ARTICLE · 1245232

DIA-NN 引擎源码考古 · 1.7.12 · 第二回 · 数据进门先报到,名单出炉再下锅 ~

发布时间：2026-10-25 05:40:05 最近访问：2026-10-25 05:40:05

书接上文，针对 DIA-NN 1.7.12 版的引擎，上一回《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 ~》给各位观众老爷立了个全貌，也把往后的续写分了三段：怎么找、怎么判、怎么出定量结果。这一回咱们一起顺着这个框架一步步来，先开始第一段（怎么找）（至于这一串考古的缘起，见更早那篇《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》）。

这一段对应的是前文中九步工序的前三步。

装载：把五花八门的原始数据归成一张排好队的谱图清单，数据进门先报到。

候选装配：把 “该查哪些肽段” 的清单备出来 —— 有现成谱库就递单，没有就把 FASTA 里的一串串氨基酸炼成清单，名单出炉再下锅（FASTA 是一本蛋白质的 “花名册”，里面装的就是氨基酸序列，一个蛋白一条，每条还带一个蛋白 ID 和描述；可质谱仪只认肽段、不认整条蛋白，所以这本花名册得按酶切规则剪开才能用。这份文件怎么从 UniProt 薅到手、该薅哪种，早前那篇《Uniprot 薅 .fasta 文件指南：蛋白质组分析第一步，小白入门不懵圈！》专讲这事）。

分批：清单备齐后先装进这次运行，按本次采集的 MS2 窗口过一道可检测性闸，再切成小批，分批下锅。

原料报到：格式几路，账本一本

咱们先看头一桩，数据怎么进门报到。

质谱仪吐出来的原始数据，格式五花八门 —— 每家仪器厂商都有一套自家的私有格式，Thermo、Sciex、Bruker 之外，Waters、Agilent 这些大厂也各有各的规矩，彼此互不买账。要跨厂商流转，常得靠开放格式中转：社区维护的开放标准，转过来谁都能读。

不过私有格式能不能转过去，本身也不是百分百的事 —— 得靠 ProteoWizard 这类转换工具，它们对各家私有格式的支持有全有缺，有的还得先装上厂商自家的接口才认账。

这套转换怎么批量跑起来，小编早前在《八元小灶 · 第一弹 · Windows 下 MSCovert 一键「开工」策略（.bat 版）》给过一份开箱即用的做法。

具体到 DIA-NN 1.7.12 的引擎，它实际识别四种：Thermo 的 .raw、Sciex 的 .wiff、Bruker timsTOF 的 .tdf（数据存在 .d 文件夹里），还有开放格式 .mzML —— 甭管来的是哪家的货，进门都需要归成同一张谱图清单。

怎么归？Run::load 拿到文件先看扩展名，按图索骥分派读取器（L8825 起）：.wiff 从随包的 DIA-NN.Wiff.dll 里临时唤出一个读取器（L8837–L8844）；.tdf 走专门的多线程读取器（L8889–L8892）；.raw 和 .mzML 则交给随包的 mstoolkit 全家桶（L8923 起，多线程 load_raw）。

不过在 1.7.12 那阵子，这些私有格式都不是引擎天生会读的，各有各的 “翻译官”。其中两位要用户自备：.raw 得先装 Thermo 家的 MS File Reader，README 还特意嘱咐认准 3.0 SP3 那一版（README:45）；.wiff 得先装 ProteoWizard，选带 vendor files 的 64 位版。

.wiff 这一位还有个容易读反的讲究，而且是 1.7.12 这一版 README 的硬要求：装 DIA-NN 那一步会选安装目录，这里不能按默认的 Program Files\DIA-NN 走，得把 ProteoWizard 的目录填成 DIA-NN 的安装目录 —— 原话是 “specify the ProteoWizard directory … as the installation directory”，给的示例是 C:\Program Files (x86)\ProteoWizard\ProteoWizard\3.0.11537（README:40）。说白了，不是两家各装各的、再让 DIA-NN 记住 ProteoWizard 在哪，而是让 DIA-NN 直接装进 ProteoWizard 的文件夹里，跟它挤在同一个目录下。

这条规矩在 1.7.15 换了个做法：不再让你改安装目录，改成装完之后，把 ProteoWizard 目录里名字带 Clearcore 或 Sciex 的 DLL 拷进 DIA-NN 的安装目录（1.7.15 README:42）；再往后 1.8、1.8.1、1.9.2 直到 2.0，README 写的还是这一套。本文讲的是 1.7.12，按老规矩来；版本差异只点到为止，不展开。

