8.1 数据资源与工具生态

8.1 数据资源与工具生态

代谢组学的公共生态分四层：化合物知识库（这个分子是什么）、谱库（它的谱长什么样）、通路库（它在哪个网络里）、数据存证库（研究数据放哪）。工具链则围绕 R/Python 的几个核心包构成。

资源地图

数据库四层地图

选型上我的倾向：处理层 XCMS 或 MZmine 二选一（前者脚本化可复现，后者图形界面易上手），统计层留在 R（limma + ropls 组合覆盖 90% 需求），一体化网页工具 MetaboAnalyst 适合教学与快速预览——但论文级分析必须落在脚本里，网页点出来的结果无法逐参数复现（7.3 节债务三）。

版本与引用礼仪

数据库和工具都在持续更新，HMDB 的条目数、KEGG 的通路注释逐年变化。方法学里写清版本号与访问日期，是让三个月后的自己（和审稿人）能对上结果的最低要求。工具用了就引用——XCMS、MetaboAnalyst 这些工具的论文引用量就是它们的经费生命线。

⚠️ 常见坑：直接把数据库注释当结论。HMDB 的"detected and quantified"标注并不等于在你的样品里确证——注释工具把 m/z 匹配到库里的疾病相关代谢物，中间隔着 5.2 节整条置信度阶梯。

本节要点回顾

• 四层资源：化合物库、谱库、通路库、存证库，各有分工
• 工具链骨干在 R：XCMS + CAMERA + limma + ropls + pathview
• 论文级分析必须脚本化，网页工具只做预览
• 版本号与访问日期写进方法学
• 注释不等于结论，置信度阶梯随时在场

下一节讲这些数据能共享到什么程度。

工具地图按流程段排列

原始数据处理：XCMS/MSnbase（R）、MZmine、MS-DIAL——三者功能重叠，社区按语言偏好与图形界面需求分流。注释与谱库：GNPS/MassBank/HMDB/METLIN，加上 SIRI/CSI:FingerID 做计算预测。统计分析：MetaboAnalyst（网页与 R 双形态，事实标准）、ROCR/biosigner 做特征选择。通路：Mummichog、MetaboAnalyst 通路模块、KEGG/Reactome 接口。工作流封装：Nextflow/Snakemake 与 Galaxy 代谢组学轨道，把上述工具串成可复现流水线。

用公开数据做方法对照：一个起步练习

# 下载 MetaboLights 公开研究（示意编号 MTBLS1 类）后先做三件核查
checks = {
    "原始数据在库（mzML 而非仅峰表）": True,
    "含 pooled QC 与运行顺序表": True,
    "提供 ISA-Tab 完整元数据（含仪器参数）": True,
    "报告了 QC 的 CV 分布": False,
}
score = sum(checks.values())
print(f"FAIR 自查 {score}/{len(checks)}")
# 四项里缺"CV 报告"：复现峰表可行，但评估数据质量需自己重算
​

工具生态的选型原则是"社区最大者优先"：XCMS 与 MetaboAnalyst 的教程、论坛答案与错误案例最多，新手的时间成本最低；小众工具（某些付费平台的自带软件）可能在单项功能上更强，但出问题时无处求助。长期看，把流程封装进 Snakemake/Nextflow 的实验室，三年后仍能一键复现当年结果——工具生态章的落点不是罗列软件，而是搭建"自己实验室的流水线资产"。

从工具到流水线：一个最小 Snakemake 骨架

# 伪代码示意：把四段工具串成可复现流水线
rules = [
    ("raw_to_mzml",  "msconvert vendor.raw --mzML"),      # ProteoWizard
    ("peaktable",    "xcms centWave ppm=15 peakwidth=5,20"),
    ("annotate",     "msdial -i peaktable -o annot.tsv"),
    ("stats",        "MetaboAnalystR: PCA + PLSDA + 置换检验"),
]
for name, cmd in rules:
    print(f"rule {name}: {cmd}")
# 关键：版本号与全部参数写进 rule，重跑 = 一条命令
​

流水线化的收益在第三年显现：仪器升级、软件换代时，历史项目仍可整线重跑并对比差异。工具生态章的实践作业是把第 5 章的四个脚本封装成这样的骨架，作为实验室的第一份"代码资产"入库。

工具生态还有一个新手容易忽略的入口：每个主流工具的官方教程与内置示例数据。XCMS 的 faahKO 数据、MetaboAnalyst 的示例队列、GNPS 的教学谱库，都是作者团队精心挑选的"标准考题"——先在标准考题上复现教程结果，再处理自己的数据，遇到差异时才能区分"我的数据特殊"与"我的流程有错"。跳过这一步直接上手真实数据，排错时间平均翻数倍。工具生态不只是软件清单，还包括这些嵌在软件里的学习资产，善用它们是入门速度的最大杠杆。

工具选型还可以按维护活跃度过滤：过去六个月无提交、issue 无人回应的仓库，无论星标多少都应谨慎引入核心流程。一个务实的做法是把分析管线拆成"稳定层"（XCMS、MS-DIAL、MetaboAnalyst 这类多年维护的软件）与"实验层"（新发布的深度学习工具），实验层工具一律在容器中运行并锁定版本号，保证两年后重新执行仍能得到同一结果——可复现性本身就是数据生态的一部分。

资源引用也有规范可循：使用 HMDB 注释应注明版本号（不同版本间条目可增删两成），使用 GNPS 分子网络应报告参数文件与任务 ID。把"资源名+版本+访问日期"三要素写进方法学段落，是数据生态对使用方的最后一条互惠约定。