基于LC/MS的代謝組學數據并行處理研究

孫海濤，楊志強，李葆紅，陳德展

(1.山東師范大學信息技術管理處，山東 濟南 250014；2.山東師范大學實驗室與設備管理處，山東 濟南 250014；3.山東師范大學化學化工與材料科學學院，山東 濟南 250014)

代謝組學是關于生物系統代謝物組成及變化規律的科學，是系統生物學的重要組成部分[1]。核磁共振(NMR)、GC/MS、LC/MS是代謝組學研究中常用的3種分析方法。與GC/MS和NMR技術相比，LC/MS技術因具有普適性、高靈敏度和特異性，更適于分析難揮發或熱穩定性差的代謝物，因此被廣泛應用于疾病診斷、藥物分析等領域，現已成為代謝組學研究的主流技術[2-4]。根據不同的研究目的，代謝組學研究策略可分為非靶向代謝組學和靶向代謝組學。其中，靶向代謝組學預先清楚代謝物的成分，不需要進行繁瑣的生物信息學數據處理；而基于LC/MS的非靶向代謝組學一般不對樣品中的代謝物做預先鑒定，只是按照既定的流程進行樣品預處理、代謝物提取、LC/MS全掃描檢測、數據預處理等，因此數據處理工作相對繁重[5]。在非靶向代謝組學實驗中，UPLC/MS在帶來較高的出峰能力(Zucker大鼠尿樣分析，1 min即可得到1 000多個峰)[6]、較好的分辨率和靈敏度的同時，也產生了大量的需要處理的原始數據。文獻[7-8]通過對國內外的代謝組學數據處理進行分析研究認為，高效、準確的數據處理工作是未來代謝組學發展的重要方向。

MZmine是芬蘭Matej等[9]開發的一款開源免費的代謝數據處理軟件，該軟件能夠完成基于LC/MS模式產生的原始數據處理、可視化和分析等任務，具有準確的數據處理能力，被廣泛應用于代謝組學研究[10-11]。隨著LC/MS技術的發展，一次實驗的單個樣本數據文件就有幾百M甚至幾G，MZmine在單計算節點上處理全部樣本數據常常耗時多天。為此，加州大學的代謝組學研究人員通過增加單節點處理器數目來提高處理速度，發現相較于單核處理器，四核處理器處理同樣數據的速度可以提高20%～30%，但是該方法在處理太大文件時的效果不佳[12]。在單計算節點數據處理速度提升受限的情況下，數據處理并行化是提高數據處理速度的重要手段：蛋白質分析軟件X!Tandem并行化以后，在20個雙核處理器的計算節點上處理同樣的計算任務的速度提高了40倍[13]；在基于LC/MS代謝數據多變量的分析階段，Par等[14]采取數據降維和劃分時間窗并行的方法提高數據處理速度，黎建輝等[15]也提出了基于MapReduce的并行化方法提高化合物的LC/MS鑒定效率。

數據預處理是代謝組學研究最復雜、最耗時的工作，為提高數據處理速度，本研究提出一種數據并行的預處理過程并行化方法，即原始數據分組后由多個安裝了MZmine軟件的計算節點分別處理。本工作將對并行方法的可行性和效率進行分析，提出依據組成成分的保留時間對原始數據分組，滿足并行計算的可行性要求；按照譜峰分組，實現并行處理的負載均衡，使得并行時間最短。希望通過該并行方法，解決單計算節點數據處理慢的問題，有效加快海量代謝數據處理的速度。

1 研究的理論基礎

并行處理是指同時使用多個計算節點解決問題。一個問題的并行化需要考慮兩個方面：一是問題可并行，即計算任務能分解成多個部分同時執行；二是并行處理的負載均衡問題，即多個計算節點下解決問題的耗時要少于單個計算節點下的耗時[16]。從程序和算法設計的角度看，并行處理可分為任務并行和數據并行。其中，任務并行是將處理問題的方法并行化；數據并行是把數據分解成多個數據子集分別處理，比任務并行簡單。本研究采用對LC/MS產生的原始數據分組并行處理的方法。