.tdf 的那位则是随包自带的 —— Bruker 家的 timsdata.dll，安装包里就带着，装载时直接调它打开 .d 文件夹（L85、L8672）。

这里头 .tdf 还有一层值得说 —— timsTOF 的招牌离子淌度。1.7.12 的处置是先收着、不使唤：装载时淌度随峰数据一起收进来，为了省空间，还把它编码进强度值里一起打包（L670、L8757–L8794）；每条鉴定的 1/K0 也解出来记在结果上（L7852）。可打分、过滤一概不看它，注释自己就写着 “Ion mobility information is currently not used”，留给未来版本改进（L8884）。

再说 diaPASEF：这项支持当时还只是 “alpha-stage” 的实验品（L8883–L8886），在 1.7.12 明显还处在先收货、后开发的阶段。不管走哪条通道，最后全汇进同一种账本。

账本的每一页是一张谱图的 “报到单”：采集时间（RT）、这张谱覆盖的质荷比窗口（window_low / window_high，SWATH 分段窗口就记在这里）、还有峰数据本身 —— 峰的质荷比和峰高，一对一对地填进去（字段定义见 Scan 结构 L2598–L2601，装配现场 L8857–L8860）。MS1、MS2 各归各的队，整本账按采集时间排好，等后面的工序随取随用。

还有一种 DIA-NN 自家的 .dia，不跟这四种排队 —— 它不是仪器吐出来的货色，是引擎攒下的存档，作用有点像转换过程的中间检查点。跑一遍 --convert，甭管进来的是哪种格式，引擎都把读进内存的谱图原样存成这种存档，转换完就退出，不干别的（L10922–L10931）；往后再分析，它就作为输入直接进场，秒级加载（README 的说法）。数据量大的工程，解析一趟不容易 —— 先固化成 .dia 存着，往后改参数反复跑，都不用再解析一遍。

小编碎碎念：这份账本里有两个 “口口相传” 的约定，装在函数注释里：谱必须按采集时间有序（L8825，注释原文 “Spectra in the file should be ordered by the acquisition time”），格式扩展名清单必须按字母序排（L660，注释原文 “extensions must be ordered alphabetically here”）。这两条约定上一回在 “工程风貌” 的 “约定即接口” 里已经领教过，这里按下不表 —— 只提一句：考古就有这点好，同一份源码，换个地层挖，同样的约定还会再撞见。

名单出炉：谱库递单，FASTA 炼单

原始数据报完到，还差另一半原料：该查哪些肽段的清单。这清单有两条来路，对应 DIA-NN 的两种工作模式。一种是 Library-based（谱库模式）：把现成的谱库递进来（--lib），该查哪些都由谱库定。另一种是 Library-free（无库模式）：不递谱库，开 --fasta-search（L1794，日志原文 “Library-free search enabled”），引擎自己把 FASTA 炼成清单。

递单：Library-based 的流程

论文那个年代，DIA-NN 干活主要走这个模式；到 1.7.12 也没变 —— Library-free 是后来补上的第二条路，不是那时的主力。

这不是凭印象，源码和文档都摆着：模式开关 FastaSearch 默认是关的（L260）；GUI（图形用户界面，也就是在 Windows 上打开 DIA-NN 后看到的那个操作窗口）的 Library-free 复选框出厂也没勾（Form1.Designer.cs L731–L737），手里没谱库又不开 --fasta-search，引擎会提示 “no spectral library provided, FASTA digest not enabled: nothing to do”（L2242）。

README 介绍功能时的口气也露了底：“DIA-NN now also supports library-free search ……”（README:6），示例命令走的也都是 --lib（README:66、100、110）。这条线的流程走起来是四步：

第一步，递单

--lib 指定谱库文件，Library::load 按扩展名分派（L4641 起）：自家紧凑格式 .speclib 二进制直读（L4647–L4656）；SpectraST/NIST 的 .sptxt/.msp 走实验性通道，加载时就提醒 “experimental”（L4671–L4673，警告原文 L4486）；还有一路是表格 —— .tsv/.csv 逐行解析，表头列名模糊匹配（L4726–L4732），列名对上号就认账，各家导出的谱库表头五花八门也能对上。

第二步，验货上架

initialise 多线程初始化整个库（L5192–L5215），顺手把诱饵序列造出来（generate_decoy，L5184；开关 gen_decoys 默认开，L3553；GUI 没给这个开关，默认只能由引擎定） —— Target-Decoy 里的 “Decoy” 就是在这儿生成的。顺带提一嘴：DIA-NN 造 Decoy 的路数跟常规的 “序列反转/打乱” 不是同一种造法，具体怎么造、怎么用，等讲到打分、定可信度的时候再细说。

