5.3.1 一条算子链与一个乘法问题
3.1 节把质谱流式（CyTOF）与常规流式归入亲和测量一路：每个细胞被读成几十维的蛋白向量，奠基工作一次测量 34 个参数——31 种抗体，外加 DNA 嵌入剂、活性染料与事件长度（Bendall et al., 2011）。但下机得到的 FCS 文件并不是拿来即可分析的数据。从原始事件矩阵到一张可信的细胞分群图，中间是一条次序固定的处理序列，本节称之为算子链(operator chain)：补偿(compensation)扣除跨通道的溢出(spillover)——荧光染料的发射谱尾部互相重叠，金属标签则受同位素纯度不足与氧化物离子的拖累；变换(transformation)把跨几个数量级的强度压到可比较的尺度，3.1 埋下的 arcsinh 与 biexponential 在此兑现。
再往后是事件质控(event-level quality control)，剔除碎片、双联体(doublet)与采集异常时段的事件；归一化(normalization)统一仪器漂移与批次尺度，质谱流式常用微球(bead)校正；此后才是特征选择、聚类与降维、可视化与标注。五个环节各有专职：补偿管通道间的串扰，变换管数值的尺度，质控管事件的真伪，归一化管批次之间的可比，聚类管结构的呈现——一条链上没有任何一环可以替代另一环。
算子链（operator chain）。数据处理中各操作环节按固定先后串成的一条链：上游环节的输出即下游环节的输入。链的关键性质是整体性——最终分群图由整条链决定，任何一环的替换都会改变传到末端的结果；因此评价与选择的单位应当是"整条链"，而不是链上的某一步。链上任一环的次序也非任意：补偿必须在变换之前，否则溢出误差已被非线性尺度放大；归一化必须识别批次结构之后才有意义。
麻烦在于，每一环都不是单选题。以 ANPELA 官网口径为例（表 5.3-1）：补偿这一步，流式有 AutoSpill、flowCore、MetaCyto 三种算法可选，质谱流式有 CATALYST、CytoSpill 两种；变换 14 种；事件质控 4 种；归一化流式 5 种、质谱流式 6 种；聚类也有 FlowSOM 与 PhenoGraph 两家（idrblab.cn/anpela）。
把每一环的候选数连乘，就得到全部可能的流程组合数——组合空间(combinatorial space)。
组合数怎么膨胀。组合数对每一步的候选数按乘法敏感：任何一环的候选翻倍，总数就翻倍；环节数每增加一个，总数再乘一次。六步各 3 种是 729，各 4 种就是 4,096，各 5 种则达 15,625。反过来读这条式子也有用：想控制组合爆炸，最有效的杠杆不是"少选几种方法"，而是冻结某一环——社区共识固定了一环（k=1），空间就按比例整体缩小。质谱路线的"标准化主干"正是这样做的（5.3.3）。
由此得到两个直接推论。其一，软件附带的"默认流程"只是组合空间中的一个点，没有先验保证它适配你的数据与目标——算法选择上的无免费午餐(no free lunch)说的正是这件事：脱离数据分布与评价目标，"最优流程"无从谈起。其二，人工逐个尝试在时间上不可行，习题 5.3-1 会算这笔账。选流程于是从"跟着教程走"变成一个独立的方法学问题：谁来替你把组合空间系统地走一遍，并按统一标准打分？
还要看清链上哪些环节进得了组合空间、哪些进不了。补偿、变换、质控、归一化、聚类五环方法可枚举、次序基本固定，因而能连乘成一个有限空间；特征选择只部分可枚举——留哪些标志物常有成法，但没有穷举的价值；至于为一个新亚群命名、判定一个分群在生物学上是否讲得通，完全依赖领域知识，不存在可自动打分的候选清单。组合导航管前者，后两者仍是分析者的责任——工具的边界画在这里，恰是它可靠的原因。
习题 5.3-1
某实验室的流式分析流程有 7 个环节，每个环节恰有 4 种候选方法。（a）组合空间多大？（b）若每天人工试一种组合，全部试完需多少年（按每年 365 天）？（c）并行计算把速度提到每天 1,000 种，需多久？（d）由（b）（c）之差说明大规模筛选类工具的存在前提。
参考解答（a）N = 47 = 16,384 种。（b）16,384 ÷ 365 ≈ 44.9 年，接近半个职业生涯——人工穷举不可行。（c）16,384 ÷ 1,000 ≈ 16.4 天。（d）同一组合空间，串行是"一辈子"，并行是"两周"：当单步计算足够便宜、评价指标可自动计算时，系统穷举就从不可能变成一次预实验。这正是 5.3.3 要拆解的两个先决条件。
5.3.2 ANPELA：把"选流程"做成一次可复现的实验
