ΩOmicSolution蛋白质组学技术平台

SpectroDive Overview

SpectroDive 技术总述

本页按“软件角色、panel 设计、RT calibration、targeted analysis、绝对定量、结果解释、平台标准化、术语框架” 的顺序组织为连续教材,用于统一验证方法学框架,再进入 Foundations、Prepare、Analysis 和 Reporting 等页面做深读。

连续技术内容 按验证流程展开 连续技术内容 直连产品方案与验证交付
8模块数量
1总述页面
109知识模块范围

可作为连续阅读页面使用,也方便按模块来回查找。

Roadmap

SpectroDive 技术主线

SpectroDive 的正文主线沿着软件角色、panel 设计、RT calibration、Analysis、绝对定量、结果交付、管理与术语框架展开。这条顺序用于建立 targeted proteomics 的方法结构。

这条主线先建立判断顺序,再进入各子课程细化字段、图谱、报表与定量边界。先后顺序一旦固定,Prepare、Analysis、Reporting 与 QC 的关系就会变得清晰。

模块 核心问题 对应能力
软件角色SpectroDive 在 discovery 与验证链条里到底负责什么能区分“候选发现”与“可交付验证方法”是两回事
Panel 与方法开发目标物怎样被定义成可采集的 assay能解释 panel 字段、调度与 method export 的关系
Analysis 主线真实数据里哪些 peaks / transitions 值得保留能读懂 review、grouping、refinement 的后果
绝对定量哪些数值真的可以被报告能解释 LLOQ / ULOQ / LOD 与 range-limited 输出
结果解释与交付怎样把结果组织成别人能读懂的验证输出能区分 Post Analysis、Report 和 QC 的职责
标准化与自动化怎样让不同人反复跑出一致结构能理解 schema、global settings 与 CLI 的平台意义
教材页与子课程的衔接顺序

SpectroDive 的角色、panel 逻辑、analysis 主线与 absolute quantification 框架构成连续课程主干;Foundations、Prepare、Analysis、Post Analysis、Reporting 等模块进一步细化操作与字段。

这样读取时,先形成的是方法框架,再吸收每一段具体操作细节。

Module 1

软件角色与验证定位

SpectroDive 最核心的角色,是把 discovery 阶段得到的候选,转化为可以被反复运行、反复验证、甚至转化为 SOP 的 targeted assay。它既服务 PRM / MRM,也服务 SureQuant、hybridDIA、prm-PASEF 和 FAIMS-PRM 这类更高级的靶向工作流。因此它关注的重点并不是“覆盖越多越好”,而是“目标物定义得是否准确、方法是否可调度、结果是否可验证、定量是否可追责”。

对公司方案来说,SpectroDive 位于 discovery 与临床 / 转化验证之间。上游来自易肽试剂盒、Auto 平台与 Spectronaut discovery 分析;下游进入 biomarker 验证、药效 readout、绝对定量模板与长期 QC。panel、calibration curves、report schema 与 glossary 共同服务同一个目标:把候选变成可交付的方法。

软件 / 环节 更适合回答什么问题 SpectroDive 的核心职责
Spectronaut / discovery样本里有哪些候选、差异和机制线索它不负责把候选压缩成稳定 targeted assay
SpectroDive / validation哪些目标物能被稳定复测、复核和定量它把 panel、calibration、review、report 和 QC 串成方法平台
临床 / 转化交付哪些指标可进入 SOP、监测或药效 readout若没有 SpectroDive 这层,discovery 候选很难直接变成验证方法
软件角色的五项能力

第 6 页的 Scope of SpectroDive 明确列出了 5 个能力:高精度 iRT calibration、强力 XIC peak picking、即时且直观的数据可视化、定制化数据报表、全自动质量控制。这五条合在一起,就说明 SpectroDive 的任务不是“帮你看一个靶向峰”,而是帮你完成从方法导出到结果解释、从单次分析到长期 QC 的整条 targeted workflow。