1.1 基于保留時間的數據分組

基于LC/MS進行代謝物分析，待測樣品經色譜儀分離時，組分的保留時間(tR)常用來作為成分鑒定的依據[17-19]。色譜儀作為質譜分析的進樣裝置，在質譜分析前對化合物進行分離，混合物中各個化合物依據其保留時間依次進入質譜儀。質譜儀連續掃描采集數據，每一次掃描得到一幀質譜圖，將一幀質譜圖中所有的離子強度相加，得到對應掃描時間的一個總離子流強度；總離子流隨時間變化的圖譜是總離子流色譜圖(TIC)，以離子強度為縱坐標，時間為橫坐標。TIC可視為該次分析的色譜圖，即反映該混合物在色譜柱中分離后各組分濃度隨時間的變化[20]。

從TIC可以發現，當總離子強度為零或低于某一個閾值時，此時無組分檢出，因此，峰強可以作為組分有無的判定條件。如果成分A在TIC中對應的時間段為[t1，t2]，則對于原始數據而言，依據t1和t2劃分數據可以保證成分A數據的完整性。此外，數據預處理階段的主要工作是識別混合物含有的各種成分，一種成分的鑒定是由其自身的保留時間和離子強度決定的，與其他成分的數據關系是松散耦合的，因此，保留時間可以作為不同成分數據劃分的依據。通過上述分析，按照保留時間對數據分組能夠滿足數據并行的可行性條件。

1.2 基于譜峰的負載均衡

應用軟件并行處理的目的是縮短執行時間，一個原始數據文件在未并行處理之前，所有的預處理過程都是由一個計算節點單獨完成的，該過程耗時較長；并行化以后，數據文件被分成多組，交由多個計算節點同時完成，以此達到縮短計算時間的目的。由于一個并行處理的執行時間受限于運行最慢的部分，所以負載均衡一直是并行程序設計中的一個重要因素[21]。

負載均衡考慮的首要因素是需要處理的數據的特點以及所應用軟件的運行方式。在基于數據并行的處理模式中，數據劃分的效果和質量會影響并行處理的效率[22]。對代謝數據進行劃分要考慮代謝數據預處理的特點。代謝數據預處理包括峰識別、重疊峰解析、峰對齊和歸一化等[23]。數據處理在TIC不同時間段的復雜度不同，在有譜峰出現的時間段，需要進行大量的數據計算，耗時較長；在沒有組分數據檢出的時間段，計算耗時較短。根據代謝數據預處理的這一特點，按照譜峰進行數據分組來實現并行處理的負載均衡。

按照譜峰，而不是樣品檢測時間對數據平均分組實現負載均衡，是根據代謝物組成成分的性質不同。因樣品經過色譜儀分離后進入質譜儀的時間并不相同，而離子檢測器是以固定頻率進行掃描，在某個時間段可能并無成分被檢測到，所以數據在整個儀器運行時間的分布并不均衡。在定長的時間段內，譜峰的數目并不完全相同，因此在任務分解時不能按照樣品檢測時間平均分段來分組數據。小鼠血清樣本的總離子流色譜圖和三維色譜-質譜圖示于圖1，可以發現數據在全檢測時間分布的不均衡性。

此外，各個計算節點的計算能力、I/O、圖形處理能力等也是負載均衡考慮的因素。在本研究中，為了簡化問題的復雜度，將參與計算的節點配置成完全相同，目的是消除由于配置不同導致的負載不均衡問題；數據在每個計算節點上由MZmine獨立完成預處理任務，計算過程中不同節點不需要交換數據，這也消除了由于數據通信帶來的負載均衡問題；此外，由于數據預處理工作是由同一軟件完成的，消除了處理方法不同造成的負載均衡問題。

圖1 小鼠血清樣本的總離子流色譜圖(a)和三維色譜-質譜圖(b)Fig.1 TIC (a) and 3D chromatography mass spectrum (b) of the mice serum

1.3 譜峰的時間表示

按照譜峰分組數據的目的是提高并行效率，但是原始數據并不以譜峰形式存在。在TIC中，一個譜峰時間窗含有多個數據點(DP)，一個數據點是一次儀器全掃描的結果。一般來講，最窄的色譜峰至少包括10個DP，也有以20或40個點作為檢測譜峰的標準[24-25]。以時間窗口表示譜峰，一個原始的TIC由多個時間窗組成，于是在按照譜峰進行負載均衡時，問題就變成了時間窗口的劃分。在由分離完全的組分形成的原始譜圖中，譜峰在時間軸上是一個時間窗[ts，te]，ts表示一種組分經過色譜儀分離后開始進入質譜儀的時間，te表示這種組分從質譜儀完全流出的時間。當組分分離不完全時，在譜圖上有重疊峰出現，雖然重疊峰是不同組分的集合，但是也可以表示為[ts，te]。在后續的譜峰預識別中，本研究將不再對峰和重疊峰進行區分，統一以峰來對待。