ANPELA 的回答是：与其争论哪种流程好，不如把"选流程"本身做成一次可复现的实验（Sun et al., 2025）。这套工具出自浙江大学朱峰团队的 IDRB Lab，2025 年以协议论文的形式发表在 Nature Protocols。
它的做法分三步：把流程组合当作可枚举、可评估的空间，对用户提交的数据并行运行大量候选组合；用一组可自动计算的指标给每个组合的表现打分；排序并可视化，输出一份面向这批数据的推荐清单。论文把这整个动作称为在组合空间中的导航(navigation)。软件以 R 包、在线服务器与 Windows 桌面版三种形态发布，不要求编程基础，原始 FCS 文件可自动识别，作者报告单批数据的运行时长依规模从数分钟到数小时（Sun et al., 2025）。
| 环节 | 流式候选方法 | 质谱流式候选方法 | 候选数（流式/质谱流式） |
|---|---|---|---|
| ① 补偿 | AutoSpill、flowCore、MetaCyto | CATALYST、CytoSpill | 3 / 2 |
| ② 变换 | arcsinh、biexponential、log 等 14 种 | 同左 | 14 / 14 |
| ③ 事件质控 | flowAI、flowCut、flowClean、PeacoQC | 同左 | 4 / 4 |
| ④ 归一化 | GaussNorm、均值、Min-max、WarpSet、ZScore | 左列五种 ＋ 微球校正 | 5 / 6 |
| ⑤ 聚类（亚群识别任务） | FlowSOM、PhenoGraph | 同左 | 2 / 2 |
| 合计（连乘，式 5.3-1） | — | — | 1,680 / 1,344 |
组合空间到底有多大？各口径略有出入，量级却一致：官网的表述是"逾 1,000 种可用流程"，2023 年前作的摘要同样写"超过 1,000 种流程"，协议论文摘要则以 thousands 概括（Zhang et al., 2023；Sun et al., 2025）。按表 5.3-1 的候选数连乘，流式 1,680 种、质谱流式 1,344 种，两类合并计数在三千上下。
无论采哪种口径，结论相同：这是一个人工无从穷举、却又完全有界可枚举的空间——恰好落在"值得系统筛选、也筛得起"的规模上。
打分依据是明列的指标清单，且按下游任务分两组。细胞亚群识别（CSI）配四条判据：Ca，分类精度——以近邻分类器对照已知标签，考核 F1 与 AUC；Cb，聚类紧致度——外部用 Rand 指数与纯度对照真值(ground truth)标注，内部用轮廓系数及 CH、DB、XB 指数度量簇结构；Cc，标志物稳健性——驱动分群的蛋白标志物在不同数据划分下是否一致；Cd，与先验知识的一致性——分群是否守住已知的细胞类型边界。
拟时序(pseudotime)轨迹推断（PTI）另配四条：拟合时序与物理采集顺序的一致性、蛋白水平沿轨迹的平滑度、子采样下的稳健性（Spearman 与 Kendall 相关），以及与已知信号通路层级的一致性（Sun et al., 2025；idrblab.cn/anpela）。八条判据全部可以自动计算，这正是大规模筛选可行的第三块基石。
打分之后的排序由机器学习完成，以各指标为特征给出总体表现排名，并辅以交互式图表供逐项查看（Sun et al., 2025）。
两个工程细节值得知道：其一，逾千组合靠并行计算消化，桌面版可完全离线运行——临床或合作数据不出本机，是不少课题组选桌面版的实际理由；其二，导航的输入是用户自己的数据，推荐因此是"这批数据上的实测结果"，不是文献结论的照搬——这也是它与通用"最佳实践"清单的本质区别。
习题 5.3-2
按表 5.3-1 计算：（a）流式数据的组合数；（b）质谱流式数据的组合数；（c）两类合并计数；（d）官网为何写"逾 1,000 种"而章节叙述常出现"逾三千种"，两种口径矛盾吗？
参考解答（a）3×14×4×5×2 = 1,680 种。（b）2×14×4×6×2 = 1,344 种。（c）1,680 ＋ 1,344 = 3,024 种。（d）不矛盾，只是计数口径不同：官网的"逾 1,000 种"针对单一数据类型的可用组合——1,680 与 1,344 都超过一千；"逾三千"把两类仪器的组合空间合并相加。论文摘要用 thousands 概括，同样是量级表述。读这类数字时应先问口径：空间按数据类型分层，数字就跟着分层。
5.3.3 这套策略为何在流式类数据上行得通
