Matchms: 高效处理和比较质谱数据的Python工具包

Matchms简介

Matchms是一个功能强大的开源Python工具包,专门用于质谱数据(MS/MS)的导入、处理、清理和比较。它为研究人员和数据分析师提供了一个简单而强大的平台,可以轻松地从常见的质谱文件格式导入原始数据,进行预处理和后处理,并执行大规模的光谱相似性比较。

主要特性

Matchms的主要特性包括:

1. 支持多种数据格式:可以导入mzML、mzXML、msp、metabolomics-USI、MGF和JSON等常见质谱数据格式。

2. 数据清理和验证:提供了一系列工具用于元数据清理和验证,以及基本的峰值过滤,确保数据的准确性和完整性。

3. 多种相似性度量:能够应用各种成对相似性度量来比较大量光谱,包括常见的余弦相关评分、基于分子指纹的比较以及其他元数据相关的评估。

4. 可扩展性:用户可以轻松集成自定义的相似性度量,如Spec2Vec和MS2DeepScore等。

5. 高效处理:通过使用更快的相似性度量进行初步预选,并支持将结果存储在稀疏数据格式中,能够比较数十万个光谱。

安装和使用

安装

Matchms可以通过Anaconda轻松安装:

conda create --name matchms python=3.11
conda activate matchms
conda install --channel bioconda --channel conda-forge matchms

基本使用示例

以下是一个使用Matchms计算质谱相似性的简单示例:

from matchms.importing import load_from_mgf
from matchms.filtering import default_filters, normalize_intensities
from matchms import calculate_scores
from matchms.similarity import CosineGreedy

# 从MGF文件读取光谱
file = load_from_mgf("tests/testdata/pesticides.mgf")

# 应用过滤器清理和增强每个光谱
spectra = []
for spectrum in file:
    spectrum = default_filters(spectrum)
    spectrum = normalize_intensities(spectrum)
    spectra.append(spectrum)

# 计算所有光谱之间的余弦相似性得分
scores = calculate_scores(references=spectra,
                          queries=spectra,
                          similarity_function=CosineGreedy())

# 获取特定查询的最佳匹配
query = spectra[15]  # 示例
best_matches = scores.scores_by_query(query, 'CosineGreedy_score', sort=True)

# 打印每对光谱的计算得分
for (reference, score) in best_matches[:10]:
    if reference is not query:
        print(f"参考扫描ID: {reference.metadata['scans']}")
        print(f"查询扫描ID: {query.metadata['scans']}")
        print(f"得分: {score[0]:.4f}")
        print(f"匹配峰数: {score[1]}")
        print("----------------------------")

进阶功能

Pipeline类

Matchms引入了Pipeline类,使典型的工作流程(数据导入、处理、得分计算)更易于用户使用。这允许使用YAML文件创建、导入、导出或修改工作流程。

稀疏得分数组

Matchms现在采用稀疏矩阵处理得分,只存储实际计算的非零值,这大大提高了处理大规模数据集的效率。

生态系统扩展

Matchms可以与多个补充包协同工作,扩展其功能:

• Spec2Vec: 基于机器学习的光谱相似性评分
• MS2DeepScore: 基于深度学习的监督光谱相似性评分
• matchmsextras: 用于创建基于光谱相似性的网络、运行PubChem光谱搜索等
• MS2Query: 基于Matchms的快速MS/MS光谱类似物搜索
• memo: 用于代谢组学样本的保留时间不可知对齐
• RIAssigner: 用于气相色谱-质谱(GC-MS)数据的保留指数计算
• MSMetaEnhancer: 用于收集质谱库元数据的Python包
• SimMS: 具有基于GPU的常见相似性类快速实现

开发者文档

对于想要为Matchms做出贡献的开发者,项目提供了详细的安装和测试指南。开发环境可以通过以下步骤设置:

git clone https://github.com/matchms/matchms.git
cd matchms
conda create --name matchms-dev python=3.11
conda activate matchms-dev
conda install -c conda-forge rdkit
python -m pip install --upgrade pip
pip install --editable .[dev]

总结

Matchms为质谱数据分析提供了一个全面而灵活的解决方案。通过其强大的数据处理能力、多样的相似性度量方法以及与其他工具的良好集成,Matchms正在成为质谱研究领域不可或缺的工具。无论是进行基础研究还是开发新的分析方法,Matchms都为研究人员提供了一个坚实的平台来探索和理解复杂的质谱数据。

随着质谱技术的不断发展和数据量的exponential增长,Matchms这样的工具将在未来生物学、化学和医学研究中发挥越来越重要的作用。我们期待看到更多基于Matchms的创新应用和研究成果,推动质谱学和相关领域的进步。