“组学”科学旨在全面表征特定生物体的所有生物分子。在此背景下，代谢组学是对生物体低分子量代谢物的研究，这些代谢物是代谢反应的中间体和最终产物 [1], [2]。气相色谱 - 质谱联用技术 (GC-MS) 是代谢组学研究中历史最悠久且应用最广泛的分析平台之一。该技术用于分离挥发性和热稳定化合物。GC-MS 以其优势特征而著称，包括在复杂混合物中分析物的效率和分辨率，此外质量光谱具有高重复性，由于离子源中应用的高电离能量，其碎裂模式会重复出现，从而允许使用在线光谱库。衍生化反应经常应用于 GC-MS 方法，以增加生物兴趣化合物的可检测性和挥发性 [3]。硅烷化是代谢组学研究中应用最广泛的方法。然而，尽管效率高，它仍然存在挑战，特别是由于介质中水的存在和伪影的形成。因此，提出了其他衍生化反应，包括烷基化、酰化、磺化和酯化 [4], [5]。尽管如此，鉴于衍生化官能团的特异性和有时缺乏广泛的代谢物注释光谱库，这些方法的适用性仍然较为有限。
代谢组学工作流程中最关键且需要关注的一步是数据处理。由于生物数据高度复杂且包含数千个分析信号，因此需要适当的数据处理工具来突出受试生物体的生物变异 [1]。通常，数据处理包括提取峰的检测、对齐和分组。最后，数据被转换为二维矩阵，其中特征通过将 m/z 和保留时间 (RT) 与每个样品的强度或积分面积相关联来列出 [2]。特别是对于 GC-MS，数据处理包括光谱解卷积步骤，以正确注释代谢物，因为在 MS 离子源中生成的离子是代谢物加合物的碎片。解卷积可以解析重叠峰，提取重要信号，减少噪声，校正基线漂移，并分离紧密共洗脱的成分 [6], [7]。
代谢组学数据处理通常使用允许大多数处理步骤自动进行的计算平台来完成。有很多可用的软件包，包括开放获取平台如 XCMS [8], [9], MS-DIAL [10], MZmine [11], MetaboAnalyst [12]，以及商业工具如 Compound Discoverer (Thermo Scientific), MassHunter (Agilent Technologies), MarkerView (AB Sciex), Profiling Solution (Shimadzu Corporation), MetaboScape (Bruker Corporation) 等。
最近的研究比较了两种或多种用于液相色谱 - 质谱联用 (LC-MS) 数据的处理工具 [13], [14], [15], [16], [17], [18], [19], [20]，但在提取数据矩阵的最佳方法上尚未达成共识。通常，这些研究采用单组生物数据和/或分析标准品混合物。使用标准品混合物或将其添加到生物基质中是一种有趣的方法。然而，商业可用化合物数量的限制可能会阻碍对非靶向代谢组学分析的可变生物宇宙处理能力的全面视图。
对于 GC-MS 数据，数据处理工具的系统评估不太突出，文献中仅发现三项相关研究。Niu 等人 (2014) [21] 评估了两个数据集的 GC-MS 色谱图对齐，一个是不同浓度的分析标准品混合物，另一个是掺入烷烃的番茄藤提取物，使用了八种软件包 (SpectConnect, MetaboliteDetector, MetAlign, TagFinder, MeltDB, XCMS Online, MZmine, and GAVIN)。软件性能通过构建 PCA 模型并检查真阳性和假阳性进行评估。基于对软件在数据提取、处理步骤（包括解卷积和统计分析）、简洁性以及用于代谢物注释的数据库性能的分析，作者指出 MetAlign, MetaboliteDetector 和 SpectConnect 表现出略好的性能。
Rivera-Pérez 等人 (2024) [22] 进行了一种免费工具 (MS-DIAL) 与一种商业工具 (Compound Discoverer, CD) 之间的比较。作者评估了提取的特征数量和在 MSI 2 级 [23] 注释的代谢物，其中 CD 和 MS-DIAL 分别注释了 52 和 115 种代谢物。只有 1 种代谢物 (thymohydroquinine) 由两种调查的处理工具显著注释。尽管注释存在差异，但作者强调两种软件都允许确定相同的代谢物化学类别，并鼓励基于用户可用性使用多种处理平台。最后，Buszewska-Forajta 等人 (2016) [24] 进行了一项调查代谢物注释工具而非原始数据矩阵本身提取的研究。使用 GC-MS 分析的不同浓度分析标准品混合物评估了 AMDIS (Automated Mass Spectral Deconvolution and Identification System) 和 GC-MS Solution Postrun Analysis 的性能。尽管两个平台表现良好，但 AMDIS 被证明是一个更有趣的工具，因为它自动执行注释并有效地进行光谱解卷积。
GC-MS 数据处理软件的评估仍然探索不足，缺乏比较数据加工和代谢物注释开放获取工具的研究。XCMS 和 MS-DIAL 是最广泛使用的用于此目的的开放获取软件工具。此前提到的另一个值得注意的处理平台是 Mzmine [11]。尽管性能出色，但 Mzmine 主要应用于通过 LC-MS 获取的数据，因为其特征提取、对齐和峰检测功能更适合此类数据；相反，当应用于 GC-MS 数据时，其性能未达预期，因为 GC-MS 数据中的信号基于分子碎片。
因此，本研究旨在比较两个广泛使用的开源工具 (MS-DIAL 和 XCMS) 在三个生物数据集上的 GC-MS 数据处理性能。比较基于原始数据矩阵的质量 (重复性和缺失值) 以及提取信息的数量 (特征和注释的代谢物或化学类别)。此外，还评估了单独或结合使用两种软件包以增加代谢覆盖率和统计显著性。我们打算对比数据处理平台之间的差异，展示它们对多元统计分析的影响，并突出其易用性、优点和缺点。