它位于 discovery 之后、临床验证之前,负责缩小对象、提高精度并建立复用方法。panel、QC history、command line 与 glossary 都属于这条验证主线的一部分。

Module 2

Panel 与方法开发

在 MRM / PRM、SureQuant 与 hybridDIA 中,assay panel 是采集与分析所必需的详细 transition list。Q1、Q3、iRT、relative fragment intensity、modified sequence、protein ID 与 response factor 等字段共同构成方法骨架。

因此,学习 SpectroDive 的第一门课不是看峰,而是学会判断 panel 是如何生成的。是从 spectral library 里筛出来的,还是基于 FASTA 做的 in-silico design,还是从 sequence list 手工定义的。这三种来源的可信度、工作量和使用场景都不同。只有先理顺来源差异,后面的 split panel、RT calibration 和 method export 才有真正的方法学意义。

学习这一章时,应该把 Prepare Perspective 看作“方法开发台”,而不是“数据导入页”。一旦你建立了这个认知,后面再谈 dwell time、cycle time、scheduled windows 和 concurrent transitions,就不会只停留在参数层,而会回到 targeted assay 设计本身。

Prepare Perspective 的三步主线

第 25 页把 Prepare Perspective 定义得非常准确:它由 3 个连续步骤组成,分别是生成或选择 assay panel、指定用于 scheduled analysis 的 calibration run、以及选择参数并导出 instrument-specific acquisition method。这三步不是三个平行功能,而是一条方法开发流水线。只学 panel 不学 calibration,方法就无法稳定调度;只学 method export 不学 panel 来源,导出的只是一个你自己也说不清的黑箱方法。

panel 的三种来源包括 spectral library、FASTA 与 sequence list。Q1、Q3、iRT、RelativeFragmentIntensity、ModifiedSequence、ProteinId,以及绝对定量所需的 response factor / absolute amount unit 等信息,都会同时影响采集、打分、定量与报表。

这一模块最该记住的不是功能名,而是“字段决定后果”

例如 Q1 / Q3 不应被随意四舍五入,因为这是采集窗口与 fragment 提取的坐标;iRT 不是普通 retention time,因为它直接影响 scheduling 精度与分析速度;RelativeFragmentIntensity 会改善 limit of detection;如果目标是绝对定量,还要在 panel 层准备 response factor 和 protein scaling factor。学习这些字段时,需要同时理解字段值、采集行为、定量模型和最终报告后果之间的对应关系。

Module 3

Analysis 与 review 主线

与 discovery 软件不同,SpectroDive 的 Analysis Perspective 强烈依赖人工理解和方法学判断。你不仅要把 raw file、panel、calibration curves 和 schema 对接起来,还要在结果树里不断判断哪些 peaks 值得接受、哪些 fragments 该保留、哪些 transitions 更适合做定量、哪些对象只是身份确认。这种 review 劳动并不是软件“还不够自动”的表现,而是 targeted 方法开发本身的一部分。

condition annotation 与 grouping 共同决定统计比较结构和大项目 review 效率。多 run、多 panel 与多 workflow 场景下,只有把这两层组织好,方法优化才会稳定。

review 动作 它改变什么 学生最容易误解什么
accept / reject改变当前对象是否被当成可信 peak以为只是临时标记,其实会影响后续解释
exclude让对象退出 quantification 或 reporting把它误当成 hide,低估它对结果的影响
grouping / filtering决定 review 视图组织方式觉得只是界面整理,不知道它会影响大项目 review 效率
refinement把这次学习回写到下一次方法只把它当成“修一下当前结果”,忽略它是方法迭代入口
Analysis 的核心训练任务

因为 Analysis Perspective 把前面的设计全部带入了真实数据。这里既要完成 run、panel、analysis schema 与 calibration curves file 的对接,又要通过 Condition Setup 把统计结构定义清楚,还要在 review tree 里判断某个 elution group 是接受还是拒绝、某个 transition 是排除还是删除。每个动作的后果都不一样,并且很多变更只有通过 Process Pending ChangesRefine Assay Transitions 才会真正生效。

