#确保您已经安装了mzR如果（!requireNamespace（“BiocManager”，静静地=真正的）)install.packages（“BiocManager”）BiocManager：：安装（“mzR”，version =“3.8”）#直接从Github安装包图书馆(devtools)devtools：：install_github（“JosieLHayes / adductomicsR”）#安装包含数据的数据包如果（!requireNamespace（“BiocManager”，静静地=真正的）)install.packages（“BiocManager”）BiocManager：：安装（“ExperimentHub”，version =“3.9”）#或从源代码下载包并安装图书馆(devtools)devtools：：安装（“path_to_dir / adductomicsR”）devtools：：安装（“path_to_dir / adductData”）在安装完内收组件包和所有依赖项后，输入(复制粘贴)这行代码到R控制台中，然后按回车键:
#加载包图书馆(adductomicsR)图书馆(adductData)图书馆(ExperimentHub)我们在adductData中提供了2个mzXML文件供本小插图使用。
质量漂移校正:质量漂移校正通常使用质谱仪上的锁定质量。如果还没有这样做，则在计算机上保存包的目录/inst/extdata/thermo_MassDriftCalc.py中提供了一个python脚本，可以从python中使用(替换系统中python脚本的路径)启动:exec (open (thermo_MassDriftCalc.py) .read ())
使用rtDevModeling函数对每个样本进行保留时间漂移校正。要使用默认参数运行该命令，请输入包含mzXML文件和运行顺序文件(示例运行的顺序)的目录的路径。有关参数的更多信息，请参阅?? rtdevmodeling。在inst/extdata中有一个运行顺序文件示例(在计算机上保存包的目录中)，在adductData/ExperimentHub中有两个mzXML文件。这些文件将自动在本插图中使用。
从ExperimentHub下载mzXML文件，以便在本插图中使用。它们必须具有. mzxml才能被包识别，因此它们也会被重命名。
嗯=suppressMessages（suppressWarnings(ExperimentHub：：ExperimentHub()))temp =suppressMessages（suppressWarnings（AnnotationHub：：查询(呃,“adductData”）))suppressMessages（suppressWarnings(临时[[“EH1957”]]))#第一个mzXML文件## EH1957 ## "/home/biocbuild/.cache/R/ExperimentHub/6ef5126285efe_1957"file.rename（缓存(临时“EH1957”]),file.path（hubCache(临时)“ORB35017.mzXML”）)##[1]真临时[[“EH1958”]]#第二个mzXML文件##参见?adductData和browseVignettes('adductData')获取文档##下载1资源##检索1个资源##从缓存加载## EH1958 ## "/home/biocbuild/.cache/R/ExperimentHub/6ef516deb78d7_1958"file.rename（缓存(临时“EH1958”]),file.path（hubCache(临时)“ORB35022.mzXML”）)##[1]真rtDevModelling（MS2Dir =hubCache(临时)nCores =4，runOrder =paste0（执行（“extdata”，包=“adductomicsR”)，' / runOrder.csv '））specSimPepId函数检测肽上的加合物。要使用默认参数(人血清白蛋白中最大的三倍电荷肽)运行此程序，请输入mzxml文件和rtDevModels对象的路径。有关使用不同的肽运行此操作的进一步信息，请参阅specSimPepId。这将产生MS2光谱图，每个样品在一个单独的目录中。模型频谱图还保存在mzXML文件目录中，以便进行比较。光谱根据mz和RT窗口进行分组，并根据原始RT和调整RT提供了这些基团的曲线图。这些曲线图可用于确定多个基团是否属于同一峰。
specSimPepId（MS2Dir =hubCache(临时)nCores =4，rtDevModels =paste0（hubCache(临时)' / rtDevModels。RData”））使用以下命令生成用于定量的加合物及其单同位素质量(MIM)、保留时间(RT)、肽和电荷的列表。将allResults文件的文件路径替换为上一步中allResults文件的位置。
generateTargTable（allresultsFile =paste0（执行（“extdata”，包=“adductomicsR”)，' / allResults_ALVLIAFAQYLQQCPFEDHVK_example.csv ')，csvDir =tempdir（检查=假））建议使用allGroups图(m/z vs RT)来确保目标表中的加和不属于同一个峰值，因为量化步骤可能需要大量计算。
看到了吗? ?adductQuant对这个函数的参数进行了解释。要使用上一步中生成的目标表，将' targetable '选项中的值更改为目标表的路径。类似地，在fileppaths(设置为“Users/Documents/mzXMLfiles”)中替换了您自己的mzXML文件目录的路径。
adductQuant（nCores =2，targTable =paste0（执行（“extdata”，包=“adductomicsR”)，' / exampletargTable2.csv ')，intStdRtDrift =30.，rtDevModels =paste0（hubCache(临时)' / rtDevModels。RData”)，filePaths =list.files（hubCache(临时)模式=“.mzXML”，all.files =假，full.names =真正的)，quantObject =零，indivAdduct =零，maxPpm =5，minSimScore =0.8，spikeScans =1，minPeakHeight =One hundred.，maxRtDrift =20.，maxRtWindow =240，isoWindow =80，hkPeptide =“LVNEVTEFAK”，gaussAlpha =16）建议在这一步或定量之前，使用LC-MS软件手动检查所发现的每个加合物的光谱。
要加载adductquantif对象，请设置系统上文件的路径。在本例中，它假设文件在您的工作目录中。
