文献解读 A MAXLFQ

离子化效率不同可能无法直接比较
分馏后，

要理解为什么分级（Fractionation）会破坏这个基准，我们需要先看看传统归一化是怎么“作弊”的，然后再看分级是如何把这个“作弊”手段拆穿的。

1. 传统归一化的基础：大数定律与“多数不变”假设

在不分级的情况下（比如一个全蛋白样本直接进样），我们常用的归一化方法（如 Median Centering 中位数对齐、Total Intensity Normalization 总强度归一化）背后，有一个根本性的统计学假设：

“在绝大多数生物学实验中，虽然有少数基因/蛋白发生了显著的剧烈变化，但成千上万个蛋白的总体分布和中位数（或总和）在不同样本间应该是基本恒定的。”

基于这个假设，生信软件会怎么做？
假设有 Sample A 和 Sample B 两个平行样本：

软件把 Sample A 里所有肽段的强度加在一起，得到一个总和 $1 0^{9}$ ；
把 Sample B 里所有肽段的强度加在一起，得到 $1.2 \times 1 0^{9}$ 。
软件会认为：“这两个样本是平行的，总蛋白量应该一样。Sample B 之所以高了 20%，肯定是因为上样量微调、或者质谱今天喷雾效率高了（系统误差）。”
操作： 软件把 Sample B 的所有肽段强度集体除以 1.2（或者整体对齐它们的中位数）。这样，两个样本就被拉到了同一个“全局基准线”上。

这种方法之所以有效，是因为 Sample A 和 Sample B 里面包含的肽段种类是完全一样的（都是全蛋白大锅饭）。

2. 分级（Fractionation）后，这个假设彻底崩溃

现在，我们把 Sample A 和 Sample B 分别做高 pH 反相色谱分级，各自切成 3 个 Fraction（实际通常是 10-60 个，这里为了简化）。

因为分级是按理化性质（如疏水性）分离的：

Fraction 1：全是很亲水的肽段。
Fraction 2：全是中等疏水的肽段。
Fraction 3：全是极度疏水的肽段。
不分级时： 每一个样本都是一碗成分一模一样的“八宝粥”，我们只需要称一称两碗粥的总重量（Total Intensity）或者挑出中间那颗红豆（Median），就能作为基准把两碗粥对齐。
分级之后： 这一碗粥被分成了红豆碗、绿豆碗、大米碗。而且由于手抖（分级误差），Sample A 的红豆碗里混了点绿豆，Sample B 的红豆碗里混了点大米。此时，红豆碗和红豆碗之间成分不同，不能直接比；红豆、绿豆、大米又分在不同的时间秤，合起来称误差巨大。

这就是所谓的“失去了横向对齐的全局参照物”。在生物信息学中，如果没有可靠的参照物，任何归一化算法（无论是 Linear Regression、LOESS 还是 Median）都只是在“闭着眼睛搅浑水”，甚至会创造出假阳性的差异蛋白。

这是全文最核心创新。
MaxLFQ 最大化利用所有 peptide ratio
而不是使用传统的定量是直接肽段加和

你提到的“Retention Time Alignment（保留时间对齐/校正）”和“跨run匹配（通常指 Match Between Runs, MBR）”，正是现代质谱无标定量（Label-free Quantification, LFQ）算法用来打破前面所说的“分级魔咒”和“系统漂移”的核心生信武器。

我们可以把这个过程理解为：生信软件在没有物理全局基准的情况下，通过在四维时空（质荷比、保留时间、离子强度、离子迁移率）中画“像素格”，硬生生在数据端重建了一个高精度的全局坐标系。

1. Retention Time Alignment（保留时间对齐）

解决的问题：色谱柱的“物理伸缩”

虽然我们希望色谱分离像钟表一样精准，但实际上，哪怕是同一样本连续进样两次（Run 1 和 Run 2），由于柱压微调、流动相比例极其微小的扰动或柱温变化，同一种肽段被洗脱出来的绝对时间（Retention Time, RT）一定会发生微小的偏移（比如 Run 1 在 45.2 分钟洗脱，Run 2 在 45.8 分钟洗脱）。

生信如何对齐？ 软件（如 MaxQuant 或 DIA-NN）不会死板地去比对绝对时间。它会扫描整个 Run 1 和 Run 2 中成千上万个被共同识别的“锚点肽段”（Anchor Peptides），利用非线性回归算法（如 LOESS 或动态时间规整 DTW），把 Run 2 的时间轴像拉橡胶圈一样进行局部拉伸或压缩，最终让两个 Run 的时间轴完全重合。
对齐的效果： 校正后，Run 1 的 45.2 分钟和 Run 2 的 45.8 分钟被归入同一个“校正后时间窗口（Aligned RT）”。这是跨 run 匹配的绝对前提。