"穷举打分"听上去笨，却有三个苛刻的前提，流式类数据恰好齐备。一是链短：算子链五步上下，每个组合只是替换链上的方法，不改变链的结构。二是单步计算便宜：一次流式上样的事件数在十万量级、通道数十维，一步运算在秒级完成，逾千组合并行跑一遍是分钟到小时级的事（Sun et al., 2025）。三是指标可自动计算：分类精度、聚类紧致度、一致性得分都有现成公式，机器能自己打分，无须人工评读。三者相乘，"系统穷举"从不可能变成一次预实验。
质谱单细胞路线三条各差一截。其一，链长：4.3 节展开的八步主干之外还有谱图检索与 FDR 控制，环节多出一个量级；其二，单步昂贵：每个组合都要在数十万行 PSM 证据上检索、定量、过滤，成本高出几个量级；其三，指标难全自动：鉴定数、中位 CV、缺失模式往往仍要人审。
于是质谱路线走上另一条路——不是穷举组合，而是收敛共识：scp 包把八步主干固化为标准流程（Grégoire et al., 2024），Galaxy 教程再把它图形化（Gomoryova and Hecht, 2025），社区白皮书规定报告义务（Gatto et al., 2023），5.2 的 DIA 横评则在工具组合层面做横向基准评测（Wang et al., 2025）。组合空间小而有先验，策略就从"导航"换成"共识＋横评"。两种生态、两种策略，无所谓高下，各自的计算经济学已把路指好了。
流式 / 质谱流式：穷举 ＋ 导航
- 链短：五步上下，结构固定；
- 单步秒级，逾千组合可并行（分钟—小时）；
- 指标全自动（Ca–Cd 与轨迹判据）；
- 输入为用户自己的数据，推荐即实测结果；
- 组合空间逾千，无公认默认 → 系统筛选后按目标导航（ANPELA）。
质谱单细胞：共识 ＋ 横评
- 链长：检索 ＋ FDR ＋ 八步主干（4.3）；
- 单步昂贵（数十万行 PSM 证据）；
- 指标半自动，需人审（鉴定数、CV、缺失）；
- 输出为共识主干＋关键阈值的敏感性检验（4.3）；
- 空间小而有先验 → 标准化主干（scp 包）＋ 工具横评（5.2）。
两条路线在方法论上正在合流。质谱一侧的基准评测（5.2）同样把"工具组合"当作评价单元；scp 包主干虽已固化，关键阈值仍要求做敏感性检验（4.3；Gatto et al., 2023）——相当于在很小的邻域内做局部导航。反过来，ANPELA 的 Ca–Cd 与质谱一侧的鉴定数、定量精度、缺失率，是同一件事在不同数据类型上的投影：都要先回答"什么叫处理好"，再把答案写成可计算的式子。评估方法论是共同的骨架，数据类型只决定指标的具体形态。
5.3.4 指标即价值观：推荐是目标条件化的
指标清单读起来像客观的尺子，实际上每一条都是一种价值观——它先行声明了"什么叫处理得好"。在肿瘤样本里找占比不足百分之一的稀有亚群，最怕的是小群体被并进大簇，主指标应取 Cd（守住已知稀有类型的边界），辅以 Ca（F1 对少数类的召回敏感）；Cb 反而要警惕——一味追求簇内紧致，算法倾向于合并小簇。
对健康供体做免疫群体结构概览，看重的是整体拓扑的稳定与可解释，Cb 与 Cc（标志物一致）更要紧，Cd 的权重可以放低，因为先验标注本就覆盖不全。做分化过程的研究则以轨迹指标为主。目标不同，同一组合在榜单上的位置就随之不同。
Cb 一类内部指标的计算方式值得看一眼。以轮廓系数(silhouette coefficient)为例（式 5.3-2）：它把一个事件的"与自家簇的贴合程度"和"与最近邻簇的分离程度"放进同一把尺，无须真值标注即可计算——这正是它得以进入自动打分清单的原因。
| 研究目标 | 主指标 | 辅助指标 | 主要风险 |
|---|---|---|---|
| 稀有亚群检出（如肿瘤浸润免疫细胞） | Cd 先验一致性 | Ca 分类精度 | 小簇并入大簇；紧致度权重过高会加重此风险 |
| 群体结构概览（如健康供体分型） | Cb 聚类紧致度 | Cc 标志物稳健性 | 拓扑不稳定、跨批次不可重复 |
| 标志物发现与验证 | Cc 标志物稳健性 | Cd 先验一致性 | 标志物随流程漂移，结论不可迁移 |
| 分化与过程研究 | 轨迹平滑度（PTI） | 子采样稳健性 | 轨迹实为变换或聚类伪影 |
| 方法学比较与流程定版 | 按下游目标另定 | 多项并列，看前沿 | 压成单一总分，掩盖指标间取舍 |
读这张表的正确方式不是查表取数，而是照着它写一段自己的论证：先陈述研究目标，再指认主指标与其风险，最后说明辅助指标如何兜住这个风险。表 5.3-2 的每一条都能还原成这样的三句话——推荐于是有了可辩护的理由，而不是黑箱的输出。