这一章要求持续把峰型、score、workflow type 与后续方法迭代联系起来。group by、tree filtering 与 commit changes 因此都属于方法训练的一部分。

Module 4

绝对定量与 calibration curve

绝对定量之所以难,不在于软件界面复杂,而在于它要求使用者同时理解标准样本设计、workflow type、reference channel、线性区间、LLOQ / ULOQ / LOD 和 dilution factor。只要其中一个环节理解不清,最终的绝对量就可能看起来“有个数”,却并不适合进入正式报告。Calibration curves 实际上是一套定量模型,而不是一个附加功能。

绝对定量可拆成三个核心问题:标准曲线如何建立;结果落在哪个范围内才可报告;报告字段应选择 AbsoluteAmount 还是 AbsoluteAmountRangeLimitted。这三点共同定义 SpectroDive 的定量层。

图上元素 / 字段 它真正说明什么 是否适合直接进入正式报告
AbsoluteAmount软件估算出的绝对量不一定,必须结合线性区间与边界字段一起看
AbsoluteAmountRangeLimitted按有效线性区间约束后的绝对量更适合正式交付
LLOQ / ULOQ / LOD可稳定定量的下限、上限和检测下限必须一起报告或至少一起解释
replicate outlier / blank line曲线是否稳定、背景是否过高不直接进入报告,但决定这个模型能否被相信
绝对定量的技术链

绝对定量的理解顺序是:先理解 calibrant runs 与未知样本的关系,再理解 workflow type 与 reference channel,随后明确 Process as Calibration Curve.ccs 的文件语义,最后进入 LLOQ、ULOQ、LOD 与线性范围。

calibration curve 图中的绿色菱形、浅蓝色定量框、橙色低于 LOD 的点、红色 blank 均值虚线、replicate outlier 与误差线共同构成定量判读语言。

Module 5

结果解释、Report 与 QC

在 targeted proteomics 里,Post Analysis、Report 与 QC 共同组成交付链。Post Analysis 负责判断矩阵质量和差异结构,Report 负责组织交付模板,QC 负责把单次项目放入长期运行历史。

Appendix 8 让结果解释从宏观图形下沉到字段层。PEP.IsProteotypicEG.CscoreEG.AbsoluteAmountRangeLimitted 等字段共同构成结果判读语言。

解释层 当前重点 进一步查看
Post Analysis整体矩阵质量、缺失值、CV、score 分布再看差异结构是否值得解释
Report对象层级和 schema 是否合理再决定哪些字段面向客户、哪些只留内部
QC本次 run 放到长期趋势里是否异常再决定是方法问题、平台问题还是样本问题
Appendix 8身份字段和质量字段最后才下钻到 transition-level 细节
Post Analysis、Report 与 QC 的分工

Post Analysis 负责判断整体矩阵质量、score 分布与差异结构;Report Perspective 负责把结果组织为可复用 schema,并区分 Normal Report 与 Run Pivot Report;QC Perspective 负责长期 instrument 与 workflow tracking。

三者共同决定结果能否从单次分析进入长期复用与正式交付。

Module 6

标准化与自动化

当团队逐渐形成固定 panel、固定验证路线与固定绝对定量模板后,Settings Perspective 与 Command Line 会成为关键层。数据库版本、parsing schema、method export defaults、QC history path 与 command line 模式,共同决定结果结构能否保持一致。

