱库中的所有TOF碎片化光谱，得到了图4d中显示的ΔS分布。大多数光谱的ΔS = 0，对应于未检测到伪影或坐标转换未能使直方图对齐的情况。相比之下，分布的左尾部特征为负ΔS值，表明光谱可能受到了振铃伪影的影响。选择了一个任意的阈值ΔS ≤ ?0.2进行进一步分析（图4d），结果从MassBank和NIST DART-MS库中分别选出了1.28%和12.5%的光谱。NIST DART-MS库中伪影的更高发生率可能反映了样品制备、数据采集、处理方面的差异，或者是因为仅使用了容易产生伪影的JEOL AccuTOF仪器。MassBank分布中观察到的正ΔS尾部可能是由于碎片化光谱中重复出现的特征质量差异在平方根变换下未能对齐所致，从而导致熵值增加。类似于图4a-c中展示的分析，对整个ΔS范围内的碎片化光谱进行了类似的分析，结果见图S9–S24。

为了进一步研究可能受到伪影影响的碎片化光谱，根据它们的高斯伪影轮廓的余弦距离对ΔS ≤ ?0.2的光谱进行了聚类。在计算距离之前，每个轮廓都被归一化到最大强度为一，并进行了平方根变换以减少最强烈特征的影响。（30,31）聚类结果显示在图5a中，其中展示了一个EI碎片化光谱的示例，其高斯轮廓按相对强度和TOF-MS平台（黑色到绿色表示JEOL JMS-T100GCV）进行了颜色编码。将类似的、特定于仪器的颜色方案应用于所有选定的光谱（n = 1004），得到了一个伪影热图，其中光谱根据层次聚类结果垂直排列，如树状图所示（图5b）。

图5
（a）在JEOL JMS-T100GCV上获得的（R）香叶基戊酸酯的EI碎片化光谱的伪影轮廓，强度按颜色编码。
（b）使用类似的、特定于仪器的颜色方案为MassBank和NIST DART-MS光谱库中ΔS ≤ ?0.2的所有碎片化光谱（n = 1,008）生成了一个伪影热图。树状图显示了用于确定光谱垂直排序的层次聚类，子采样的y轴标签显示了代表性的TOF-MS仪器。

图5b中的热图清楚地显示了对应于不同TOF-MS平台的独立簇，表明在同一仪器上获得的碎片化光谱倾向于根据共享的伪影特征进行聚类。从下到上的显著簇包括Agilent 6546 TOF（橙色）、SCIEX TripleTOF 5600（蓝色）、Agilent 6520 QTOF（红色）、Waters QTOF Premier（粉色）、Shimadzu IT-TOF（紫色）和JEOL JMS-T100GCV（绿色）。值得注意的是，RIKEN提供的JEOL JMS-T100GCV光谱与NIST DART-MS库中的光谱聚集在一起。由于这些光谱都是在JEOL TOF-MS平台上获得的，这一观察结果表明，振铃伪影的特征可以独立于测量的离子、电离/碎片化机制（EI与DART-isCID）或来源（NIST与RIKEN）来推断仪器来源。这突显了这种方法的敏感性，因为它依赖于单一的质量光谱，并且对于数据来源和质量光谱法医学具有潜在的实用性。

同时，一些仪器平台表现出更复杂的伪影行为。例如，在Waters Xevo G2 QTOF上获得的MS2光谱似乎形成了两个不同的簇（图5b），表明存在多个振铃特征。这种差异可能是由于检测器硬件的变化（例如MCP更换）引起的，这可能会显著改变伪影的特征。或者，离子飞行路径长度的变化（“V”模式与“W”模式）或提取电压的变化可能会表现为轮廓的系统性偏移，因为Δ??/????????√Δm/z仅与给定TOF-MS配置下的离子飞行时间成正比。总体而言，图5b表明振铃伪影在碎片化质量光谱中很常见。因此，减轻或去除这些伪影可能会改善光谱库的匹配度以及依赖于碎片化数据的下游机器学习模型。（32?35）

结论与展望
检测器振铃对TOF-MS数据分析构成了持续的挑战。传统的伪影减轻方法，如样品稀释或降低检测器增益，可以减少振铃现象，但可能会影响低丰度特征的检测。此外，随着仪器开发不断推动灵敏度和动态范围的极限，使用离子迁移率等技术将离子包聚焦到更高的信号密度，预计这些振荡的普遍性将会增加。

这里提出的数据驱动工作流程通过系统地从特征表或单个（碎片化）质量光谱中去除检测器振荡伪影来解决这一挑战，而无需修改仪器设置或样品制备。这种方法的核心发现是，尽管这些伪影在m/z域表现为复杂的、质量依赖的模式，但它们实际上代表了固定的时间域偏移。通过利用这些特定于仪器且与极性无关的Δ??/????????√Δm/z间距的恒定性，我们提供了一个基于物理原理的伪影去除指标。通过减少假阳性m/z峰，该方法提高了特征优先级、数据质量和下游应用的效果。为了确保精确过滤同时保护真实信号，该工作流程由一个交互式的基于Web的界面支持，允许手动细化选择标准。提高特异性的一个途径是将该工作流程直接集成到特征提取软件的分解步骤中，（36）其中色谱或迁移率峰形之间的相关性可以作为额外的标准。

除了减轻伪影之外，检测器振铃的特征模式也可以提供信息。能够表征特定仪器的振铃特征为建立质量基准和长期性能监控提供了途径。这些模式随时间的变化可能揭示出由于硬件老化、常规维护或原始仪器构造差异导致的检测器健康状况的变化。这些由硬件定义的特征为MS数据法医学、可追溯性和仪器诊断提供了独特的视角。

参考文献
支持信息
文章推荐基于使用模式，目前尚无法计算。请稍后再次查看。