SpectroDive Post Analysis 模块

Post Analysis Perspective 会同时报告三类内容：一是 Analysis 的 summary information，二是 Scoring Histograms，三是 Differential Abundance 结果。这个顺序的含义是，SpectroDive 并不鼓励一进来就看候选表，而是先看 experiment-wide 的整体状态，再看识别分数分布，最后才看显著差异对象。

这也决定了后分析不是“统计展示区”，而是结果把关区。只有先从整体识别数、缺失值结构、CV 和 normalization 出发，才能判断某个差异结果究竟是生物学差异，还是矩阵本身不稳定造成的表观变化。

• 这一节先把 Post Analysis 定义为 summary information、Scoring Histograms 和 Differential Abundance 的集合，而不是先扔一张候选表。这说明 targeted 软件同样强调“先看矩阵是否可信”。
• Overview 会先展示 proteins / peptides identified、misscleavages、library recovery 等 experiment-wide 信息，然后才带出 identifications、data completeness、CV 和 normalization 图。
• 这样的顺序要求先建立整体实验轮廓，再进入后续统计解释，而不是看到 fold change 就直接开始讲故事。

Overview 下点名了四类图：identifications、data completeness、coefficient of variation、normalization。它们不是装饰性图表，而是四个连续判断。identifications 帮你确认不同条件下到底识别到了多少 proteins / peptides；data completeness 帮你判断缺失值结构是稀疏还是系统性；CV 告诉你重复间精密度是否足够；normalization 则用于观察系统偏差有没有被合理矫正。

这些图都支持右键修改设置，详细说明放在 Appendix 7 与 Box 1 中。这说明 SpectroDive 的图并不是“只能看”，而是可以切换 context、导出矩阵、调整展示方式的分析工具。每张图都需要结合右键选项一起阅读，形成“图和参数一起读”的习惯。

• 它把“目标物本来应该长什么样”与“当前 analysis 里被认为可信的信号”联系起来，特别适合用来解释 target / decoy 区分度和识别分数的含义。
• 对靶向验证来说，这一步尤其重要，因为很多后续 refinement 决策，都建立在“当前 transition 组合是不是让 score 足够稳”的判断上。

这一节的核心定义非常直接：Scoring Histograms 展示的是 target 与 decoy distribution estimation 的行为，而这种行为定义了 precursor level 上的 discriminant scores、Cscores、q-values 和 sensitivity。也就是说，这里不是在看“一个好看的分布图”，而是在看软件如何区分真实目标与干扰、如何把这种区分转成识别分值和错误发现控制。

scoring histograms 会根据当前实验中存在的 workflow 分别展示。也就是说，label-free、labeled、spike-in 等 workflow 的 scoring 结构并不完全一样，这里更像“不同 workflow 在当前实验中的识别难度剖面图”，而不是统一模板图。

• Appendix 7 对 Data Completeness 的解释非常具体：红条是 cumulative sparse profiles，蓝条是 cumulative full profiles，底部直方图还会告诉你 missing values 和 single-hit precursors 的分布。
• CVs below X 则不是单纯给一个平均 CV，而是告诉你在不同条件下，有多少 precursors / peptides / proteins 落在 ≤10% 或 ≤20% CV 的区间中，更适合做平台级精密度判断。
• 这两张图需要一起阅读：一张告诉你数据完整不完整，一张告诉你重复稳定不稳定。只有这两层都过关，差异结果才值得继续往下解释。

这其实是在强调 normalization 属于“判断实验状态”的步骤，而不是纯粹的报表加工步骤。只有先在后分析层确认 normalization 前后整体分布是否合理，后面导出的 quantities、fold changes 和候选列表才具备解释基础。换句话说，normalization 在 SpectroDive 里更像质控与解释的交界面，而不是一个隐藏在字段里的计算结果。

• Differential Abundance 被放在 Post Analysis 后段，目的就是让它建立在 overview、completeness 和 CV 判定之后，而不是先于质量判断。
• 因此这一部分的展开也应如此：先判断实验矩阵，再决定是否把差异对象推进到 report schema、QC 复盘和客户交付层。

Candidates table 先于 Differential Abundance plots 出现，这个顺序非常关键。Candidates table 里每个 pair-wise comparison 会以颜色方向、颜色强度和圆点大小共同表示变化方向、变化比例和显著性水平；fold change 默认以平均重复的 AVG Log2 Ratio 表示；默认过滤条件是 multiple testing corrected q-value ≤ 0.05 且绝对 log2 ratio ≥ 0.58。这说明软件默认已经帮你建立了一套较保守的候选筛选门槛，但也明确允许按项目需要修改阈值。

这一节还有三个很实用的细节。第一，Candidates table 的过滤条件会自动同步到 Volcano Plot，所以学生要意识到表和图其实共用一套筛选逻辑。第二，可以通过 Column Chooser 增减列，例如把 p-value 加回来；底部的 Search 字段则适合快速定位某个蛋白或肽。第三，表格可以直接导出 Excel，Heatmap 的原始矩阵也能通过右键导出。这意味着 SpectroDive 的差异分析不是封闭黑箱，而是鼓励你在软件内筛选、在软件外复核。

Heatmap 和 Volcano 则分别承担结构化与显著性两种视角。Heatmap 会按照 Post Analysis settings 做行列聚类，更适合看条件间整体模式和聚类稳定性；Volcano Plot 把 fold change 与显著性同时放在一张图上，更适合快速定位候选。当条件超过两组时，还可以分别查看全条件分析和两两比较的 volcano，这一点在多条件设计项目里尤其重要。