2. 跨 run 匹配（Match Between Runs, MBR）

拯救“数据缺失（Missing Values）”与“分级物理偏移”

在常规质谱（尤其是 DDA 模式）中，质谱仪采用的是“抓大放小”的动态依赖扫描（数据依赖性采集）。如果一个肽段在 Sample A 里的信号很强，被质谱抓到并测序（MS2）鉴定到了；但在 Sample B 里由于种种原因（比如上样量微减，或者它刚好滑落到了临近的 Fraction 组分里导致浓度变稀），质谱没有对它进行测序，那么在 Sample B 里这个肽段的定量值就会变成 0（缺失值）。

一旦对齐了 Retention Time，MBR 就可以开始“作弊”了：

MBR 的核心逻辑： > 软件在 Sample A 的 45.2 分钟（校正后）鉴定到了肽段 $X$ ，并且知道了它的精确质荷比（ $m / z$ ）。
此时，软件转头去看 Sample B 的 45.2 分钟（相同位置），虽然质谱在 Sample B 里没有对这个地方进行测序鉴定，但软件发现这里居然有一个一模一样 $m / z$ 的一级质谱（MS1）信号峰！
软件就会大喊：“破案了！虽然你没测序，但根据时空坐标，你就是肽段 $X$ ！”然后直接把这个 MS1 峰的面积圈起来，作为 Sample B 的定量值。

3. 它们如何完美支撑 LFQ 方法学？

通过将 RT Alignment 和 MBR 结合，LFQ 在生信端完成了以下跨越，确保了样本间的可比性：

① 抹平了分级（Fractionation）带来的物理剪切误差

回到上一问的例子：肽段 $X$ 跨越了边界，80% 掉在 Frac 1，20% 掉在 Frac 2。
在没有 MBR 之前，Frac 2 因为那 20% 的信号太低，质谱直接不测序，这 20% 的信号就永久丢失了，导致总量计算不准。
有了 MBR 之后，即使那 20% 的微弱信号没被测序，软件也能通过时空对齐，在 Frac 2 对应的位置把这 20% 的强度“捞”回来。最后把 Frac 1 的 80% 和 Frac 2 的 20% 一加，完美还原 100% 的真实丰度。

② 构建了虚拟的“全局矩阵”

传统的归一化因为找不到参照物而失效。而 MBR 通过在所有 Run 之间互借鉴定信息，让原本千疮百孔、充满缺失值（Missing values）的数据矩阵，变成了一个几乎填满的、连续的高维网格。
当大部分肽段在所有样本中都有了定量值后，那个曾经崩溃的假设——“大部分蛋白在样本间表达量不变”——在网格层面被重新激活了。此时，软件就可以放心地在这个虚拟的全局矩阵上进行中位数或 MaxLFQ 算法的归一化。

Retention Time Alignment 解决了“测不准（时间轴漂移）”的问题；
跨 Run 匹配 (MBR) 解决了“测不到（信号随机丢失与分级转移）”的问题。

1. Pairwise Peptide Ratio（两两肽段比值）

核心创新机制：利用全部 Ratio 信息减少离子化偏差

前面提到，由于离子化效率不同，不同肽段的绝对强度（Intensity）是无法直接比较的。但是，同一个肽段在不同样本（Run）之间的比值（Ratio）是极其可靠的，因为其理化性质没有变，离子化效率在物理上被对冲掉了。

MaxLFQ 的核心创新在于：它不依赖于某一个“锚点”或特定对照组，而是穷尽所有样本，计算两两之间的肽段比值。

                     [ 样本 A ]      [ 样本 B ]      [ 样本 C ]
肽段 1 (强度)           1,000           2,000           4,000  --> (虽然绝对值受离子化影响)
肽段 2 (强度)          10,000          20,000          40,000  
--------------------------------------------------------------
两两样本间 Ratio (A/B, B/C, A/C) 均等于 0.5，高度一致！

机制推断： 对于蛋白 $P$ ，在样本 $j$ 和样本 $k$ 中，只要它们共同鉴定到了若干个肽段，算法就会计算每一个共同肽段的强度比值：

$r_{j k, p} = Median (\frac{I _{ij}}{I _{ik}})$

其中 $I_{ij}$ 是肽段 $i$ 在样本 $j$ 中的强度。

效果： 即使某些肽段响应极高，某些极低，但只要它们在样本间的变化趋势是一致的，这个 Pairwise Ratio $r_{j k}$ 就是极其精准且不受离子化效率干扰的。通过遍历所有样本对 $(j, k)$ ，算法榨干了数据矩阵中所有的相对定量信息。