第三步，报户口（可选）

给了 --fasta，FASTA 就出力，力度看情况。默认干的是轻活：按蛋白 ID 去 FASTA 里对号，把蛋白名、基因名、描述这些标签换成 FASTA 的版本，条目顺手打个 Proteotypic 独苗标记 —— 归属够得着 “独” 才算数，“独” 到哪一层分三层：Isoform ID、蛋白名、基因（L338），默认按基因水平（L337）；这标记管着蛋白 FDR 的计算，也管着 “只用独苗肽段算蛋白定量” 那个开关（L10063、L5379）。谱库原有的归属不动。

小编碎碎念：Proteotypic 望文生义，好些人会读成 Unique peptide —— 只此一家、别无分号的唯一肽段。差别在卡哪一层：教科书的 Unique peptide 卡蛋白层，只归一个蛋白才算；DIA-NN 默认卡基因层，同一基因几个 Isoform 共享的肽段，不归任何单独一个蛋白，照样打独苗标。要做 Isoform 分辨，得把 --pg-level 设成 0，回到蛋白水平，两者才完全对等。默认偏基因层是有讲究的：报告把基因当定量实体（README 所谓 “improved protein grouping”），Isoform 之分对多数分析反而是噪声；只是查报告用数前，先想清楚按哪套规则数。

对号的过程很安静：ID 一字不差才换，对不上的原样保留，不换、不报错、不吭声（L6241–L6242） —— 所以两头 ID 长得不一样（谱库是长号、FASTA 是短号之类），注释就静默失效，这个坑得记着。

要动归属得开 --reannotate，推倒重来：旧归属全部清空，拿肽段序列反查 FASTA，归哪些蛋白重新定一遍（L10985–L10992、L4899 起）；谱库压根没带蛋白信息的，走的也是这条重建的路。不给 FASTA，这步整个免谈。

第四步，存档

谱库解析过一遍（原装 .speclib 直读进来的除外），引擎顺手存一份 .speclib 缓存（L11001）；下次把 --lib 指到这份缓存，就是二进制直读 —— 跟 .dia 是同一个思路：固化下来，省得每回重来。

炼单：Library-free 的理论流水线

另一条来路，是自己从 FASTA 攒清单。它的位置前面已经交代过，这里直接看流水线。Fasta::load（L3248–L3454）名字叫 load，干的却不只是读文件：FASTA 的序列读进来之后，理论酶切、过筛、归户、修饰枚举都在它肚子里一口气做完。所谓 “组合限量” 并不是单独一道工序，而是修饰枚举内部的一道上限（MaxVarMods，L3380）在管。下面按四道来看。

理论计算说明
本节 “四道” 不取样、不加酶、不开仪器；“切” “挂” 都是对序列和组合的操作，不涉及任何湿实验。

第一道：理论酶切

拿酶的 “剪刀规则” 在序列字符串上比划，把长序列切成短肽。do_cut（L1408–L1433）对着每对相邻氨基酸查规则表：切点表（Cut）说剪就剪，禁切表（NoCut）说停就停。

规则编成双字节整数，规则表里 * 可以占位，“只看前一位”（(aa<<8)|'*'）、“只看后一位”（('*'<<8)|next）、“两位同看”（(aa<<8)|next）三种问法依次问一遍（L1410–L1417）；NoCut 那一侧照猫画虎，可第一问写成了 ('*'<<8)|next，跟第二问重复，“只看前一位” 那一路就漏了（L1420–L1430）—— 想用 “K 后不剪” 这种只卡前一位的禁切规则，这套查询找不到它。

默认的切点表只写了两条：赖氨酸后（K）、精氨酸（R）后（L302）；禁切表默认是空的。GUI 的酶下拉默认停在 “Trypsin/P”（0 号，Form1.Designer.cs L434–L440），下发的正是 --cut K*,R*（Form1.cs L379）—— 它不做 “后跟脯氨酸不剪” 那条经典豁免（名字里的 “/P”，指的正是 “P 挡不住切点”：K/R 后面跟着 P 也照切，这个标注不理清楚，容易理解反了）。

