导入数据
library(xcms)
library(faahKO)
library(RColorBrewer)
library(pander)
library(magrittr)
library(pheatmap)
library(SummarizedExperiment)
1.单个样本
dda_file <- system.file("TripleTOF-SWATH/PestMix1_DDA.mzML",package = "msdata")
dda_data <- readMSData(dda_file, mode = "onDisk")
table(msLevel(dda_data))
3 色谱峰检测
3.1 设置参数
使用centWave算法对centroid模式的高分辨LC-MS进行色谱峰检测。centWave算法最适用于高分辨率 centroid模式 的LC/{TOF、OrbiTrap、FTICR}-MS数据。在第一阶段，该方法确定了感兴趣区域(ROI)，这些区域代表了LC/MS连续扫描时小于ppm m/z偏差的质量轨迹。 详细地说，从单个m/z开始，如果在下一次扫描(频谱)中发现的m/z，其与平均m/z的差异小于用户定义的m/z的ppm，则合并为一个ROI。 考虑到新加入的m/z值，ROI的平均m/z值也随之更新。
cwp <- CentWaveParam(snthresh = 5, noise = 100, ppm = 14,
peakwidth = c(1, 30))
参数说明
snthresh -- 定义峰检测时信噪比阈值
prefilter，c(k,I)-- 在第一步(ROI检测)指定预过滤步骤。 只有当它们包含至少k个强度值>= I的峰时，质量才会被保留。
noise --设置在第一个分析步骤中考虑的质心所需的最小强度(强度<噪声的将从ROI检测中忽略)
ppm -- 定义峰检测时连续扫描的m/z最大允许偏差，以ppm（parts per million）为单位
peakwidth -- 定义峰检测时峰宽范围，类似色谱峰的峰宽，该参数指定每个峰峰宽的最大值和最小值，以秒为单位。
centWave两个最关键参数是peakwidth （色谱峰宽的预期范围）和ppm（对应于一个色谱峰的质心 m/z 值的最大预期偏差；通常远大于制造商指定的 ppm）。
3.2 检测一级质谱
dda_data <- findChromPeaks(dda_data, param = cwp)
此时dda_data多了msFeatureData属性，检测到的色谱峰信息储存在
dda_data@msFeatureData[["chromPeaks"]]
dda_data@msFeatureData[["chromPeaks"]]%>% head()
# mz mzmin mzmax rt rtmin rtmax into intb maxo sn sample
#CP001 142.0084 142.0082 142.0085 100.967 98.508 102.562 288.7129 285.3309 125.2583 16 1
#CP002 142.9926 142.9922 142.9931 130.205 126.506 132.984 1148.2069 1141.9128 346.7006 88 1
#CP003 221.0918 221.0906 221.0925 239.257 236.657 240.897 459.3357 455.0957 189.3477 66 1
#CP004 221.0920 221.0916 221.0923 241.847 236.657 254.562 367.0682 357.8542 212.5239 15 1
#CP005 220.0985 220.0978 220.0988 241.018 237.187 247.874 1835.6351 1827.5389 585.3036 84 1
#CP006 219.0957 219.0950 219.0962 241.018 236.253 246.863 14940.2013 14880.2656 4877.1162 132 1
dda_data@msFeatureData[["chromPeaks"]]%>% nrow()
[1] 111
共检测到111个一级质谱,将检测到的离子可视化
plotChromPeaks(dda_data, xlim = c(80, 900), ylim = c(130, 650))
上图中一条线代表一个离子，线的长度代表峰宽，宽度代表质荷比m/z的范围。
也可以画成散点图
data=dda_data@msFeatureData[["chromPeaks"]]%>% data.frame()
plot(data$mz,data$rt)
或者ggplot2出图
p1=ggplot(data,aes(mz,rt))+geom_point(alpha=0.2)+theme_bw()
p1
途中可以看到许多重叠的点，说明这些离子具有相似甚至相同的保留时间和质荷比。
合并
合并伪峰和重叠峰
设置合并参数
mpp <- MergeNeighboringPeaksParam(expandRt = 2,expandMz = 0.45)
xdata_pp <- refineChromPeaks(dda_data, mpp)
#Merging reduced 111 chromPeaks to 55.
expandRt将保留时间窗口向两边扩展多少秒，
expandMz，将每个色谱峰的m/z范围扩大(两边)。
minProp, 数值在0-1之间，表示峰连接所需的强度比例。 默认(minProp = 0.75)表示只有当信号的中间部分大于两个峰值的“maxo”(峰值顶点的最大强度)中最小值的75%时，峰值才会连接。
111个峰合并为55个。
合并前后对比
data=xdata_pp@msFeatureData[["chromPeaks"]]%>% data.frame()
p2=ggplot(data,aes(mz,rt))+geom_point(alpha=0.2)+theme_bw()
p1|p2
提取上述色谱峰的二级质谱
dda_spectra <- chromPeakSpectra(dda_data)
mcols(dda_spectra) %>% nrow()
#[1] 122
共检测到122个二级质谱，有些色谱峰没有二级质谱，如CP001，有些色谱峰又有好几个二级质谱，如CP002。
ex_spectra <- dda_spectra[mcols(dda_spectra)$peak_id == "CP002"]
plot(ex_spectra[[1]])+theme_bw()
整合多个图谱
ex_spectrum <- combineSpectra(ex_spectra, method = consensusSpectrum, mzd = 0,
ppm = 20, minProp = 0.8, weighted = FALSE,
intensityFun = median, mzFun = median)
ex_spectrum
plot(ex_spectrum[[1]])
将整合后的碎片信息光谱与整合前做对比
par(mfrow = c(1, 3))
plot(ex_spectrum[[1]],ex_spectra[[1]])
plot(ex_spectrum[[1]],ex_spectra[[2]])
plot(ex_spectrum[[1]],ex_spectra[[3]])
比对评分
compareSpectra(ex_spectrum[[1]],ex_spectra[[1]], binSize = 0.02,
fun = "dotproduct")
compareSpectra(ex_spectrum[[1]],ex_spectra[[2]], binSize = 0.02,
fun = "dotproduct")
compareSpectra(ex_spectrum[[1]],ex_spectra[[3]], binSize = 0.02,
fun = "dotproduct")
参考资料：
https://bioconductor.org/packages/release/bioc/html/xcms.html
LCMS data preprocessing and analysis with xcms (bioconductor.org)