DIA-NN 引擎源码考古 · 1.7.12 · 第一回 · 先把引擎的「地层」看个全貌 ~

上一篇 《DIA-NN 最新源码里能看到什么、能学到什么：一份公开仓库的观察报告》 收尾留过一句话：“下期顺着 1.7.12 版的引擎继续下探，看看还能看到哪些软件内部的细节”。这一回来还这个愿：挖开 1.7.12 发行包里那份 diann.cpp，把实际分析过程中，数据走过的那条路，一段一段展示给观众老爷们看。

可真把这份文件挖开，才发现细节远比想象的多 —— 装载、打分、校准、定量，每个环节里都有讲究，一篇塞不下。所以小编索性多开几篇，把这次引擎考古的结果一篇一篇介绍给观众老爷。眼下这篇先做整体的总览：这台引擎由哪些零件组成、一份数据进来要过哪几关，先把全景立起来。这条线后面往哪深挖，文里也先给个影子。

上一篇里 “最新版源码里看不到的” 那一串问题 —— 打分器怎么训练、decoy 怎么生成、蛋白推断怎么实现 —— 这次正好一并学习。那篇末尾就交代过：这些里头有一部分，在早期完整开源的旧引擎里其实读得到。1.7.12 的 diann.cpp 整份躺在发行包里，当年算法怎么写的，都在这份文件里。当然，话得说明白：咱们挖的是历史上的引擎，最新版里是不是还这么干，闭着源谁也说不死；能坐实的，是当年这些题是怎么解的、每步为什么这么设计。

发掘对象：一台带着历史痕迹的单文件引擎

先看发掘对象本身。1.7.12 的发行包是个标准的 Visual Studio 工程全家桶，顶层一眼能数完：

DiaNN-1.7.12/├── src/                    # 核心引擎：diann.cpp（456 KB、11,260 行）+ cpu_info.h（CPU 探测）├── diann/                  # 引擎的 VC++ 工程：diann.vcxproj / .filters├── cranium/                # 自制神经网络库：7 个 .h 纯头文件写完（matrix / network / optimizer…）├── eigen/                  # 第三方线性代数库 Eigen，完整源码内嵌├── mstoolkit/              # 质谱文件读写工具包，三大依赖打包在肚子里│   ├── include/            #   sqlite3.h、zlib.h、expat.h、mzParser.h …│   └── src/                #   sqlite-3.7.7.1、zlib-1.2.8、expat-2.2.0、mzParser、MSToolkit├── GUI/                    # C# WinForms 图形界面：独立的 GUI.sln + Form1.cs 主窗体├── WiffReader/             # Sciex .wiff 格式读取桥接层：WiffReader.cpp├── Setup/                  # 安装包工程：Setup.vdproj├── diann.sln               # 顶层 Visual Studio 解决方案├── README.md               # 项目说明：官方自我介绍 + 命令行用法与教程├── LICENSE.txt             # 授权：CC BY 4.0├── DIA-NN GUI manual.pdf   # 官方 GUI 手册（350 KB）├── linux-build-gcc-7       # Linux 构建脚本（gcc-7）├── linux-build-old-gcc     # Linux 构建脚本（旧版 gcc）└── _config.yml / .gitignore  # GitHub Pages 配置 / Git 忽略规则

真正的老底在 src/diann.cpp：456 KB、11,260 行（ReadAllLines 口径），从原始数据装载、FASTA 酶切、修饰展开、理论谱生成，到搜库、打分、校准、q 值、蛋白推断、MaxLFQ，再到报告输出和 main 总控，全流程写在同一份文件里。所谓 “单文件引擎”，字面意思就是字面意思。

小编碎碎念：这么干在软件开发界算稀有动物。主流工程讲究模块拆分、各管一摊，一份文件写到上千行就该琢磨着拆了；把上万行全塞进一份文件的，数得出来的大概两类。一类是刻意的 “单文件发行” 流派：C 语言圈知名的 stb 系列单头文件库、SQLite 分发的那份单文件版都这么干，图的是往任何项目里一塞就能编译。另一类是科学家写代码的传统：从读数据到出结果全在一份 main.cpp 里，模块化是什么，能吃吗。diann.cpp 两边都沾点边 —— 形态上是科学家的 “一锅炖”，成色上倒真把一整套引擎炖得有条有理。

README 里也留着满满的历史痕迹。开篇自称 “a fast and easy to use tool for processing data-independent acquisition (DIA) proteomics data”，主打深度神经网络和 library-free 搜索；文里还写着 “推荐使用最新版 1.7.11”（原文：it's recommended to use the latest version - DIA-NN 1.7.11），可包里装的已经是 1.7.12。

这痕迹的来历，跟 1.7.11 的包一对照就清楚了：引擎源码从 10,245 行涨到 11,260 行，逐行对比一千多行不一样；README 两个包里却一字不差。所以那句话不是谁在推荐旧版，而是 1.7.11 当 “最新版” 那阵子的文档，原样跟着 1.7.12 一起打了包。代码在推进，说明文档没跟上，这种痕迹在老版本里一翻一堆。