2. Delayed Normalization（延迟归一化）

核心创新机制：分级后仍可归一化，消除批次偏差提高精度

传统的归一化（如总强度归一化）是“先归一化，再合并/定量”。但在 Fractionation（分级）后，这种做法会引入巨大的物理偏移误差。

MaxLFQ 提出了 Delayed Normalization（延迟归一化） 的概念，其核心逻辑是：“先计算相对变化（Ratio），再在全局延迟（最后）进行整体对齐”。

不急于对齐 Fraction： 当样本经过分级后，Frac 1 和 Frac 2 彼此独立。算法不会在单独的 Fraction 内部去做中位数对齐，从而避免了“物理剪切误差”破坏数据。
跨 Fraction 提取相对关系： 算法直接计算样本 $j$ 和样本 $k$ 在全谱（包含所有 Fraction，通过跨 Run 匹配 MBR 相互连接）层面的 Pairwise Peptide Ratios。
延迟纠偏： 在得到了整个实验设计中所有样本两两之间的完整 Ratio 矩阵后，算法才会通过统计学手段（如剔除离群的比值，寻找保留时间对齐后的全局中位数变化），计算出样本 $j$ 相对于样本 $k$ 的全局校正因子（Normalization Factor）。

效果： 它把归一化这一步，从“对单个 Fraction 的绝对强度做魔改”，推迟到了“对全局肽段比值矩阵做系统平移”。这样既消除了质谱进样和分级的批次偏差，又完整保留了肽段在分级色谱中的真实物理分布。

3. Global Optimization（全局优化）

核心创新机制：重建蛋白丰度矩阵，提高定量稳定性，输出 LFQ Intensity

有了全样本两两之间的比例关系（Pairwise Ratios），并且通过延迟归一化校正了批次偏差，我们手头就拥有了一个庞大的“相对关系网”：比如我们知道了 A/B 的比例、B/C 的比例、A/C 的比例……

最后一步，就是通过 Global Optimization（全局优化），将这些相对的“比例”，重新还原成每一个样本里该蛋白的绝对代表值（LFQ Intensity）。

机制推断：
算法构建了一个庞大的线性最小二乘法（Least-squares Optimization）数学模型。
假设 $x_{j}$ 和 $x_{k}$ 是我们要求解的蛋白在样本 $j$ 和 $k$ 中的真实 LFQ 丰度（以 $lo g$ 为底）。我们已知的是它们通过肽段推导出来的比值 $a_{j k} = lo g (r_{j k})$ 。
优化公式的目标是让预测的蛋白表达量之差，无限逼近实际观测到的肽段比值：

$min \sum_{j < k} w_{j k} (x_{j} - x_{k} - a_{j k})^{2}$

(其中 $w_{j k}$ 是权重，取决于共同鉴定到的肽段数量和质量)
为了让方程有唯一解，算法通常会加入一个约束条件：所有样本的 LFQ Intensity 总和或中位数，等于原始质谱中该蛋白所有肽段绝对强度的总和或中位数。

效果：
通过全局求解这个矩阵方程，算法为每一个样本算出了一个最稳健、最符合全局逻辑的 LFQ Intensity。

这三个机制环环相扣，共同支撑起了现代 LFQ 定量的基石：

Pairwise Peptide Ratio 深入肽段底层，用“相对比值”屏蔽了离子化效率差异的干扰；
Delayed Normalization 跳出局部陷阱，用“先比例后全局”的策略跨越了分级（Fractionation）造成的基准丢失和批次偏差；
Global Optimization 居高临下，用“最小二乘法”把纷繁复杂的比值网络重构成稳定、连续、无缺失值的蛋白丰度矩阵。

你问到了一个极其深刻、甚至直击所有相对定量算法（不仅是质谱，包括 RNA-seq 里的 TMM/RLE 归一化）底层逻辑的核心悖论：

“如果一个蛋白在 Treatment 组里真的发生了剧烈的表达量改变，那它的两两比值（Pairwise Ratio）不就彻底变了吗？这难道不会干扰 Delayed Normalization，甚至把真实的生物学差异当成系统误差给‘抹杀’掉吗？”

答案是：不会。 这正是 MaxLFQ 算法高明的地方。它通过“分层处理”和“统计学鲁棒性（Robustness）”，把“个别蛋白的真实生物学改变”与“全样本的系统偏差”划分得清清楚楚。

1. 算法是“分蛋白”独立计算 Ratio 的（不跨蛋白混淆）

首先要澄清一个容易误解的概念：Pairwise Peptide Ratio 是在“单个蛋白”内部计算的，而不是全样本所有肽段一锅端。

假设蛋白 A 在处理后表达量翻了 10 倍。那么它拆分出来的肽段 1、肽段 2、肽段 3，在 Treatment/Control 中的比值全都会趋近于 10。
此时，Pairwise Ratio 机制会非常高兴，因为这几个肽段高度一致地算出了 Ratio = 10。
算法的 Global Optimization 会完美地把这个 10 还原到最终的 LFQ Intensity 中，让你在下游分析时看到它确实发生了 10 倍的显著上调。