这也是流程推荐与"跑分排行"的分野。多项指标彼消此长：紧致度与稳健性常不同时取最大，把各指标压成一个总分会抹平取舍。严谨的做法是保留指标向量，让用户按目标赋权——多目标权衡下没有全胜者，只有帕累托前沿(Pareto frontier)：不再能同时改进任何一项指标的那组组合（图 5.3-2 右）。
这与 5.2 的经验同源：DIA 横评的结论同样是"按场景给推荐"。推荐因而是目标条件化的（goal-conditional）——先声明下游目标，再谈流程好坏。
没有普适最优流程。三层含义：①默认流程只是组合空间中的一点，换一批数据、换一个目标，它的表现没有任何保证；②单一总分会掩盖指标间的取舍，读榜单要看分项，而非只看名次；③指标最优不等于生物学正确——打分体系之外，分群是否合理、标志物是否讲得通，仍要靠领域知识复核。把"推荐"当证据，不要当裁决。
习题 5.3-3
设两项研究目标：A，在肿瘤样本中寻找稀有免疫亚群（占比可能不足 1%）；B，对健康供体外周血做免疫细胞群体结构概览。请各从 Ca–Cd 中选出一条主指标与一条辅助指标，并论证理由；再说明为何不应只看总分排名。
参考解答A：主 Cd——稀有亚群研究的头等风险是小群体并入大簇，守住已知稀有类型的边界是底线；辅 Ca——F1 与 AUC 对少数类的召回敏感，能直接考核稀有群体是否保住。Cb 只作参考：过度追求紧致反而诱发小簇合并。B：主 Cb——概览关心整体拓扑的紧致与稳定；辅 Cc——标志物一致保证分群可解释、可跨批次重复；Cd 权重可降低，因健康供体的先验标注不全。至于总分：四条指标彼消此长，加权方式本身就是一次目标选择；只看名次等于把"什么重要"的决定权让给了默认权重——与目标条件化的原则相悖。
习题 5.3-4
七个候选组合在两项指标上的得分如下（越高越好）：P1 (0.72, 0.45)、P2 (0.60, 0.55)、P3 (0.68, 0.52)、P4 (0.55, 0.60)、P5 (0.75, 0.58)、P6 (0.62, 0.40)、P7 (0.70, 0.62)。（a）求帕累托前沿；（b）按权重 (0.7, 0.3) 算加权总分排名；（c）换成权重 (0.3, 0.7) 再排一次；（d）比较两次排名与前沿的关系，说明"前沿不变、名次随权重翻转"的含义。
参考解答（a）逐一检验支配关系：P5 与 P7 互不支配（P5 指标一更高，P7 指标二更高）；其余五组都至少被两者之一全面压过——如 P5 支配 P1、P3、P6，P7 支配 P2、P4。前沿 = {P5, P7}。（b）加权分 P5 = 0.699、P7 = 0.676，P5 第一。（c）加权分 P5 = 0.631、P7 = 0.644，P7 反超第一。（d）权重变的是"把前沿上的哪个点排第一"，变不出前沿之外的新冠军——被支配的组合无论怎么加权都上不来。这就是看前沿优于看总分的原因：前沿由数据决定，名次由价值观决定；先把前者交还给数据，再把后者的选择权显式留在自己手里。
5.3.5 谱系：从免标记定量到流式蛋白组
ANPELA 与其说属于一篇论文，不如说属于一条方法学脉络。同一团队 2019 年即证明：免标记蛋白定量的精度、准确度与稳健性，可以靠优化"数据操作链"的取舍同时改进（Tang et al., 2019）；2020 年的初版 ANPELA 把这套评测搬到宏蛋白组的免标记定量流程上（Tang et al., 2020）；2023 年扩展到流式类单细胞蛋白定量，称可评逾 1,000 种组合（Zhang et al., 2023）；2025 年的协议论文补齐了指标体系、导航逻辑与三种软件形态（Sun et al., 2025）。官网把流式类版本称作 ANPELA 2.0，以别于面向整体蛋白定量的初版。
一以贯之的思想只有一个：评价与优化的对象从"单步方法"升级为"整条链"，组合本身成为研究单元。就此而言，本节与 5.2 讲的是同一件事的两个分支——前者为质谱路线选工具，后者为流式路线选组合，方法学内核都是基准评测。
谱系里还能读出一层连续性。2019 年那篇论文同时优化精度、准确度与稳健性三件事，已含多目标权衡的雏形；如今的 Ca–Cd 与轨迹判据，是把"好"字拆开写成可计算的分项。换言之，这条脉络里真正沉淀下来的不是某个工具实现，而是指标体系本身——软件可以重写，"什么叫处理好"的清单才是可迁移的知识。
5.3.6 实践清单：拿到一批流式/CyTOF 数据时
工具归工具，选流程前有几个问题只能由数据与实验设计来回答。
五个先行问题