地层剖面：11,260 行的内部构造

diann.cpp 的内部不是一锅粥，自上而下像地层一样叠着，每层管一摊事。完整剖面有二十三层，这里挑主干层给观众老爷过一遍：

体量一眼可见：Library 和 Run 两个巨类加起来近七千行，是全文件工作量的重心，常规重活最扎堆的地方。谱库中枢管 “该查什么、查完怎么归拢”，搜库引擎管 “怎么在原始数据里找证据”，正好是后面 “怎么找、怎么判” 两块的主料。

小编碎碎念：看行数容易顺出一个错觉 —— 越长越金贵。可小编这些年看代码的体感是：行数量得出工作量，量不出创新浓度。真正亮眼的点子，可能就藏在几十行里；几千行的巨层，多是读写、簿记、校准这类体力活，是开发时真金白银砸进去的苦功夫。工作量最大的地方，和最亮眼的地方，从来不必然重合。

这层剖面里还埋着一个招牌与实物的反差。README 主打的 “深度神经网络”，在源码里其实只占一角。碎片强度和保留时间的基础预测是线性加权模型 —— 电荷、氨基酸组成、位置这些特征按规则构造、直接加权，权重从谱库最小二乘拟合出来，可解释、跑得快。

神经网络的正主是 NNClassifier（L6277–L6362）：挂在搜库引擎的迭代闭环里，给 “这证据像真还是像假” 重打分 —— 默认 12 个网络做 Bagging，每个是 5 个隐藏层的微型塔形结构（25-20-15-10-5），输出取平均。

就这么大点家当：类本体 86 行，加上训练、打分辅助代码和 Run 里的装配调用，一共约 240 行，只占全文 11,260 行的 2%；真正的网络运算在随包的 cranium 微型库（7 个头文件、约 1,400 行）。

至于深度学习谱库预测，源码里只有一张 “门票” —— 十几行接口声明（两个函数加一个类，包在编译开关里），实现没随包提供，README 明言只有官方构建才带、且仅限 Windows。基础活交给线性模型，要紧关头才上网络，这个取舍本身就值得琢磨。

工程风貌：这台引擎的纪律

11,260 行塞进一份文件，按今天的主流工程审美不算常规写法。可真顺着代码读下来，里面有一套自洽的纪律，大多冲着科研软件的要害去：算得准、跑得快、结果可复现。不过纪律不白来，每条下面都压着一份代价；值不值，得看取舍站不站得住。

补个前提：这类取舍只有 “工具链攥在自己手里” 才做得起。DIA-NN 随包带全部 C++ 源码，程序主体就是拿这份源码编译出来的 —— “编译” 就是把源码翻成电脑能直接跑的程序的那道工序 —— 用什么编译选项、开不开某条捷径、内存怎么摆，都由开发者定。这跟今天常用的数据分析不是一个玩法：R、Python 脚本底下的数值库是别人编译好的成品，那道工序早在人家打包时就做完了，脚本插不上手。所以下面几条该读成 “自己掌握工具链的程序做的取舍”，不是 “写脚本照做” 的清单；对常用 R、Python 的读者，它们更像参照 —— 同样的问题在脚本世界也存在，只是那边管不到这么底层，通常靠锁环境、容差比较兜底。

流程用 goto 拓扑，不玩嵌套。 goto 是个老资格的跳转指令：程序跑到这一行，直接 “传送” 到别处的标记接着干。main 里的流程分支就是一串 goto 跳转。这写法放到今天算争议选手 —— 正经的 C++ 编码规范让它靠边站（C++ 核心指南 ES.76 明说 “避免 goto”，https://isocpp.github.io/CppCoreGuidelines/CppCoreGuidelines#es76-avoid-goto ），可 Linux 内核那种巨型代码库反而推荐拿它收尾（内核代码风格指南第 7 节专讲用 goto 做 “集中的函数退出”，https://docs.kernel.org/process/coding-style.html ）。在单文件巨构里，它换来 “平铺直叙、少嵌套”：流程从上往下读得通，不用在层层大括号里找北。代价也明摆着：跳到哪、跳得对不对，编译器都不管，跳转不受编译器约束，改岔了没人拦。

约定即接口。 原始数据扩展名清单的注释里明确写着必须按字母序排，因为查找走的是二分 —— 二分查找好比查字典：先翻中间一页，看要找的词在前半还是后半，再对折了接着翻，几下就到；前提是字典必须按序排好，乱了序这法子就失灵。装载函数的注释里也写明前提：谱须按采集时间有序，好比排队必须按先来后到，代码直接信这个约定干活。文档没写到的地方，注释就是契约。好处是零开销、代码直白；风险是约定只活在注释里 —— 谁打乱了字母序或时序，编译器不报、测试不响，只能靠后来的人肉眼守约。

