企业官网建设流程全解析

xcms这个软件，说实话，已经快20岁了。一个在2005年推出的R包，到现在依旧是代谢组学数据处理绕不开的选项，这本身就挺罕见的。我早期做非靶向代谢组学的时候，就被它折腾过，也被它惊艳过。今天想系统的聊聊这个“老伙计”，聊聊它到底解决了什么问题，以及为什么到了今天，我们处理LC-MS数据时还是要把它的逻辑摸清楚。

1. 核心设计与定位：为什么2005年需要xcms，现在依然需要

1.1 当年的困境：数据处理的“黑暗森林”

在xcms出现之前，做代谢组学或者相关质谱数据分析，是个非常痛苦的事情。那个年代仪器厂商各自为政，输出格式五花八门，数据分析基本靠仪器自带的工作站配合一堆手工Excel操作。你想把一个样本的原始数据批量处理，或者想换个算法重新处理一遍，几乎等于噩梦。

更麻烦的是，那时候高分辨质谱开始普及，数据量猛增。一台Q-TOF或者Orbitrap跑完一批样本，产生的原始文件动辄几个G。传统的手动积分、逐峰确认方式根本没法应付。代谢组学的核心是“非靶向”，意味着你不知道你要找什么，你只知道一堆样本里有差异。这个“不知道”，就需要一个能自动化、能重现、能处理大规模数据的工作流。

xcms的价值，就是在这个时间点，把整个LC-MS数据处理流程——从原始文件读入、峰检测、峰对齐，到最终输出一个表达矩阵——用R语言这套开放生态，变成了一条标准化的流水线。它借了Bioconductor的东风，让统计分析（PCA、OPLS-DA等）和数据处理在同一个环境里无缝衔接，这对于当时习惯了“工作站处理完导Excel再进SPSS”的人来说，是降维打击。

1.2 解题思路：“峰表”为核心，替代手工积分

xcms的整体设计思路，用一句话概括就是：先把复杂的三维原始数据（保留时间、质荷比、强度）抽象成一张“峰表”，之后的统计分析全都基于这张表展开。

这个思路现在看着顺理成章，但在当时是很有魄力的。因为质谱原始数据是连续的谱图，而代谢组学关心的是“哪些化合物在哪些样本里有多少”。xcms通过算法，把信噪比符合要求的信号峰拉出来，记录它们的m/z、保留时间、峰面积（或峰高），然后通过保留时间对齐和峰匹配，把不同样本里同一个化合物对应起来，最后输出一张“样本 × 峰”的表格。

这个设计的优势太明显了：它在数据处理和分析之间画了一条清晰的界线。数据处理解决“这个峰是什么、有多大”，统计分析解决“这些峰有没有统计学意义”。你可以在任意阶段停下来检查，也可以换不同的算法参数重新跑，而整个流程是可重复、可记录的。这一点，直到今天，很多商业软件都做得不如xcms彻底。

2. 核心算法拆解：centWave到底强在哪里

2.1 从matchedFilter到centWave

只要是老用户，都知道xcms最初的默认峰检测算法其实不是centWave，而是matchedFilter。这个算法的逻辑有点像“模板匹配”：它在一系列的m/z窗口里，对信号做平滑处理，然后设定一个阈值来找“小山包”。

但matchedFilter有个致命弱点：它对峰宽的容忍度很低。如果你的色谱峰比较宽，或者基线漂移严重，它就容易漏检或者把噪声当成峰。而且参数不好调，一个数据集调好的参数，换一批样本又不行了。

好在xcms在2006年左右引入了centWave算法，这才是真正让它“正中代谢组学眉心”的大杀器。centWave的思路完全不同，它不依赖固定的m/z窗口模板，而是先在原始数据里寻找“感兴趣区域”（ROI，Regions of Interest）。它的逻辑是：一个真正的色谱峰，在连续的质谱扫描中，它的精确m/z应该是基本不变的，变化的只是强度。所以算法先在m/z维度上扫描，把所有能连续匹配上且强度变化符合色谱峰形状的信号串联起来，形成ROI候选。然后再对这些候选的色谱峰做连续小波变换（CWT，Continuous Wavelet Transform），通过小波变换的多尺度特性，识别峰的真实形状和边界。

2.2 用生活的类比理解小波变换

这个连续小波变换听起来抽象，可以这样理解：色谱峰的形状就像一座起伏的山丘，但山丘大小不一，高的矮的宽的窄的都有。你用一个固定大小的尺子去量，肯定量不准。小波变换相当于拿了一把可以自动伸缩的尺子——它从多个尺度去扫描信号，哪个尺度下信号和小波的形状最匹配，就认为那里有个峰，并顺手把峰的宽度和位置定下来。

