Chromatograms:基于可互换存储后端与延迟评估机制的大规模色谱数据R语言模块化处理框架

《Analytical Chemistry》:Chromatograms: A Modular Infrastructure for Scalable Chromatographic Data Handling in R

【字体: 大 中 小 】 时间:2026年09月18日 来源:Analytical Chemistry 7.3

编辑推荐:

  色谱迹线(Chromatographic traces)是液相色谱-质谱联用(LC-MS)分析的核心,然而大多数软件将其视为固定流程中的瞬态中间产物,而非用户可直接检查和操作的数据对象。在R语言中,xcms为大规模LC-MS分析提供了成熟的基础设施,但其表示色

  
色谱迹线(Chromatographic traces)是液相色谱-质谱联用(LC-MS)分析的核心,然而大多数软件将其视为固定流程中的瞬态中间产物,而非用户可直接检查和操作的数据对象。在R语言中,xcms为大规模LC-MS分析提供了成熟的基础设施,但其表示色谱图的方式限制了提取后可进行的操作。研究人员推出了Chromatograms——一个开源R/Bioconductor包,也是R for Mass Spectrometry生态系统的核心组件,其构建基于两个设计原则:可互换存储后端(interchangeable storage backends),使分析代码独立于数据存储位置(内存、磁盘等);以及延迟评估(delayed evaluation),即队列中的操作仅在实际请求和处理色谱图时才执行。Chromatograms已完全集成至xcms,从而能够高效提取已鉴定特征的提取离子色谱图(EIC),在公开数据上的示例显示,跨4000个样本提取4980个特征仅需数小时,而旧有基础设施则需一整天。对于靶向数据分析或检查,来自任何外部软件或随研究发表的峰表(peak table)足以从原始文件恢复相应色谱图并保留注释列;四项已发表的生物标志物在无并行处理条件下,从队列全部4063个样本中恢复仅用不到一小时。Chromatograms不执行峰检测(peak detection):它提供的是在峰被定义后处理色谱数据的基础设施,为R语言中的靶向和非靶向LC-MS分析奠定了可扩展的基础。
**研究背景与问题**

色谱分离耦合高分辨质谱(LC-HRMS)已成为复杂混合物非靶向分析的核心技术,广泛应用于代谢组学(metabolomics)、暴露组学(exposomics)、脂质组学(lipidomics)等领域。随着队列规模、采集速率及离子淌度(ion mobility)等分析维度的扩展,数据量持续膨胀,处理色谱数据的软件基础设施须具备可扩展性和灵活性。在R/Bioconductor生态中,xcms和MSnbase长期提供主要基础设施,Spectra包为光谱数据引入了模块化后端与延迟评估(lazy evaluation)。然而色谱数据领域仍存在显著局限:OpenMS、mzmine 4和MS-DIAL等集成平台将色谱图视为流程内部瞬态中间产物而非独立数据对象,且未提供可编程R或Python API;R语言中旧有MChromatograms类将数据全部保存在内存中,操作即时执行,缺乏磁盘存储和并行处理支持;Python生态中虽有内存优化策略,但用户操作仍为即时执行(eager execution);此外,尚无统一函数能接受任意峰检测软件产生的峰表(peak table)并直接从原始文件中提取色谱图供下游质量评估。

**研究概述与意义**

研究人员开发了Chromatograms(版本1.3.3),一个通过Bioconductor分发的开源R包,属于R for Mass Spectrometry生态系统的核心组件。该包不执行峰检测,而是提供峰被定义后处理色谱数据的基础设施,通过chromExtract()函数结合MsQuality包实现从任意上游软件产生的峰表出发进行靶向提取和自动化质量评估。研究人员利用MetaboLights的两个公开LC-HRMS数据集——10样本HILIC数据集MTBLS8735(mzML格式)和4063样本反相色谱队列MTBLS93(netCDF格式,TwinGene研究)——量化了Chromatograms在可扩展性和延迟评估方面相对于旧有基础设施的优势,证明其通过解耦色谱数据处理与特定峰检测流程,实现了LC-HRMS工作流程中的工具自由组合。

**关键技术方法**

Chromatograms核心数据结构由chromData元数据表和每色谱图的峰数据(保留时间-强度对)组成。存储方式由ChromBackend决定,提供三种后端:ChromBackendMemory(内存)、ChromBackendMzR(通过mzR从磁盘mzML文件读取)、ChromBackendSpectra(从Spectra对象按需派生),用户通过setBackend()切换。所有数据操作(强度过滤、缺失值插补、保留时间过滤、峰边界检测)均以延迟方式实现——操作排队至处理队列(processing queue),仅在数据被访问时执行(通过applyProcessing()可永久应用)。chromExtract()函数接受包含保留时间和质荷比(m/z)边界的峰表,返回指向原始数据子集的色谱图对象,输入峰表中的附加注释列自动保留至输出。性能比较采用单核串行执行,确保差异反映数据结构本身特性。

**研究结果**

*色谱基础设施比较*

从相同xcms提取函数调用出发,Chromatograms对象创建仅需0.02–0.04秒(无论请求10还是5000个特征),因为此时仅保存元数据和原始数据引用。数据加载至内存后,从单文件提取5000个特征色谱图耗时3.3秒、占用138 MB,而MChromatograms需11.3秒和180 MB。在队列规模上,从MTBLS93的4000个文件提取4980个特征色谱图,MChromatograms需约1450分钟和61 GB峰值内存,内存态Chromatograms仅需298分钟和49 GB。该优势与色谱模式(HILIC或反相)和文件格式(mzML或netCDF)无关。

*延迟评估性能*

六种场景比较表明:仅将三步处理(强度过滤、线性插补、保留时间窗口化)排队并单次执行,已比即时基线快约三倍(场景a对比c)。排队后仅请求一个色谱图(场景d)比即时基线快约26倍,优势随未处理数据量增大而扩大。磁盘后端遵循相同逻辑——请求一个色谱图仅读取一个文件并处理一条迹线(场景e对比f),超内存容量数据集仍可按单个化合物逐一处理。

*基于外部峰表的靶向提取与质量评估*

chromExtract()从MTBLS93队列4063个样本中恢复四项已发表冠心病脂质生物标志物,返回16252条色谱图,单核耗时49分钟,峰边界检测和质量指标计算合计仅8秒,峰值内存在个位数GB范围,最终内存对象仅占24 MB。叠加绘图揭示已注释峰在所有样本中均存在,部分样本沿保留时间轴位移,暴露了批次效应;单一标志物顶点保留时间形成两个清晰分离的簇,表明样本亚群间存在系统性偏差。

**讨论与结论**

将色谱数据视为一等数据对象,使以往需计算集群或无法尝试的分析任务可在普通硬件上完成:已发表结果背后的色谱图可被检查、重新定量或筛选批次效应,无需重复预处理流程。所得收益源于基础设施改进和计算延迟而非更快的算法,优势随未处理数据规模增大而增长,且无论起点是非靶向特征列表还是少数已知化合物均能保持。峰检测被有意排除,Chromatograms是对xcms等现有工具的补充,计划成为xcms的主要色谱数据表示形式。

研究结论为:Chromatograms设计支持未来扩展。虚拟ChromBackend类暴露小型文档化API,允许在不修改核心包的情况下通过外部包添加替代数据表示(数据库、云对象存储、列式二进制格式等),延迟队列和chromExtract()保持不变。新的数据转换函数或指标计算函数可按相同方式集成。随着LC-HRMS数据格式和分析方法持续演进,该设计通过增量贡献而非破坏性重新实现来适应新需求,确保基础设施随未来分析需求扩展。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号