加载addductquantif对象负载（paste0（hubCache(临时)“/ adductQuantResults。Rda”）)从Adductquantif对象生成一个peakTable，并保存到一个临时的#目录suppressMessages（suppressWarnings（outputPeakTable（对象=对象,outputDir =tempdir（检查=假))))质谱数据本质上是有噪声的，filterAdductTable()函数将根据设置的阈值过滤出样本和加法值。建议使用此过滤函数来删除有许多缺失值的加合物和管家肽弱的样品，提示误集成。将峰值列表文件的名称替换为上一步中生成的路径和峰值列表文件的名称。
filterAdductTable（paste0（tempdir（检查=假)，“/ adductQuantif_peakList_”，Sys。日期（），. csv”））#会话信息sessionInfo（）## R正在开发中(不稳定)(2022-10-25 r83175) ##平台:x86_64-pc-linux-gnu(64位)##运行在Ubuntu 22.04.1 LTS ## ##矩阵产品:默认## BLAS: /home/biocbuild/bbs-3.17-bioc/R/lib/libRblas。so ## LAPACK: /usr/lib/x86_64-linux-gnu/ LAPACK /liblapack.so.3.10.0 ## ## locale: ## [1] LC_CTYPE=en_US。UTF-8 LC_NUMERIC= c# # [3] LC_TIME=en_GB LC_COLLATE= c# # [5] LC_MONETARY=en_US。utf - 8 LC_MESSAGES = en_US。UTF-8 ## [7] LC_PAPER=en_US。UTF-8 LC_NAME= c# # [9] LC_ADDRESS=C lc_phone = c# # [11] LC_MEASUREMENT=en_US。UTF-8 LC_IDENTIFICATION=C ## ##附加的基本包:## [1]stats graphics grDevices utils datasets methods base ## ##其他附加包:## [1]adductomicsR_1.15.0 ExperimentHub_2.7.0 AnnotationHub_3.7.0 ## [4] BiocFileCache_2.7.0 dbplyr_2.2.1 BiocGenerics_0.45.0 ## [7] adductData_1.13.0 ## ##通过命名空间加载(且未附加):# # # # [1] DBI_1.1.3 bitops_1.0-7 [3] pastecs_1.3.21 rlang_1.0.6 # # [5] magrittr_2.0.3 ade4_1.7-19 # # [7] compiler_4.3.0 RSQLite_2.2.18 # # [9] flexmix_2.3-18 png_0.1-7 # # [11] vctrs_0.5.0 reshape2_1.4.4 # # [13] rvest_1.0.3 stringr_1.4.1 # # [15] pkgconfig_2.0.3 crayon_1.5.2 # # [17] fastmap_1.1.0 XVector_0.39.0 # # [19] ellipsis_0.3.2 utf8_1.2.2 # # [21] promises_1.2.0.1 rmarkdown_2.17 # # [23] purrr_0.3.5 bit_4.0.4 # # [25] xfun_0.34 modeltools_0.2-23 # # [27] zlibbioc_1.45.0 cachem_1.0.6 # # [29]GenomeInfoDb_1.35.0 jsonlite_1.8.3 # # [31] blob_1.2.3 later_1.3.0 # # [33] fpc_2.2-9 interactiveDisplayBase_1.37.0 # # [35] parallel_4.3.0 prabclus_2.3-2 # # [37] cluster_2.1.4 R6_2.5.1 # # [39] bslib_0.4.0 stringi_1.7.8 # # [41] boot_1.3-28 jquerylib_0.1.4 # # [43] diptest_0.76-0 Rcpp_1.0.9 # # [45] assertthat_0.2.1 iterators_1.0.14 # # [47] knitr_1.40 IRanges_2.33.0 # # [49] httpuv_1.6.6 nnet_7.3-18 # # [51] tidyselect_1.2.0 yaml_2.3.6 # # [53] codetools_0.2-18 curl_4.3.3 # # [55] lattice_0.20-45tibble_3.1.8 # # [57] plyr_1.8.7 withr_2.5.0 # # [59] Biobase_2.59.0 shiny_1.7.3 # # [61] KEGGREST_1.39.0 evaluate_0.17 # # [63] xml2_1.3.3 mclust_6.0.0 # # [65] kernlab_0.9-31 Biostrings_2.67.0 # # [67] pillar_1.8.1 BiocManager_1.30.19 # # [69] filelock_1.0.2 DT_0.26 # # [71] foreach_1.5.2 stats4_4.3.0 # # [73] generics_0.1.3 rcurl_1.98 - 1.9 # # [75] BiocVersion_3.17.0 S4Vectors_0.37.0 # # [77] xtable_1.8-4 class_7.3 - 20.1 # # [79] glue_1.6.2 tools_4.3.0 # # [81] robustbase_0.95-0 grid_4.3.0 # # [83]AnnotationDbi_1.61.0 GenomeInfoDbData_1.2.9 ## [85] cli_3.4.1 rappdirs_0.3.3 ## [87] fansi_1.0.3 dplyr_1.0.10 ## [89] DEoptimR_1.0-11 sass_0.4.2 ## [91] digest_0.6.30 htmlwidgets_1.5.4 ## [93] memoise_2.0.1 htmltools_0.5.3 ## [95] lifecycle_1.0.3 httr_1.4.4 ## [97] mime_0.12 bit64_4.0.5 ## [99] MASS_7.3-58.1