这个设计的聪明之处，在于它对重叠峰和低丰度信号的识别能力。实际样本里，杂质非常多，两个峰挨得很近是常态。centWave先通过ROI锁定候选，再用小波变换精确定位，这套组合拳在抗干扰性上远比简单的滑动窗口平滑要强。我现在用的很多新软件，算法内核还是在吃centWave的红利。

3. 实操工作流：从原始数据到可统计的峰表

3.1 数据准备：格式转换，别给自己埋雷

无论用哪个工具，第一步永远是数据格式转换。不要用仪器厂商自己的格式直接喂给xcms，除非你想体验掉头发的感觉。厂商格式（.wiff、.raw、.d等）往往封装了私有信息，甚至有些还带着加密，xcms读起来又慢又容易出错。

我的习惯是先把所有原始文件用msConvert (ProteoWizard的一部分) 统一转成.mzML格式。转换时有几个细节要注意：

• profile data和centroid data的选择：早期很多教程建议用centroid数据（质心模式），因为文件小、处理快。但如果你用的是centWave，我强烈建议用profile数据（轮廓模式）来跑，因为centWave在识别ROI时会用到谱峰的形状信息，profile模式结果更稳。虽然文件大一点，但是为了准确性，值。
• 文件命名要规范：尽量短且不含特殊字符，不要用中文、不要带空格，更不要用“-”号。R在读取文件名时遇到这些容易出问题，而且后续写代码做分组时，文件名要用来批量提取样本组信息。推荐格式：sample1_control_rep1.mzML、sample2_disease_rep2.mzML这种，用下划线分好信息段，后面一个strsplit就能拿到分组信息。
• 保留时间、m/z校准：转格式时不要乱动数据，关闭所有降噪、平滑选项，保持“原汁原味”。xcms的算法是设计来处理原始噪声的，你提前平滑反而可能引入假峰或者破坏低丰度信号的真实形状。

3.2 读入数据：封装成XcmsExperiment对象

现在的xcms是第三版架构了，读入数据的方式和老的xcmsSet对象相比变化巨大。现在的统一入口是readMSData或者直接用xcms::xcmsExperiment函数。读入后，数据会被封装成一个XcmsExperiment对象，后续所有操作都围绕这个对象转。

# 建议在R 4.2以上版本运行，安装最新版xcms library(xcms) library(MSnbase) # 读取所有mzML文件，注意用phenoData描述样本分组信息 raw_data <- readMSData( files = list.files("your_path", pattern = ".mzML", full.names = TRUE), mode = "onDisk" ) # 查看基本信息 raw_data

如果你的样本分成了两组，一定要在读取之后给每个样本补充分组信息。这一步很多人会忽略，导致后面做PCA或者差异分析时，不知道怎么分组。正确的做法是这样：

# 假设文件名都是 sample_group_rep.mzML 格式 sample_meta <- data.frame( sample_name = basename(fileNames(raw_data)), stringsAsFactors = FALSE ) sample_meta$group <- gsub(".*_([a-zA-Z]+)_.*", "\\1", sample_meta$sample_name) # 把分组信息塞进对象 sampleData(raw_data)$group <- sample_meta$group

3.3 峰检测：参数调优的艺术，核心中的核心

峰检测是整个流程中最关键的步骤，参数选错了，后面对齐、注释做得再漂亮也是白搭。我用的是findChromPeaks函数，算法选CentWaveParam。

# 定义centWave参数 cwp <- CentWaveParam( peakwidth = c(5, 20), # 色谱峰宽范围（秒） snthresh = 10, # 信噪比阈值 noise = 1000, # 噪声过滤阈值 ppm = 15, # 质量精度偏差（ppm） mzcenter = TRUE, integrate = 1, # 峰积分方法 mzdiff = -0.001, # 相邻峰最小m/z差 fitgauss = TRUE, # 尝试高斯拟合 verboseColumns = TRUE # 输出额外诊断信息 ) # 执行峰检测 xdata <- findChromPeaks(raw_data, param = cwp)

