本文是马克思普朗克心肺研究所的三名研究者Marina Kiweler、Mario Looso和Johannes Graumann发表在8月刊的MCP的一篇文章。
由于Omics实验经常涉及数百个数据文件，元数据信息对于结果的评估和再现至关重要；然而数据通常以二进制或专有文件格式存在，元数据信息提取过程繁琐。以Thermo Fischer Scientific质谱仪生产的RAW文件为例，除了光谱数据之外，还包括了仪器设置，这都是实验评估和结果再现所必需的。目前提取RAW文件信息的方法是使用特定供应商的Xcalibur软件手动打开RAW文件并且复制所需信息，然而手动提取容易出错并且存在访问量过大的问题。迄今为止没有软件能够解决将大量RAW文件或其他元数据简化成具有共识参数的报告的问题。通过供应商提供的RAWFileReader应用程序的API接口，作者基于R的基础架构编写了一个工具，可以从元数据中提取并生成用于实验室质量控制的数据报告。
图1 MARMoSET处理过程概览
MARMoSET分为两部分，第一部分是C#应用程序，它的作用是从Thermo Fischer Scientific RAW文件中提取元数据信息为JSON文件。通过RAWFileReader API访问的RAW文件格式包含了多个层次的元数据信息。固定标题包括日期，原始文件名和样本信息等信息。标题后面是一个列表，其中包含使用的仪器模块以及它们各自的方法作为字符串。API还为检测器相关数据（如紫外分光光度法或质谱法）提供单独的入口点。MARMoSET目前仅实现对MS数据的访问。使用RAWFileReader API中的“IRAW DataPlus”接口，在使用EASY-nLC超高压液相色谱仪器（Thermo Fisher Scientific）的液相色谱/质谱（LC / MS）的背景下，LC参数可在方法串中获得，并由MARMoSET提取和分析。根据提供的是单个RAW文件还是文件目录的路径，MARMoSET可以判断作用于单个文件或迭代目录中的RAW文件集合，并根据计算机的硬件资源作并行化处理。在第一步中，分别从每个RAW文件收集信息。第二步，为了将来自多个文件的数据减少为描述整个集合的最小参数集，所得到的数据结构是在字典中评估和排序过后的哈希码。然后，此信息用于将RAW文件分类为可以共享所有相关参数的组。最后编写成可以连接到相应RAW文件名的JSON文件。为了方便直观地处理JSON文件中的结构化数据，作者又同时提供了一个名为MARMoSET的R包。它能够根据预先定义的日志文件创建表格，此外还支持通过单独选择参数来过滤数据。
图2 MARMoSET处理过程
在windows操作系统上，通过直接运行C#命令行工具，可以生成JSON文件，基于R包中自带的术语匹配表，使用函数“match_terms()”可以提取对应参数的子集并生成日志特定要求的表格，然后使用函数“save_all_groups”导出表格。元数据的标准化报告对于实验的评估和再现极为重要，MARMoSET工具套件的诞生填补了其空白，生成了面向机器可读的JSON文件和面向人类可读的txt或excel文件。
一方面解决了Omics实验高吞吐量元数据的处理问题，另一方面R包所提供的自定义参数设置可以灵活满足不同实验的要求，过滤不必要的信息。
MARMoSET C#应用程序：https://github.molgen.mpg.de/loosolab/MARMoSET_C
MARMoSET R包：https://github.molgen.mpg.de/loosolab/MARMoSET
解读人：马臻