- 有没有溢出要校正？荧光流式按单染对照估计溢出矩阵再做补偿；质谱流式按厂商提供的矩阵或实测估计。补偿处在链条最上游，不做，误差就乘法性地污染所有后续通道（见下方方法框）。
- 变换取什么系数？arcsinh 变换以协同因子 c 控制线性—对数过渡（式 5.3-3）。质谱流式的通行惯例 c = 5 源自 SPADE 的做法（Qiu et al., 2011）；常规荧光流式常取更大的协同因子（如 150）以保留线性区。c 直接改变聚类所见的群体边界，值得做一档敏感性检查。
- 事件质控选哪个工具？flowAI 一类按采集时间剔除异常时段；碎片与双联体用事件长度、DNA 含量与活性通道判别（质谱流式的常规做法）。
- 归一化要不要微球？跨批次比较时，以内插微球的信号折算仪器漂移，把不同批次拉到同一尺度（Finck et al., 2013）。
- 聚类与轨迹选什么？前四问划出可行域，这一问交给组合导航：用 ANPELA 把逾千组合在这批数据上跑一遍，按研究目标读指标榜单，再对推荐组合做人工复核。
补偿与变换的先行地位。补偿处在所有算子之前，是因为溢出是乘法性的通道间污染：一个通道的信号按固定比例串入其他通道，补偿不做，后续每一步都在被污染的数据上进行，且误差结构随变换发生不可逆的非线性放大。变换紧随其后，是因为它定下了数据的几何——距离、密度、聚类边界全部定义在变换后的空间里；协同因子 c 一变，同一批数据可能给出不同的群体边界。两者都在链条最上游，也都最值得先做敏感性检查，再谈下游选型。
最后是把 ANPELA 用成"预实验"而非"裁决"：它给出的推荐是证据，不是结论。榜单解释不了的分群、与生物学常识相悖的标志物，都应回到人工审查。
把导航用作预实验
报告时写明所用流程、指标与权重——社区白皮书的报告义务同样适用于流式类数据（Gatto et al., 2023）。一份只写"经软件推荐"而不附流程细节的分析，等于把结论建立在不为人知的自由度之上。
本节以 ANPELA 为载体，把"选流程"当作可以正面研究的方法学问题：
- 流式类数据处理是一条算子链，各步候选数连乘成逾千种组合（式 5.3-1），默认流程只是空间中的一点，无免费午餐；
- ANPELA 把组合空间当作可枚举、可评估的对象：并行运行、多指标打分（Ca–Cd 与轨迹判据）、按目标排序导航——链短、计算便宜、指标全自动，是这套策略成立的三个条件；
- 指标即价值观：推荐是目标条件化的，多目标下只有帕累托前沿，没有全胜者；质谱路线则因计算经济学不同而走向共识化主干与横评（4.3、5.2）；
- 实践次序：先答五个先行问题（补偿、变换系数、事件质控、微球归一化、任务出口），再用导航跑一遍组合，最后对推荐做人工复核与完整报告。
流式路线的答案是"导航"；质谱路线的另一个前沿是把批次、缺失与建模一并交给表示学习——5.4 的 scPROTEIN。
关键术语
- 算子链 (operator chain)
- 数据处理各环节按固定次序串成的链；输出由整条链决定，评价单位应是链而非单步。
- 组合空间 (combinatorial space)
- 各环节候选方法的全部连乘组合（式 5.3-1）所构成的集合。
- 补偿 (compensation)
- 按溢出矩阵把串入各通道的信号折算扣除的校正步骤，处在链条最上游。
- 溢出 (spillover)
- 一个测量通道的信号泄漏进其他通道的现象，荧光与金属标签皆有。
- arcsinh 变换 (arcsinh transformation)
- 以协同因子缩放后取反双曲正弦；小值近线性、大值近对数（式 5.3-3）。
- 协同因子 (cofactor)
- arcsinh 变换的尺度参数 c，决定线性区与对数区的过渡点。
- 事件质控 (event-level quality control)
- 剔除碎片、双联体与采集异常时段事件的环节，候选工具四种。
- 微球校正 (bead-based normalization)
- 以内插微球信号折算仪器漂移、统一批次尺度的归一化方法。
- 拟时序 (pseudotime)
- 沿推断轨迹对细胞排序所得的次序变量，度量进程而非钟表时间。
- 真值 (ground truth)
- 独立可靠的参考标注，如已知的细胞类型标签。
- 无免费午餐 (no free lunch)
- 脱离数据分布与目标，不存在普适最优的算法或流程。
- 帕累托前沿 (Pareto frontier)
- 多目标下不再能同时改进任何一项指标的方案集合，推荐的可辩护边界。
参考文献与延伸阅读