在譜峰預識別時允許存在重疊峰，是因為隨著LC/MS技術的發展，特別是UPLC/MS的使用，多數組分能夠得到完全的分離，表現在譜圖上就是峰與峰之間有明顯的邊界，重疊峰在原始數據中只占很少的部分。在并行效率方面，譜峰的個數遠遠大于計算節點的個數，每個計算節點上實際分得大量的譜峰數據，這樣即使由于少量重疊峰的存在導致某個計算節點在數據預處理階段耗時長一點，但是相對單節點計算耗時(T串)以及并行處理時長(T并)，額外耗時所占的比重也很小。在依據譜峰對數據分組并行時，忽略重疊峰不會對負載均衡造成較大的影響，但是卻能明顯降低數據分組的難度。

2 數據的并行處理

代謝數據依據保留時間分組滿足了并行處理的可行性條件，按照譜峰分組能實現并行處理的負載均衡，譜峰的時間窗表示使得TIC中的譜峰與實測的按保留時間記錄的數據實現了一一對應。代謝數據并行處理的流程是：管理節點接收原始數據后，按照樣品檢測時間對原始數據平均分組，分發給各個計算節點，計算節點對分組數據所包含的譜峰進行預識別；預識別完成后，管理節點對譜峰進行統計，再按照譜峰將原始數據平均分組，由MZmine完成代謝數據的預處理工作。為了便于陳述，在實際計算時以時間窗來劃分譜峰數據，但在論述時仍然以按譜峰分組表示實現負載均衡的并行模式。

2.1 譜峰預識別

常用的譜峰識別方法有幅值法和斜率鑒別法。歐林軍等[25]利用標尺與色譜曲線的交點來識別色譜峰；劉曉[26]利用迭代移動平均及歸一化分析技術提高譜峰的識別率；這些方法在準確識別譜峰的同時也增加了計算的耗時。本研究提出了一種按照總離子強度對TIC中譜峰預識別的算法，該算法以i值確定色譜峰起始點和結束點，不對同一峰中的混合成分進行分離。譜峰預識別的目的是統計數據預處理總的工作量，不作為成分鑒定的依據。譜峰預識別算法分為譜峰時間窗識別和消除干擾值兩個步驟。

2.1.1譜峰時間窗識別 原始的代謝數據由一些離散的點組成，每個點有一個數值對(t，i)，這些離散的點構成了一個時間序列{(t1，i1),(t2，i2),…, (tR，in)}。在有譜峰存在的時間窗口i值呈現規律性的增加或減少，但都滿足i>ib，ib是基線信號。設定x=i-ib，x是扣除基線信號后的強度，則峰與峰之間掃描點的x值為零，于是對譜峰的預識別變成尋找時間序列中連續的x非零的時間窗。

2.1.2消除干擾值 由于儀器或操作造成的誤差，經過處理的數據仍然有很多x非零，但實際不是譜峰的時間窗，可以通過以下兩種方法對這些時間窗進行排除：一是根據譜峰應包含的最少點的個數，連續的x>0點的個數多于20個的時間窗才能作為譜峰的候選；二是對多于20個點的時間窗，通過計算標準差排除非譜峰時間窗，只有在標準差大于一定值時才認為存在譜峰，即：

(1)

式中，N表示連續的非零點的個數，φ表示連續的偏離基線信號的噪音值。在實際操作中，φ需要經過不斷調整才能既去除噪音，又保證不丟失譜峰信息。

通過上述算法完成對譜峰的預識別，得到記錄譜峰的數組P，數組中每個元素記錄了譜峰的起止時間，如Pn[tns，tne]中，tns表示第n個峰的開始時間，tne表示這個峰的結束時間。