这些参数里，最需要花心思的是peakwidth和ppm。peakwidth必须根据你的色谱条件设置。如果你用的是UPLC，峰宽可能集中在5-15秒；如果是普通HPLC，峰宽可能到20-40秒。不要偷懒用默认值，最合理的办法是打开一个代表性样本的TIC图，随机挑几个明显的峰，量一下它们的峰底宽和峰顶宽，再填进去。ppm则取决于你的质谱仪精度。Orbitrap可能只需要5-10，Q-TOF可能给15-25，给得太小会漏峰，给得太大容易把同位素峰也当成候选，增加后续去重负担。

snthresh设为10就够用了。有时候为了尽量召回真峰，可以先设到5，后面靠统计手段过滤。但如果你直接设到30或者更高，很可能把低丰度的代谢物全丢了，做非靶向这是不能接受的。我一般先设8～10跑一轮，看峰数量曲线，再做调整。记住：峰检测宁可多召回，不可漏检。后续可以用peakQC等工具，或者用QC样本的变异系数（CV）来过滤不可靠峰。

3.4 分组对齐：跨样本匹配，决定数据质量

检测完峰，每个样本里都有一堆峰表。但不同样本之间，同一个化合物会因为梯度漂移、温度变化等原因，保留时间发生偏移。你需要让算法知道“样本1里RT=120.5s的峰”和“样本2里RT=123.1s的峰”其实是同一个东西。这就是对齐分组。

# 先用peak density方法做初始分组 pdp <- PeakDensityParam( sampleGroups = sampleData(xdata)$group, bw = 5, # 带宽：允许的保留时间漂移范围（秒） minFraction = 0.5, # 该峰在至少50%的样本中存在 binSize = 0.025 # m/z方向的bin宽度 ) xdata <- groupChromPeaks(xdata, param = pdp) # 再进行保留时间校正 xdata <- adjustRtime(xdata, param = ObiwarpParam())

bw参数是核心，它控制聚类时允许的保留时间漂移范围。如果你的样本批次比较稳定，bw=2或3就够了；如果样本量大，或者跨度时间长、漂移严重，设置5甚至10都不过分。但要注意，bw设得太大，会把本来不同的峰错误地匹配在一起。最关键的是，这一步做完一定要检查。绘制保留时间校正前后的偏差图，看看校正曲线是否平滑，有没有明显的跳动。如果校正后反而更乱了，就需要考虑是不是binSize设得太大或者太小。

对齐之后，再做一次分组（第二次分组），这一次就是最终确定峰表了。有些教程会省略第二次分组，直接fillChromPeaks，以前我这么干过，后来发现峰表里有很多NA，就是因为最终分组没有做。正确操作是：

# 重新分一次组，生成最终的峰表 xdata <- groupChromPeaks(xdata, param = pdp) # 填充缺失峰：用积分区域内的原始信号估算缺失值 xdata <- fillChromPeaks(xdata, param = FillChromPeaksParam())

fillChromPeaks这一步很关键。一张表达矩阵里全是NA，下游统计做着很费劲。这个函数会用已知峰的保留时间和m/z窗口，去原始数据里重新积分，把缺失值补上。注意它不等于“造数据”，补进去的值是有原始信号支撑的，这样后续做PCA和差异分析时会顺利很多。

3.5 提取结果：从峰表到数据矩阵

上面几步跑完，就可以从xdata对象里提取最核心的结果了——那个用于后续分析的峰表。

# 获取峰表 peaks_tbl <- chromPeaks(xdata)

如果你想把峰面积变成“行是峰，列是样本”的矩阵，直接用featureValues：

# 提取特征表达矩阵 feature_mat <- featureValues( xdata, method = "maxint", # 同个特征在样本中出现多个峰时取强度最大者 value = "into", # 使用峰面积 filled = TRUE # 包含填充值 ) # 转换成数据框并导出 feature_df <- as.data.frame(feature_mat) write.csv(feature_df, "xcms_feature_matrix.csv", quote = FALSE)

这里的value参数值得多说两句。into是峰面积，maxo是峰高。大部分代谢组学文献用峰面积作半定量，如果你的色谱峰形普遍不好（比如严重拖尾），用峰高反而可能更稳定。我一般两个都会试，比较一下QC样本CV值，再决定用哪个出结果。

4. 进阶技巧：跑批正确，别只盯着默认值

4.1 用IPO自动优化参数，但别迷信自动化

xcms最劝退新手的地方就是参数太多，调起来全靠手感。有个R包叫IPO（Isotopic Peak Optimization），能做参数自动调优。它的原理是跑多组参数组合，用一个响应函数评估峰数量、峰形、重复性等指标的平衡。我用下来觉得，IPO作为初筛工具很好用，尤其是你拿到一个新类型的数据、完全没概念时，跑一遍IPO能拿到一套不错的起步参数。

library(IPO) # 这是早期版本用法，新版本请参考IPO文档 peaks_ipo <- findPeaks_IPO( raw_data, params = list(ppm = c(10, 20), snthresh = c(5, 10), peakwidth = c(5, 20)) )