所以，单个蛋白自身的真实改变，绝对不会影响它自己内部肽段比值的准确性。

2. 真正的挑战：那它怎么知道这 10 倍是“真实改变”还是“上样量误差”？

既然蛋白 A 算出了 10 倍变化，质谱仪怎么知道这是因为“生物学火药味太浓”，还是因为“生信/实验人员在 Treatment 组多加了 10 倍的样”？

这就是 Delayed Normalization（延迟归一化） 施展魔法的时候了。它利用了两个统计学底牌：

① 多数不变原则（Majority Invariance）与中位数健壮性

在延迟归一化阶段，算法会把所有蛋白各自推导出来的样本间全局 Ratio（比如 Sample A vs Sample B）拉出来排队：

蛋白 A 的 Ratio = 10 （真实上调）
蛋白 B 的 Ratio = 1.0
蛋白 C 的 Ratio = 1.1
蛋白 D 的 Ratio = 0.9
…（假设还有 5000 个蛋白，Ratio 都在 1.0 左右漂移）

算法在做全局对齐（Delayed Normalization）时，采用的是中位数（Median）或众数（Mode），而不是平均值。
在这个庞大的 Ratio 向量里，蛋白 A 的 10 只是一个极端的离群值（Outlier）。中位数算法会无情地无视蛋白 A，强行锁定那 5000 个没怎么变的蛋白（Ratio 均值在 1.0 附近），并宣布：“全局系统校正因子是 1.0，不需要平移！”

结果： 系统误差被校正（因为基于几千个未变蛋白的共识），而蛋白 A 的 10 倍真实差异被完美保留了下来。

② 三点定位与图论的“超定系统”（Overdetermined System）

如果不仅蛋白 A 变了，全谱里有 30% 的蛋白都变了，中位数还准吗？

MaxLFQ 的 Global Optimization 引入了图论（Graph Theory）。它不只看 A vs B，它看的是一个全连接的网络：

A vs B = 10
B vs C = 0.1
A vs C = 1.0

在多样本实验中，算法通过最小二乘法对所有样本对进行联立方程求解。如果某个蛋白的改变是由于生物学真实驱动的，它在整个样本网络中的网络拓扑结构是自洽的、符合逻辑的。而如果是由于分级误差或系统批次导致的，它往往只在某一个特定的 Run 或特定的 Fraction 里面出现局部的异常。全局优化会通过权重（Weighting）机制，降低那些不可信、不自洽的比值权重。

—
所以，你担心的核心问题，被 MaxLFQ 用两层过滤器完美解决：

在微观（蛋白内部）：利用 Pairwise Peptide Ratio 忠实地记录下蛋白表达量改变的 Ratio（哪怕它变了 100 倍，肽段之间依然成比例）。
在宏观（全谱层面）：Delayed Normalization 依靠成千上万个“不怎么变”的蛋白作为统计学背景墙，把真正的生物学“显眼包”（差异蛋白）作为信号保留下来，同时把真正的系统批次干掉。

只有一种极端情况这套机制会失效：那就是你的细胞经过处理后，全细胞 90% 的蛋白表达量都整体翻倍了（例如某些极端的癌基因激活或细胞全面暴走）。在这种情况下，任何 Label-free 算法（包括 MaxLFQ）都会翻车，把这 90% 的真实生物学翻倍误认为是“上样量加多了”从而抹杀掉。这时候，你就必须在实验设计阶段引入 Spike-in（外源标准品添加） 来做物理层面的绝对定量校正了。

可以这样理解：

在蛋白质组学中，质谱实际测到的是肽段而不是蛋白。由于不同肽段的离子化效率不同，同一个蛋白产生的肽段强度往往相差很大，因此不能直接把肽段强度当作蛋白丰度。MaxLFQ的核心思想是利用同一肽段在不同样本之间的强度比值（ratio），因为计算ratio后肽段自身的响应偏差会被抵消。多个肽段提供多个ratio信息，这些ratio共同约束同一个蛋白在各样本中的丰度差异，最终通过全局优化求得蛋白的LFQ值。因此，MaxLFQ得到的并不是蛋白的绝对含量，而是蛋白在不同样本间的相对丰度（relative quantification），本质上回答的是“哪个样本高、相差多少倍”，而不是“蛋白有多少个分子”。

Raw intensity
↓
Normalization
(校正不同run整体偏移)

↓
Peptide ratio extraction
(消除肽段响应差异)

↓
Global optimization

↓
Protein LFQ intensity

lvzhaopeng的数字花园

探索