简介

虽然最初是为液相色谱-串联质谱(LC-MS/MS)数据开发的，但clclsid也可以用于直接注入-串联质谱(DI-MS/MS)数据。

一般来说，缺失的保留时间维度使得代谢组学中的特征注释更加困难，但如果手头只有直接输注数据，clclsid可以帮助获得通过DI-MS/MS测量的样品化学多样性的概述。

在本例中，我们将使用类似的样品(1uL铜绿假单胞菌PA14细胞提取物)在通用教程中，在同一台机器上测量，布鲁克maxis^高清qTOF在ESI-(+)模式下运行，自动-MS/MS，但不进行色谱分离。

数据导入

中加载文件CluMSIDdata包:

图书馆(CluMSID)图书馆(CluMSIDdata)DIfile < -执行（“extdata”，“PA14_maxis_DI.mzXML”，包=“CluMSIDdata”）

数据预处理

光谱的提取方法与LC-MS/MS数据相同:

ms2list < -extractMS2spectra(DIfile)长度(ms2list)#> [1]

当保留时间不可用时，合并冗余光谱就不那么直接了。根据MS/MS方法，几乎不可能确定两个光谱是否具有相同的前驱体m / z相同的分析物或两种不同但结构相似的分析物产生类似的破碎模式。

在这个例子中，我们只希望合并具有相同前体离子的光谱，前提是它们是一个接一个地被记录的。我们可以通过设置rt_tolerance到1秒:

featlist < -mergeMS2spectra(ms2listrt_tolerance =1）长度(featlist)#> [1] 349

我们看到我们几乎没有减少列表中的光谱的数量。如果我们决定合并所有具有相同前驱体的光谱m / z在整个运行过程中，我们可以通过设置来实现rt_tolerance到运行的持续时间，在本例中约为。250秒:

testlist < -mergeMS2spectra(ms2listrt_tolerance =250）长度(testlist)#> [1] 75

由此产生的光谱数量大大降低，但合并光谱的危险实际上并非来自同一分析物。

距离矩阵的生成

在这个非常探索性的例子中，我们跳过了之前关于特征身份的知识的整合，并立即生成一个距离矩阵:

distmat < -distanceMatrix(featlist)

数据探索

从这个距离矩阵开始，我们可以使用所有的数据探索函数CluMSID报价。在这个工作流示例中，我们看一个集群树状图:

HCplot(distmatcex =0．5）

图1:以平均连锁为聚集准则的聚类分层聚类结果的圆形树状图²DI-MS/MS样本数据集的光谱相似性。每个叶子代表一个特征，颜色编码特征的聚类隶属关系。叶标签显示特征id，以及特征注释(如果存在的话)。到中心点的距离表示树状图的高度。

很明显，我们有一些几乎相同的光谱，因此很可能来自相同的分析物，例如许多具有前体的光谱m / z270.19。但我们仍然可以看到不同前驱体的相似光谱的良好聚类m / z，例如，包含许多不同烷基喹诺酮类代谢物的巨大灰色簇(见通用教程)。

总之，clclsid对于提供DI-MS/MS运行中光谱相似性的概述非常有用，但无论哪里注释是焦点，都不应该没有色谱分离创建的额外信息层。

会话信息

sessionInfo（）#> R版本4.2.1 (2022-06-23)#>平台:x86_64-pc-linux-gnu(64位)运行在Ubuntu 20.04.5 LTS下# >矩阵产品:默认值#> BLAS: /home/biocbuild/bbs-3.16-bioc/R/lib/libRblas.so#> LAPACK: /home/biocbuild/bbs-3.16-bioc/R/lib/libRlapack.so# ># >语言环境:#> [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# >#>附加基础包:#>[1]统计图形grDevices utils数据集方法基础# >#>其他附加包:#> [1] clusiddata_1.13.0# >#>通过命名空间加载(并且没有附加):#> [1] nlme_1 .1-160 ProtGenerics_1.30.0 bitops_1.0-7#> [4] httr_1.4.4 doParallel_1.0.17 RColorBrewer_1.1-3#> [7] MSnbase_2.24.0 tools_4.2.1 bslib_0.4.0#> [10] utf8_1.2.2 R6_2.5.1 affyio_1.68.0KernSmooth_2.23-20 lazyeval_0.2.2 DBI_1.1.3#> [16] BiocGenerics_0.44.0 colorspace_2.0-3 tidyselect_1.2.0#> [19] GGally_2.1.2 compiler_4.2.1 preprocessCore_1.60.0#> [22] cli_3.4.1 Biobase_2.58.0 network_1.18.0#> [25] plotly_4.10.0 sass_0.4.2 caTools_1.18.2#> [28] scales_1.2.1 affy_1.76.0 string_1 .4.1#> [31] digest_0.6.30 dbscan_1.1-11 rmarkdown_2.17#> [34] pkgconfig_2.0.3 htmltools_0.5.3 highr_0.9#> [37] fastmap_1.1.0 limma_3.54.0 htmlwidgets_1.5.4#> [40] rlang_1.0.6 impute_1.72.0 jquerylib_0.1.4#> [43] generics_0.1.3 jsonlite_1.8.3 mzID_1.36.0#> [46] statnet.common_4.7.0 BiocParallel_1.32.0 gtools_3.9.3#> [49] dplyr_1.0.10 magrittr_2.0.3 MALDIquant_1.21#> [52] Rcpp_1.0.9 munsell_0.5.0 S4Vectors_0.36.0#> [55] fansi_1.0.3 ape_5.6-2 MsCoreUtils_1.10.0 . ##> [58] lifecycle_1.0.3 vsn_3.66.0 stringi_1.7.8 . ##> [61] yaml_2.3.6 mass_3 .3-58.1 zlibbioc_1.44.0#> [64] gplots_3.1.3 plyr_1.8.7 grid_4.2.1#> [67] parallel_4.2.1 lattice_0.20-45 mzR_2.32.0#> [70] sna_2.7 knitr_1.40 pillar_1.8.1#> [73] codetools_0.2-18 stats4_4.2.1 XML_3.99-0.12#> [76] glue_1.6.2 evaluate_0.17 pcaMethods_1.90.0#> [79] data.table_1.14.4 BiocManager_1.30.19 vctrs_0.5.0#> [82] foreach_1.5.2 tidyr_1.2.1 purrr_0.3.5#> [85] gtable_0.3.1 clue_0.3-62 reshape_0.8.9 . ##> [88] assertthat_0.2.1 cachem_1.0.6 ggplot2_3.3.6#> [91] xfun_0.34 coda_0.19-4 viridisLite_0.4.1#> [94] ncdf4_1.19 tibble_3.1.8 iterators_1.0.14#> [97] IRanges_2.32.0 cluster_2.1.4