内存上能省则省。 一趟分析要把大量谱图的峰数据放在内存里随取随用，内存自然是金贵资源，于是能省则省：谱图的峰数据用链表套数组装着，每块数据落地后地址就不再变 —— 这叫地址稳定（这是 C++ 标准给链表的明文保证，https://eel.is/c++draft/list.modifiers ），好比给每块数据发了固定门牌号；谱头只登记门牌号（指针），用的时候照号取数，全程不搬数据。“这个前体搜过没有” 这类标记用位图管理：一排小格子，每个候选占一个 bit，打个勾就记住。省内存的账算得精，代价是把正确性押在 “没人动那块内存” 上 —— 数据一旦挪窝，门牌号就成了空号，也就是指针悬空，这类错编译器同样拦不住。

可复现优先于快。 启动时主动关掉 FMA3 指令集。FMA 是新 CPU 才有的一条捷径指令：把 “乘完再加” 两步并作一步算，中间少一次四舍五入，快是快一点；可新旧 CPU 一个走捷径一个不走，同一道算式的结果就会在小数点后很远的地方出现细微差异（这个舍入差异有带代码实证的专文详解，https://www.mjr19.org.uk/IT/reproducibility.html ）。注释写得明白：关掉它，是为了让新旧 CPU 算出同样的数。为什么把这件事看得这么重？科研工具出的是定量结果，要经得起复核：同一批数据，今天在这台机器跑、过阵子换台电脑跑，出的数应当对得上；差着小数点后十几位的一点点，碰上卡在阈值边界的样本就可能翻出不同结论。而要管住每一步算式，就得从编译那一刻下手 —— 宁可放弃最后一档性能，也要让同一份数据在哪台机器上都算出同样的数。

这些纪律单拎出来大多算不上新发明，凑在一台 2020 年前后的科研工具里，更像一张取舍清单：每条纪律对着一个具体问题，也各自压上一份代价。取舍未必都合今天的口味，但权衡的痕迹还是能看出开发者对产品的琢磨。

九步工序：你的数据从进来到出去

看完部件和纪律，看工序。一份原始数据进来以后，引擎走的是这么一条线：

DIA-NN 的论文（DIA-NN: neural networks and interference correction enable deep proteome coverage in high throughput）给这台机器的卖点写在标题里：神经网络和干扰校正，落点是深度覆盖、高通量。神经网络学着把真信号和噪声分开；干扰校正收拾 DIA 数据里共流出信号互相搅局的老大难 —— 两样冲的是同一个目标：往深里覆盖，还不耽误速度。

工程上另有一层门道，文献不大会写，源码里却明摆着：中间那四步 —— 检索打分、学权重、q 值、校准 —— 不是过一遍就完，而是循环转 N 轮，像揉面：每一轮拿上一轮的确定答案，把质量误差、保留时间这些参数调准，再搜下一轮；参数调得越准，下一轮搜得越干净。这圈循环本身不算独家 —— 搜库软件校准参数再重搜，本是常规动作；但卖点恰恰要靠它打底：参数校得越准，网络打分和干扰校正才越靠得住。DIA-NN 把这圈常规动作做成了无人值守、一口气跑完，全自动、省心好用是它的落点；“高通量” 是另一笔账，落脚在 “快” 上：软件自己跑得快，还扛得住短梯度、大批量下的深度 —— 前者是效率功夫，后者又回到卖点头上。

写在最后，也写在开始

一段话收个底：1.7.12 的 DIA-NN 是一台单文件引擎，内部地层分明，九步工序，包含揉面式的迭代；Paper 的招牌上写着深度学习，规则式线性模型承载了大多数的基础活，神经网络只用在刀刃上；经典算法用得也扎实，放到今天依然耐看。

这一回带着观众老爷们只看全貌。往后的篇目，小编准备顺着数据这条线分三段来挖：怎么找（前三步），怎么判（中间四步加干扰精修），怎么出定量结果（最后一步）。每个环节里都有门道，这里先立个框架。

如果这篇对各位观众老爷有用，请伸出您尊贵的小手点个赞，小编也有更多的动力接着往下写 ~

相关文章

DIA-NN 往期文章，按发表顺序：

• • 《DIA-NN 输出文件 「地图册」：从 log 到 report，告别信息 「迷茫」，关键内容一查就有 ~》 —— 输出文件都在哪、都是什么
• • 《GUI 能摸的 DIA-NN 参数有限？让咱们来一起看看 Windows 命令行下有没有 「隐藏宝箱」线索 ~》 —— 命令行参数盘点
• • 《想让 DIA-NN 融入蛋白质组数据分析 Pipeline？试试给它搭个 Linux 「移动小屋」？》 —— Linux 部署与集成
• • 《DIA-NN 最新源码里能看到什么、能学到什么：一份公开仓库的观察报告》 —— 新仓库观察，也是本篇的前情

另有一篇 target-decoy 与 FDR 的科普：《质谱鉴定的 「打假办」，FDR：我来算算这伙里面骗子占多少！》，感兴趣可以翻翻。