SpectroDive 的高级能力因此不仅体现在 workflow 复杂度上,也体现在模板化、复用与自动化能力上。

需统一的对象 最推荐先统一什么 如果不统一会怎样
Databases / parsingFASTA 版本、修饰命名、列映射同义词不同人导入相同项目也会得到不同对象解释
settings schemaroutine PRM、绝对定量、SureQuant 等模板analysis 逻辑随人变化,难以复盘
global defaultsdirectories、file name parsing、method export、QC history环境不可追踪,平台结果会越来越散
CLI最小可运行分析模板和 calibration curve 管理流程始终停留在手工操作,难以规模化
按 60-68 页顺序展开:默认设置、数据库与命令行包括哪些内容

这一部分至少包含 4 类内容。第一类是 Databases Perspective 管理的 FASTA、modifications、cleavage rules 与 table import synonyms;第二类是 Settings Perspective 中的 analysis settings、pulsar search settings、library generation settings 与 global settings;第三类是 directories、file name parsing、method export defaults、QC plot history 等环境级默认值;第四类是 command line mode,它让分析、加载 SPE 和合并 calibration curve sets 可以进入自动化流程。

这里解释的是:同一个 panel 在不同电脑上为何可能出现不一致、file name parsing schema 如何决定 Condition Setup 的自动化程度,以及 modifications mapping 如何影响外部搜索结果与库导入质量。CLI 与模板复用都建立在这套统一规则上。

Module 7

术语框架与 glossary

Glossary 的价值,在于它把方法学里最容易混淆的词压缩成一个最小闭环:MRM 与 PRM 的区别、Scheduled MRM 与 tMRM 的目的、assay panel 的基本构成、dwell time / duty cycle / cycle time 的约束关系,以及 FDR / q-value 这类统计术语的解释。对于新人来说,这个最小闭环非常关键,因为只要这些词还不清楚,后面所有按钮和图都会变得模糊。

Glossary 是“术语框架”,不只是附录。术语共同语言建立后,可回到 Prepare、Analysis 和 Reporting 中理解这些术语如何落在具体对象上。

词群 核心术语 优先级
采集方式MRMPRMScheduled MRMtMRM先决定你如何理解不同 targeted 数据长什么样
方法设计Assay PanelSpectral LibraryRTiRT它们直接支撑 panel 和 method export
统计与质量FDRq-valueCscore后续所有 score 与可信度判断都基于这些词
采样约束Dwell TimeDuty CycleCycle Time决定灵敏度、throughput 和峰上采样是否合理
Glossary 的阅读顺序

建议优先掌握 4 组词:`MRM / PRM / Scheduled MRM / tMRM`,`assay panel / spectral library / DDA / DIA`,`FDR / q-value / Cscore`,以及 `dwell time / duty cycle / cycle time`。

这四组关系构成 panel 设计、method export、Post Analysis 与 report headers 的基础语言。

Module 8

常见误区与方法边界

panel 属于会被 refinement 回写的长期方法文件;quantity 需要结合线性区间、score 与峰型共同解释;QC 与 settings 直接决定团队内部结果是否可重复;glossary 与 appendix 决定字段、图与方法边界能否被正确理解。

这四类边界共同构成 SpectroDive 的使用边界与学习深度。

常见误区 更准确的理解
“panel 导入成功就算方法准备好了”panel 只是起点,split、calibration、export 和后续 refinement 才决定方法质量
“quantity 有数就能报”必须一起看 score、峰型、LLOQ / ULOQ / LOD 和 range-limited 提示
“QC 和 settings 是管理员的事”它们直接决定团队内部结果是否可重复、可比较
“Glossary / Appendix 不算操作内容,可以最后再看”它们其实决定你能否理解字段、图和方法学限制

章节目录

继续查看章节索引、附录模块与 figure atlas。

查看章节目录

四类常见偏差
  • 把 panel 当静态清单,而不是会被 refinement 回写的长期文件。
  • 只看 quantity 数值,不看 score、峰型和线性区间提示。
  • 把 QC、settings 和 parsing schema 当成“别人负责”的事情,导致团队内默认环境混乱。
  • 忽略 Appendix 和 Glossary,结果知道怎么点按钮,却不知道字段与术语在说什么。