但IPO也有局限。第一，它很费时间，大数据集跑一个组合要半小时，全部跑完可能一天就没了。第二，它优化的是“统计意义上的最优”，未必是“生物学意义上的最优”。它可能会为了减少峰数量而牺牲掉一批低丰度但很有意义的小峰。所以我自己习惯的做法是：先用IPO拿初始参数，然后人工抽查几张总离子流图，看看那些你关心的目标峰、或者已知的内标峰有没有被正确检出，再微调noise和snthresh。

4.2 QC样本和空白的处理方式

拿到峰表之后，QC样本就是你的照妖镜。做非靶向代谢组学的标准流程，隔几个样本就穿插一个QC样本（同一个混合样本分装成很多针）。这批QC样本要参与先前的峰检测和对齐，但在最终统计中，它们用来评估技术重复性。计算每个特征的QC样本相对标准偏差（RSD），凡是RSD > 30%的峰，原则上都应该剔除，因为这样的峰不可靠。

# 假设QC样本名里有"QC"字样 qc_idx <- which(grepl("QC", colnames(feature_mat))) rsd <- apply(feature_mat, 1, function(x) { sd(x[qc_idx], na.rm = TRUE) / mean(x[qc_idx], na.rm = TRUE) }) keep <- which(rsd <= 0.3) filtered_mat <- feature_mat[keep, ]

空白样本（blank）也很有用。做样本前先跑一针空白溶剂，这一步不是为了找峰，而是为了记录背景信号。后面过滤特征时，凡是在空白里也有明显信号的峰，大概率是溶剂残留、塑料增塑剂或者仪器污染，要剔除。

4.3 把峰表转换成能做差异分析的格式

xcms输出的峰表，只是一个宽表：“行是特征，列是样本”。要真正做差异代谢物筛选，通常还要做缺失值填补、数据归一化、Pareto缩放这些步骤，然后再扔给ropls做OPLS-DA。我习惯在xcms峰表基础上，用metabolomics这类工具做后续处理。但无论如何，xcms这一步输出的峰表质量，直接决定了后面能筛出来多少靠谱的差异代谢物。很多人在这一步草草了事，后面拼命调统计参数，其实是本末倒置了。

5. 常见问题与排查技巧：你大概率会踩的这些坑

5.1 峰数量少得可怜或者多到爆炸

跑完findChromPeaks，发现检测出的峰数量和你预期严重不符。这时候不要慌，按顺序排查：

• 峰太少：第一反应是snthresh设太高了，把它从10降到5试试。第二个可能是ppm设太小，导致ROI识别时很多谱峰没有被连接起来。第三个可能是noise假设，如果质谱仪器基线噪声很高，设一个高于实际噪声水平的noise值，会直接把低丰度峰全屏蔽掉了。
• 峰太多：多半是peakwidth范围给太宽了，很多噪声也被当成了峰。比如你把peakwidth下限设成1秒，那几乎每个扫描点的噪点都会被当成极窄峰识别出来。还有可能是ppm设太大，把同位素峰、加合峰都当成独立候选了。

提示：判断峰数量是否合理，没有绝对标准。一般做正离子模式的血浆血清样本，一个样本检测到5000~20000个峰是常见的。如果只有几百个，大概率是参数太严了；如果动不动几十万个，那多半是模型对噪声过拟合了。

5.2 内存溢出或跑批速度慢

xcms最让人头疼的另一个点，就是当你有一百多个大体积.mzML文件时，跑起来非常吃内存。我的建议是：数据量大的时候，不要一次性把所有文件都读进R。先对每个文件单独做峰检测，再把检测结果合并。xcms的findChromPeaks本身支持传入一个文件列表，并逐个处理，但要注意合并时的分块策略。还有一招是把数据切成多个时间窗口分段处理，最后再用joinWindows合并，这招对保留时间很长的梯度特别有效。另外，能开多线程就开多线程。我在Linux服务器上跑，register(BPPARAM = MulticoreParam(4))直接提速三倍以上。

5.3 保留时间校正后反而更差了

有一次我拿一批跨了三个月、分三批采集的样本跑数据，发现adjustRtime做完之后，部分峰的对齐效果反而比校正前更差。后来排查发现，是因为样本间空白批次太多，空白样本里的峰很稀疏，整个校正过程被这些空白样本严重带偏。

这时候有两个思路：一是把空白样本从校正流程中暂时剔除，只用真实样本做对齐，之后再单独补上空白样本的峰；二是用ObiwarpParam时，把distFun从默认的cor换成cor_opt或cov，后两者在稀疏数据下更稳健。这个方法调了之后，峰表的完整度明显好了很多。