2.2 譜峰預識別的并行化

譜峰預識別可以由單一計算節點完成，也可以并行處理。并行處理時，管理節點將原始數據接收進來后，按照樣品檢測時間對原始數據平均分組分發給每個計算節點。譜峰預識別并行處理數據分組示于圖2(實線部分)。譜峰預識別算法的時間復雜度低，在并行處理時各個節點耗時相差不大，因此這一過程不考慮負載均衡。按照時間平均分組，在TIC上會出現譜峰被分割的情況，原始數據則是某段數據后面出現連續多個x大于0，但是總數又少于20個的點，在譜峰預識別時將這些點默認為一個譜峰，ts以第1個非0點開始的時刻為準。

圖2 原始數據不同分組方法示意圖Fig.2 Different group methods for raw data

2.3 對數據預處理過程的并行化

譜峰預識別完成后，得到以譜峰為衡量的總工作量。按照譜峰對數據平均分組，就是將預識別的譜峰平均分配到每個計算節點上。如第m個節點分得的譜峰段為[Pl，Pk]，則該節點實際分得數據的時間窗為[tls，tke]，tls為第l個峰的開始時間，tke為第k個峰的結束時間，其分組方法示于圖2(虛線部分)。

3 實驗論證與分析

3.1 實驗數據與并行環境

實驗數據是小鼠血清樣本經過UPLC-Q TOF-MS檢測得到的，采用全掃描模式，樣品檢測時間為0～12 min。并行處理環境為5個配置完全相同的計算節點，1個為管理節點，4個為計算節點；管理節點在完成數據接收、分組、匯總等工作的同時也參與代謝數據預處理任務。5個節點都預裝了MZmine和自行開發的代謝數據并行處理軟件PMDP(parallel metabonomic data process)。PMDP具有完成代謝數據的接收、譜峰預識別、數據分組以及與MZmine通信等功能。

3.2 數據處理

實驗數據處理分為3種模式：1) 單計算節點模式，由一個計算節點完成所有代謝數據預處理任務；2) 時間并行模式，按樣品檢測時間平均分段對數據分組的并行處理模式；3)譜峰并行模式，按譜峰對數據平均分組的并行處理模式。為了便于比較并行結果，本研究引入了相對時間(tr)的概念，即以單節點計算耗時(T串)作為基準時間，并行處理時，各計算節點耗時與之對比得到相對計算時間。如，單節點處理30個樣品耗時為18 h，則T串=18，并行處理時某節點耗時為6 h，則該節點的相對時間tr=6/18=0.33。tr的引入是一種歸一化處理方式，消除了樣品本身性質的影響，從而使并行結果具有普遍意義。歸一化后，t串=1，t并=Max(tr)。從圖2可以看出，時間并行模式與譜峰并行模式兩種分組方法在整個樣品檢測時間的數據分組不同；時間并行模式與譜峰預識別的數據分組方法相同。原始數據為27個血清樣本，在單計算節點上預處理耗時約為23 h 40 min，2種并行處理模式的tr統計結果列于表1。

表1 同一數據2種并行模式的trTable 1 tr of two parallel computing modes

注:1)T是計算節點分組數據所在的時間窗，0～2.4 min是P1節點在按時間并行模式時，對這個時間窗口的數據進行預處理；

2) 在數據處理時，按照譜峰并行模式也是以時間窗來分組數據

3.3 實驗結果分析

從表1可以看出：在并行時間的耗時方面，譜峰并行模式要少于時間并行模式；在負載效果方面，平均偏差大則說明各個計算節點的負載均衡不理想，因此，譜峰并行的負載均衡效果要更好一些。加速比(speedup)是指求解同一計算任務在單計算節點消耗的時間T串與在節點數為P的并行系統中消耗的時間T并的比值，即Sp=T串/T并，常用來衡量一個并行算法的效果[27]。加速比與本研究引入的相對時間的關系為Sp=1/tr。更多的實驗數據證實，隨著計算節點的增多以及代謝數據規模的擴大，譜峰并行模式的加速比Sp≈P；而時間并行模式的加速比則具有較大的隨意性，在(1，P)之間波動，Sp與代謝物中成分組成有關。譜峰并行模式時，不同計算節點數目Sp趨勢示于圖3。

圖3 譜峰并行模式時，不同節點數目的加速比Fig.3 Speedup of different node numbers in peak grouping mode

4 結論

本研究提出了一種基于LC/MS的代謝組學數據并行處理方法，原始數據分組后由成熟的代謝數據處理軟件MZmine分別處理。實驗結果表明，隨著待處理數據的增多以及參與并行處理節點的增多，譜峰并行模式的加速比Sp趨近于線性加速比P。該方法部署簡單、可擴展性強，可以解決單計算節點數據處理速度慢的問題，且能快速準確地處理基于LC/MS產生的海量數據。

[1] 王獻，林樹海，蔡宗葦. 基于質譜技術的代謝組學研究及其在中國的發展[J]. 中國科學：化學，2014,44(5):724-731.

