蛋白组学数据，质谱自动分析后，还需要自己进一步标准化或归一化处理吗？

蛋白组学数据，质谱自动分析后，建议进一步标准化或归一化处理比较好。

调整由于技术，如处理、上样、预分、仪器等造成的样本间误差。这实际上是一种数据缩放的方法。一般在一个表达矩阵中，会涉及到多个样本，其表达量差异比较大，不能直接进行比较。比如某个样本表达量很大，在总体中就会占据绝对领导地位，这样就会掩盖掉表达量小的样本的作用，但并不代表它不重要，也有可能是这个样本含有较多的低表达基因，所以需要指定一个统一的标准，提前对样本原始表达量进行一定的处理。

在蛋白组学的数据分析流程中,质谱仪数据处理软件给出的原始定量结果通常还需要进一步的标准化或归一化处理,主要原因有:

1. 需要校正样本间的技术误差,消除样本处理、检测过程中引入的系统误差。

2. 不同蛋白本身丰度差异很大,需要归一化来进行可比性分析。

3. 质谱软件输出的原始数据中可能包含显著的实验偏差,需要标准化来减少批效应。

4. 原始数据的分布可能不符合统计分析的要求,需要进行变换或标准化。

常用的标准化和归一化方法有:

1. 全样本标准化:用每种蛋白在所有样本中的均值和标准差进行标准化。

2. 批内标准化:对同一批内样本用均值和标准差标准化。

3. 缺失值插补与全样本标准化的结合。

4. 方差稳定性标准化:缩小高方差蛋白的权重。

5. 小数定标标准化:对全蛋白组数据进行比例缩放。

6. 中位数或四分位数标准化法。

7. Z-score规范化:对每个蛋白,按照其平均值和标准差进行规范化。

选择适合方法应考虑数据特征,需要进行验证,重复实验次数也很重要。标准化后才进行差异分析。

质谱分析后，还需要再做一步标准化或者归一化才可以