MSstatsQC-ML：一种用于监测基于质谱的蛋白质组学中系统适用性和质量控制的监督式机器学习方法

《Journal of Proteome Research》：MSstatsQC-ML: A Supervised Machine Learning Approach to Monitor System Suitability and Quality Control in Mass Spectrometry-Based Proteomics

　　

质谱法提供了多种分析复杂蛋白质组组成、功能和相互作用的方法。不幸的是，它受到技术伪影引入的变异性的影响，这降低了结果的重复性和可靠性。为了检测和最小化与最佳性能的偏差，研究人员使用标准蛋白质或肽混合物以及各种相关指标，并结合统计汇总进行监测。尽管这种监测多种分析物和指标的方法通常是有益的，但大多数此类方法难以很好地扩展到多变量情况。在本文中，研究人员提出了MSstatsQC-ML，一种用于质量控制的机器学习方法，该方法优化了从具有许多分析物和指标的标准混合物中进行的决策。MSstatsQC-ML将机器学习分类器与实验设计策略相结合，以模拟尚未观察到的可能的次优质谱（MS）运行。为了训练分类器，所提出的方法整合了来自指标的信息特征。对每个特征纵向值的分析使研究人员能够解释次优性能的根本原因，并有助于设计预防措施。在来自发现和靶向蛋白质组学实验的质量控制数据评估中，MSstatsQC-ML降低了检测次优性能的错误率，并优于传统方法。MSstatsQC-ML可作为开源MSstatsQC R/Bioconductor软件包的一部分使用。

**研究背景**

基于质谱（MS）的蛋白质组学使得在数据依赖性采集（DDA）、选择反应监测（SRM）和数据非依赖性采集（DIA）工作流程中，对越来越多的生物样本和分析物进行定量分析成为可能。由于大规模研究不可避免地会累积来自样本收集、储存、处理和数据采集的干扰变异，因此确保系统适用性（监测测量系统的性能）和质量控制（QC，监测获取数据的质量）至关重要。质量控制需关注三个关键方面：一是选择质量保证程序，如插入标准蛋白/肽混合物作为QC运行；二是生成相关指标，如保留时间、强度或峰形相关参数；三是进行QC数据的统计分析，以检测与理想性能的偏差。

目前，传统的统计过程控制方法多依赖单变量或低维多变量汇总，例如使用MSstatsQC 2.0等工具生成的算术均值、移动极差、Hotelling's T²等。这些方法在处理同时监测多个肽段和多个指标的高维数据时，扩展性差。小规模引导集可能无法涵盖所有类型的干扰模式，导致对新出现的未知故障模式检测能力不足，产生漏检或误报。此外，缺乏统一的方法将来自大量肽段、指标和不同偏差类型的单变量或低维汇总信息整合为一个单一的运行质量决策。因此，需要一种能够有效处理多变量、高维QC数据，并能检测已知和未知故障模式的方法。本研究旨在克服上述不足，提出MSstatsQC-ML方法。论文发表在《Journal of Proteome Research》。

**主要技术方法**

研究人员为开展研究主要使用了以下几个关键技术方法：1. **合成数据生成**：基于实验设计原则，从引导集（高质量QC运行）生成包含随机扰动（如阶跃偏移、线性漂移、波动）的合成次优运行数据，以模拟未知的潜在故障模式。2. **特征工程**：从原始QC指标（如保留时间、峰面积）中计算并提取传统的统计过程控制特征，包括移动极差（MR）、累积和（CUSUM_m， CUSUM_v），作为机器学习模型的输入特征。3. **监督式随机森林分类器**：使用随机森林算法，将工程化特征与合成数据结合进行训练，以预测每个QC运行中每个肽段发生故障的概率。研究使用了来自DDA-QCloud和SRM-QCloud两个公开数据集的样本队列，其中包含手动注释的已知故障模式，用于评估模型性能。

**研究结果**

**MSstatsQC-ML Compared to Control Charts：** 在合成数据集上，与传统单变量控制图方法（如MSstatsQC 2.0）相比，MSstatsQC-ML将多个肽段-指标特征整合为一个单一校准的概率分数，能够检测到传统的基于启发式规则（如要求超过50%的监测肽段发出故障信号）可能遗漏的微小、亚阈值故障。与Hotelling's T²多变量汇总相比，决策图能更清晰地识别受影响的具体肽段，从而区分不同的故障类型（如线性漂移、阶跃变化）。

**MSstatsQC-ML Compared to Random Forest without Simulation and Feature Engineering：** 在合成QC数据集上，与仅使用原始数据、未结合模拟和特征工程的随机森林模型相比，MSstatsQC-ML方法显著降低了假阳性率和假阴性率。单独使用模拟（无特征工程）可减少假阴性，但无法区分扰动类型；单独使用特征工程（无模拟）可降低假阳性，但对假阴性帮助有限；只有结合模拟和特征工程，才能正确区分最优和次优测量，并清晰地识别出预设的故障模式（线性漂移、波动、阶跃变化）。

**MSstatsQC-ML Effectively Detected Known Deviations in DDA-QCloud Data Set：** 在DDA-QCloud实验数据集中，训练后的模型（准确率0.986，AUC 0.991）成功检测到已知的色谱柱问题（在约80次运行后开始出现）。决策图显示所有肽段在约107次运行后均出现次优性能的强烈证据。根因图揭示了所有肽段在保留时间（RT）和半峰宽（fwhm）增加、质量准确度下降方面共享相同的模式，帮助研究人员发现问题的全局性质及根本原因。

**MSstatsQC-ML Effectively Detected Known Deviations in SRM-QCloud Data Set with Missing Values：** 在SRM-QCloud实验数据集中，该模型（准确率0.990，AUC 0.994）成功检测到特定肽段在约50次运行后出现的峰面积和保留时间的微小偏移。决策图能够有效处理缺失值（以灰色表示），并显示部分肽段在特定时间点完全缺失，提示可能存在的重大问题。根因图揭示了特定肽段（如SLHTLFGDELCK和HLVDEPQNLIK）在运行20-40次之间RT的轻微增加，但模型根据设计（针对大偏移训练）在此阶段给予了低故障概率，直到60次运行后多变量证据充分时才发出警报，避免了误报。

**Larger Simulation Sizes Improved Detection：** 在DDA-QCloud和SRM-QCloud数据集上，更大的模拟规模（T）、更大的引导集规模和更大的偏移幅度，均能带来更高的平均AUC值和更低的标准差，表明模型性能更稳定。即使在引导集较小的情况下，增加模拟规模（如T ≥ 500）也能维持高检测精度（AUC > 0.90）。

**结论部分总结**

MSstatsQC-ML分析日常获取的QC数据，有助于发现不良变异的根本原因。该方法有效处理了复杂、高维的纵向QC数据，将高度多变量的信息转化为可操作的质量改进策略，有助于检测不同类型的存在和潜在问题。该方法依赖于引导集（良好性能示例）和可用的标注运行（次优性能示例），并提供了高度的灵活性，允许用户根据具体仪器情况增减指标。其两个关键特性是：使用单变量统计量作为附加特征，以及使用合成示例扩充训练集。这融合了经典纵向监测原则与模拟，即使在引导集规模较小时，也能实现对未知次优模式的灵敏发现。通过在新背景下重新训练分类器，该方法易于在不同仪器、实验室和实验间转移。MSstatsQC-ML框架成功地将高维机器学习用于常规分析诊断，通过将全局特征归因与局部异常映射相结合，为日常仪器故障排除提供了可操作的见解。该方法的一个局限性是随机森林的预设超参数，另一个是训练时间会随指标和历史QC运行数量的增加而呈指数增长。