5.4 加合物和同位素峰导致特征冗余

xcms输出的峰表里面，同一个代谢物往往对应多个特征。比如一个化合物有M+H峰，还有M+Na峰，还有M+H的13C同位素峰。如果不做去冗余，后面做差异代谢物筛选时会看到一堆高度相关的重复特征，统计上容易造成假阳性。

这边我的经验是按相关性聚类的思路来处理：先根据峰表计算特征间的相关矩阵，然后用一个联通分支算法把相关性大于0.8的特征聚成一组，每组里保留信号最强或最稳定的那个作为代表特征。更精细的办法是用CAMERA（另一个包）来识别加合物和同位素峰，它能把同位素峰、加合峰归到一个“feature group”里。不过注意CAMERA本身的输出格式和xcms新版本略有出入，用之前最好查一下兼容性。

5.5 新版本xcms和老代码的兼容性

xcms的API在过去十年里大改过好几次。你如果是在网上搜的教程，看到有人用xcmsSet、group、retcor这些老函数，千万别直接复制。新版本（3.x）推荐的写法是用findChromPeaks、groupChromPeaks、adjustRtime这套函数。如果你拿到的是老代码，可以粗略理解成：

• new("xcmsSet")→readMSData
• findPeaks.centWave()→findChromPeaks()
• group()→groupChromPeaks()
• retcor()→adjustRtime()
• getPeaklist()→featureDefinitions()+featureValues()

为了省事，我现在直接统一用findChromPeaks、groupChromPeaks、adjustRtime这套新接口，跑完再用exportMetaboAnalyst之类的方式导出，可以和下游工具无缝衔接。

6. 一个可参考的完整代码骨架

最后，我把一套在实际项目里跑通的完整代码骨架贴出来，你可以直接照着改成自己的样式。注意，这套代码只是参考，参数务必按你自己的数据特性来调。

library(xcms) library(MSnbase) # 1. 读入数据 raw_files <- list.files("mzML_dir", pattern = ".mzML", full.names = TRUE) raw_data <- readMSData(raw_files, mode = "onDisk") # 2. 设置分组信息（假设文件名：condition_rep.mzML） sample_info <- data.frame( sample = basename(raw_files), group = sub("_.*", "", basename(raw_files)) ) sampleData(raw_data)$group <- sample_info$group # 3. 峰检测 cwp <- CentWaveParam( peakwidth = c(5, 20), snthresh = 10, ppm = 15, noise = 1000, fitgauss = TRUE, verboseColumns = TRUE ) xdata <- findChromPeaks(raw_data, param = cwp) # 4. 初始分组（用于校正） pdp <- PeakDensityParam( sampleGroups = sample_info$group, bw = 5, minFraction = 0.5, binSize = 0.025 ) xdata <- groupChromPeaks(xdata, param = pdp) # 5. 保留时间校正 xdata <- adjustRtime(xdata, param = ObiwarpParam()) # 6. 最终分组 xdata <- groupChromPeaks(xdata, param = pdp) # 7. 填充缺失峰 xdata <- fillChromPeaks(xdata, param = FillChromPeaksParam()) # 8. 提取峰表和特征矩阵 peak_table <- chromPeaks(xdata) feature_matrix <- featureValues( xdata, method = "maxint", value = "into", filled = TRUE ) # 9. 保存 write.csv(feature_matrix, "xcms_feature_matrix_final.csv", quote = FALSE)

7. 我的实操体会与扩展建议

用了这么多年，现在回头再看xcms，我依然觉得它“正中代谢组学的眉心”这个说法并不过分。它没有做什么天花乱坠的事情，但把数据处理中最基础、最枯燥、最繁琐的工作，用一套开放且可继承的框架固化了下来。尤其是当你需要批量处理上百个样本，或者需要完全重现一套数据处理流程的时候，那种“一切都清清楚楚，每一步都有日志”的踏实感，是任何商业软件都给不了的。

如果你现在刚开始学代谢组学数据处理，我建议不要跳过xcms直接去点各种在线平台。花两周时间把xcms的基本工作流跑通，你就能深刻理解峰检测、保留时间校正、峰对齐这些名词的实际意义。等回过头再去看其他软件，你会发现它们说的很多“改进”和“优势”，底层逻辑其实都是在和xcms做对比。最后提醒一句：跑数据前，一定要先看好仪器状态，同一天连续采集的样本质谱漂移小，参数就好调；跨很多天采集的样本，参数就得留出足够裕量。数据处理永远是为数据采集服务的，设备端做不好，算法再优化也白搭。