WANG Xian, LIN Shuhai, CAI Zongwei. Mass spectrometry-based metabolomics and their developments in China[J]. Scientia Sinica Chimica, 2014, 44(5): 724-731(in Chinese).

[2] 李寧，范雪梅，王義明，等. 代謝組學及其分析技術的研究進展[J]. 中南藥學，2014,12(7):668-673.

LI Ning, FAN Xuemei, WANG Yiming, et al. Development of metabolomics and its analytical technique[J]. Central South Pharmacy, 2014, 12(7): 668-673(in Chinese).

[3] 蘇翠紅，李笑天. 液相色譜和質譜聯用技術及其在代謝組學中的應用[J]. 中華婦幼臨床醫學雜志：電子版，2010,6(1):62-64.

SU Cuihong, LI Xiaotian. High performance liquid chromatography mass sepctrometry and its application in metabonomics[J]. Chinese Journal of Obstetrics & Gynecology and Pediatrics: Electronic Edition, 2010, 6(1): 62-64(in Chinese).

[4] 王鵬遠，張金蘭. LC/MS技術在發現和鑒定藥物中有關物質的應用[J]. 質譜學報，2010,31(6):362-367.

WANG Pengyuan, ZHANG Jinlan. Applications of LC/MS in discovery and characterization of related impurities in drug[J]. Journal of Chinese Mass Spectrometry Society, 2010, 31(6): 362-367(in Chinese).

[5] 趙春霞，許國旺. 基于液相色譜-質譜技術的代謝組學分析方法新進展[J]. 分析科學學報，2014，30(5):761-766.

ZHAO Chunxia, XU Guowang. Progress of metabonomics technique based on liquid chromatography-mass spectrometry[J]. Journal of Analytical Science, 2014, 30(5): 761-766(in Chinese).

[6] 謝躍生，潘桂湘，高秀梅，等. 高效液相色譜技術在代謝組學研究中的應用[J]. 分析化學，2006,34(11):1 644-1 648.

XIE Yuesheng, PAN Guixiang, GAO Xiumei, et al. Application of high performance liquid chromatographic technique in metabonomics studies[J]. Chinese Journal of Analytical Chemistry, 2006, 34(11): 1 644-1 648(in Chinese).

[7] 盧紅梅，梁逸曾. 代謝組學分析技術及數據處理技術[J]. 分析測試學報，2008,27(3):325-332.

LU Hongmei, LIANG Yizeng. The development of analytical technologies and data mining in metabolomics[J]. Journal of Instrumental Analysis, 2008, 27(3): 325-332(in Chinese).

[8] 亓云鵬，胡杰偉，柴逸峰，等. 代謝組學數據處理研究的進展[J]. 計算機與應用化學，2008,25(9):1 139-1 142.

QI Yunpeng, HU Jiewei, CHAI Yifeng, et al. Advances of data analysis in metabonomics study[J]. Computers and Applied Chemistry, 2008, 25(9): 1 139-1 142(in Chinese).

[9] TOMAS P, SANDRA C, ALEJANDRO V B, et al. MZmine 2: Modular framework for processing, visualizing, and analyzing mass spectrometry-based molecular profile data[J]. Bioinformatics, 2010, 11(1): 1-11.

[10] TREVINO V, YANEZ-GARZA L L, RODRIQUEZ-LOPEZ C E, et al. GridMass: A fast two-dimensional feature detection method for LC/MS[J]. Journal of Mass Spectrometry, 2015, 50(1): 165-174.

[11] COBLE J B, FRAGA C G. Comparative evaluation of preprocessing freeware on chromatography/mass spectrometry data for signature discovery[J]. Journal of Chromatography A, 2014, 1358: 155-164.