- Sun H, Zhou Y, Jiang R, et al., Zhu F. 2025. Navigating the data processing for cytometry-based single-cell proteomics. Nature Protocols 21: 1235–1261.
- Zhang Y, Sun H, Lian X, Tang J, Zhu F. 2023. ANPELA: significantly enhanced quantification tool for cytometry-based single-cell proteomics. Advanced Science 10(15): e2207061.
- Tang J, Fu J, Wang Y, et al., Zhu F. 2019. Simultaneous improvement in the precision, accuracy, and robustness of label-free proteome quantification by optimizing data manipulation chains. Molecular & Cellular Proteomics 18(8): 1683–1699.
- Tang J, Fu J, Wang Y, et al., Zhu F. 2020. ANPELA: analysis and performance assessment of the label-free quantification workflow for metaproteomic studies. Briefings in Bioinformatics 21(2): 621–636.
- Bendall SC, Simonds EF, Qiu P, et al. 2011. Single-cell mass cytometry of differential immune and drug responses across a human hematopoietic continuum. Science 332: 687–696.
- Qiu P, Simmonds EF, Qiu P, Simonds EF, Bendall SC, et al. 2011. Extracting a cellular hierarchy from high-dimensional cytometry data with SPADE. Nature Biotechnology 29: 886–891.
- Finck R, Simonds EF, Jager A, et al. 2013. Normalization of mass cytometry data with bead standards. Cytometry Part A 83(5): 483–494.
- Wang J, Huang Y, Fang Q. 2025. Benchmarking informatics workflows for data-independent acquisition single-cell proteomics. Nature Communications 16.
- Grégoire S, Vanderaa C, Gatto L. 2024. Standardized workflow for mass-spectrometry-based single-cell proteomics data processing and analysis using the scp package. Methods in Molecular Biology 2817: 177–.
- Gomoryova K, Hecht H. 2025. Single cell proteomics data analysis with bioconductor-scp. Galaxy Training, training.galaxyproject.org.
- Gatto L, Aebersold R, Slavov N, et al. 2023. Initial recommendations for performing, benchmarking and reporting single-cell proteomics experiments. Nature Methods 20: 375–386.
- ANPELA 官网（IDRB Lab，浙江大学）：idrblab.cn/anpela（组合空间构成与指标口径，2026-08 查阅）。