想恢复这条经典豁免，GUI 里把酶换成 “Trypsin”（1 号，下发 --cut K*,R*,!*P，Form1.cs L380）；命令行则自己往 --cut 里写：每条规则是两个字符 —— 前一位写切点前的残基，后一位写切点后的残基，* 当通配；规则前面加 !（或 ~）就表示这条进禁切表（NoCut），比如 !*P 读作 “后一位是 P 就不剪”（L1977–L2009）。

要注意 --cut 是整张表替换，不是在默认规则上追加：代码一进来先把切点表 Cut 和禁切表 NoCut 都清空（L1980），再按你给的清单重建。只写 --cut !*P，默认的 K*、R* 也一并被清掉，等于没有切点；要留着胰蛋白酶切法，就得写全 —— --cut K*,R*,!*P。

剪完还留了余地：允许一定程度的 “没剪断” —— 漏切，默认最多漏 1 刀（L304）；每个蛋白按 0 到 1 刀的各种切法摊开（L3315–L3319），切点本身由 do_cut 逐位判定（L3300–L3305）。

第二道：清单过筛

切出来的肽段长短不一，先按长度设一道闸：默认只留 7 到 30 个氨基酸的（默认值 MinPeptideLength / MaxPeptideLength，L305–L306；闸口 L3321）。

这不是写死的硬线 —— 命令行 --min-pep-len / --max-pep-len 可以改（L2011–L2014），GUI 的 “Peptide length range” 两个数字框也直接对应这两个参数（Form1.Designer.cs L910–L948，下发见 Form1.cs L387–L388）。

另一道闸查字符：序列里只要出现大写 A–Z 以外的字符 —— 小写字母、*、数字 —— 整条肽段直接跳过（L3324–L3325，注释写明是处理 SGD FASTA 里的未定义氨基酸）。大写 A–Z 都能过，过闸之后才轮到质量表：二十种标准残基之外，U（硒代半胱氨酸）、X（未定义残基）在质量表里有单独条目（L1399–L1400）—— 但 X 那格没有明确含义。

补充：X 那一格是从 MaxQuant 整表搬来的
196.995499（Da）不是 DIA-NN 定的：init_all()（L1369–L1405）整张质量表与 MaxQuant 的 MqUtil/Data/MsUtil.cs（L420–L457）逐行相同——AAs、二十种残基、U/X 两行、AA_index 映射全对得上，可查到的版本里仍是这个数。
这个值对应什么，MaxQuant 没说明，公开资料也查不到，只能存疑。
U 有明确残基，X 没有；X 过字符闸照常进清单，质量按该值累加（L2353–L2362），不能当可靠定义依赖。

B、J、O、Z 这类模糊代码也照样进清单，不会被字符闸跳过，可质量表没给它们留数值，只能沿用初始值 0（L1373）—— 在质量这一关等于被跳过；理论谱（按序列推算出来的碎片谱，不是仪器测的）按位累加（L2353–L2362），这几位不贡献质量。

想给这类字母补质量，官方没有专门的残基质量参数；只能借固定修饰把质量差挂上去：--fixed-mod 名字,质量,字母（L1938–L1953）会按位贴到指定残基上（L3362–L3376）。这类字母的基准质量本来是 0，挂多少就按多少算，质量能凑上。

可理论谱要算的不只有质量：碎片强度由 y_scores / y_ratio 的线性模型给（L1451–L1469），保留时间另有 RT 模型（L1488–L1496），两套模型都拿 AA_index 取系数。这张索引表把 20 种残基编成 0–19 号（字母表 L1369、映射 L1403），U、X 分别按 C 号、M 号取（L1404–L1405）；B、J、O、Z 没有映射，才落到 0 号，也就是 G。

对 B、J、O、Z 来说，质量能靠固定修饰凑上，强度与 RT 却仍按 G 算，模型系数也没有参数入口可补。这算不上可用的替代方案：DIA-NN 1.7.12 实际上不支持自定义残基，FASTA 里遇到 B、J、O、Z，正路是换成标准残基或直接剔除。

还能加一份 “只查这些” 的限定名单：--fasta-filter 指向的文本一行一条肽段，先读进 filters（L1878、L3257–L3270）；切出来的肽段过了前面两道闸，才拿还没挂修饰的裸序列去这份名单里做精确查找（二分，L3326–L3330），名单里找不到就丢掉。它是筛子，不是注入口 —— 名单里的肽段若没被酶切出来，也不会凭空多出来；长度、字符两道闸照样先过。

第三道：记账归户

同一条肽段可能出自好几个蛋白 —— 清单里只留一份，但把 “爹妈” 都记上（L3332–L3337）：几个蛋白 ID、蛋白名、基因名，用分号一串串挂在这条肽段名下。这份血缘账后面蛋白推断要用，这里先记下。