[12] TOBIAS K. West Coast Metabolomics Center at UC Davis. MZmine[EB/OL]. http:∥fiehnlab.ucdavis.edu/staff/kind/Metabolomics/Peak_Ali-gnment/mzmine/.

[13] DEXTER D, ANDREW L. Vanderbilt university school of medicine. Parallel Tandem[EB/OL]. http:∥www.thegpm.org/parallel/.

[14] PAR J, STEPHEN J B, THOMAS M, et al. Extraction, interpretation and validation of information for comparing samples in metabolic LC/MS data sets[J]. Analyst, 2005, 130(5): 701-707.

[15] 黎建輝，劉勇，王衛華，等. MapReduce計算模型下的化合物LC/MS鑒定[J]. 計算機科學與探索，2011,5(12):1 094-1 103.

LI Jianhui, LIU Yong, WANG Weihua, et al. LC/MS compounds identification under MapReduce[J]. Journal of Frontiers of Computer Science and Technology, 2011, 5(12): 1 094-1 103(in Chinese).

[16] 陳國良，孫廣中，徐云，等. 并行計算的一體化研究現狀與發展趨勢[J]. 科學通報，2009,54(8):1 043-1 049.

CHEN Guoliang, SUN Guangzhong, XU Yun, et al. Integrated research of parallel computing: Status and future[J]. Chinese Science Bulletin, 2009, 54(8): 1 043-1 049(in Chinese).

[17] 潘芳芳. HPLC-QTOF-MS聯用技術在藥物雜質分析中的運用[D]. 杭州：浙江工業大學，2013.

[18] 張良曉. 氣相色譜-質譜定性定量分析新方法研究[D]. 長沙：中南大學，2011.

[19] 邵晨，高友鶴. 色譜保留時間在蛋白質組研究中的應用[J]. 色譜，2010,28(2):128-134.

SHAO Chen, GAO Youhe. Application of peptide retention time in proteome research[J]. Chinese Journal of Chromatography, 2010, 28(2): 128-134(in Chinese).

[20] 蔣學慧. 色譜-質譜聯用儀數據處理關鍵技術的研究[D]. 天津：天津大學，2013.

[21] 廖湘科. 網絡并行計算中的負載平衡[J]. 小型微型計算機系統，1995,16(9):32-36.

LIAO Xiangke. Load balance in network parallel computing[J]. Mini-Micro Systems, 1995, 16(9): 32-36(in Chinese).

[22] 胡霞. 并行計算如何用于科學問題研究[J]. 科技資訊，2009:176.

HU Xia. Parallel computing in scientific research[J]. Science & Technologying Information, 2009: 176(in Chinese).

[23] 汪明明，程海婷，薛明. 基于LC/MS的代謝組學分析流程與技術方法[J]. 國際藥學研究雜志,2011,38(2):130-136.

WANG Mingming, CHENG Haiting, XUE Ming. Recent development of LC-MS-based analytical procedures and techniques in metabonomics[J]. Journal of International Pharmaceutical Research, 2011, 38(2): 130-136(in Chinese).

[24] HANS J K, STAVROS K. 液相與氣相色譜定量分析使用指南[M]. 陳小明，唐雅妍，譯. 北京：人民衛生出版社，2010:43.

[25] 歐林軍，曹建. 一種變壓器油色譜峰識別算法的設計[J]. 色譜，2014,32(9):1 019-1 024.

OU Linjun, CAO Jian. A peak recognition algorithm designed for chromatographic peaks of transformer oil[J]. Chinese Journal of Chromatography, 2014, 32(9): 1 019-1 024(in Chinese).

[26] 劉曉. 識別色譜峰的一種方法[J]. 分析儀器，2005,(3):54-57.

LIU Xiao. A new method for distinguishing gas chromatographic peaks[J]. Analytical Instrumentation, 2005, (3): 54-57(in Chinese).

[27] 謝超，麥聯叨，都志輝，等. 關于并行計算系統中加速比的研究與分析[J]. 計算機工程與應用，2003,39:66-68.

XIE Chao, MAI Liandao, DU Zhihui, et al. Research and analysis of parallel computing system speedup[J]. Computer Engineering and Applications, 2003, 39: 66-68(in Chinese).