另外，序列开头的甲硫氨酸（M）常在生物体里被剪掉。GUI 的 “N-term M excision” 出厂就是勾上的（Form1.Designer.cs L395）：只要填了 FASTA，GUI 就自动补上 --met-excision（Form1.cs L376）。此时 N 端是 M（或未定义氨基酸 X）的肽段，原样版先入清单，切除首位后的版本也一并补入（L3332、L3339–L3343）—— 两条并存，不是二选一。

纯命令行跑引擎时，这个开关默认是关的（L307），清单里只留带首 M 的原样肽段；要开得显式写上 --met-excision（L2047）。

第四道：修饰枚举

清单里还要给肽段枚举 “装饰” —— 修饰。GUI 默认就给半胱氨酸挂上烷基化（“C carbamidomethylation” 出厂勾选，Form1.Designer.cs L408；下发 --unimod4，Form1.cs L392），甲硫氨酸氧化则要自己勾（--unimod35，L2039–L2044）。

装饰分两种：固定修饰（Fixed modification）当成每条都挂，直接把质量差写进序列字符串（L3362–L3376）；可变修饰（Variable modification）有的人挂、有的人不挂，得逐一枚举挂与不挂的组合，展开成多条候选（L3379–L3450）。

可变修饰一展开就是乘法：一条肽段上能挂修饰的位点可能好几处，每处挂不挂、挂哪种，全展开就是成倍地涨；再乘上漏切花样和电荷态（同一段肽段可能带 2 个、3 个电荷，每个都要单独算），清单能瞬间爆仓。

DIA-NN 的刹车就踩在这层枚举里：可变修饰默认一条都不挂 —— GUI 的 “M oxidation” 没勾、“Max variable mods” 停在 0（Form1.Designer.cs L518–L527、L740–L750），命令行不点名也一样。

一旦点名，默认一条肽段最多枚举 1 个位点（MaxVarMods 默认 1，L310；代码里它就是枚举循环的上限，m = Min(MaxVarMods, l)，L3380），GUI 勾上氧化后也会把上限自动提到 1（Form1.cs L668–L672）。

要说明白的是：1 是默认值，不是天花板 —— GUI 的 “Max variable mods” 数字框下发的正是 --var-mods（Form1.cs L393–L395），引擎照这个值放开，下限 1（L2045–L2046、L2217）；调高之后，两个以上位点同挂的组合才会进枚举。

小编碎碎念：这套刹车思路，往深了说就是 “宁可清单窄一点，也要每一条都查得动”。毕竟清单每长一分，后面的检索打分就多一分活儿。搜库引擎的候选清单从来不是越全越好，是越准越好 —— 把爆炸摁死在装配间，是给后面每一道工序减负。

可变修饰不在代码里预置，得自己点名 —— 名字、质量差、位点残基一起写，比如甲硫氨酸氧化 --var-mod UniMod:35,15.994915,M（L1954–L1969），嫌长也有 --unimod35 这种简写（L2042–L2044）；种类还有天花板，最多认 31 种，写死（L2216–L2220），多了不候。

再配上长度 7 到 30、字符 A–Z、漏切至多 1 刀这些限制，乘法的每一维都被摁住，清单才收得住。展开本身也做得经济：每位点可挂的修饰记成一个位图，只对 “有修饰可挂” 的位点做组合（L3390–L3412），再逐位选挂哪一种（L3413–L3447）。

清单装好之后：装库先摊电荷，理论谱留给检索

四道走完，候选清单就算炼成了。清单得装进谱库条目才能被检索；装库时先干两件粗活，登记条目时顺手带上 RT 坐标，最后按肽段归组。

头一件，按质量把可能的电荷态摊开，每个电荷态单独登记一条（Library::load(Fasta&)，L4962–L4998；电荷区间 L4975–L4982）。电荷从下限 1 摊到上限 4 —— 上限 4 写死（const int MaxGenCharge = 4，L324），把 --max-pr-charge 调高也顶不破它（L4976 取两者较小）；下限默认 1，可用 --min-pr-charge 改（L319、L2027），GUI 没给这个口子。

质量还会把两头收窄 —— 肽段太轻，m/z 够不上下限，能摊的电荷自然少；太重，m/z 会超过上限，最低电荷得往上抬；最终 m/z 落在区间外的会被跳过（L4982）。区间本身不是硬线：默认 300–1800（L313），--min-pr-mz / --max-pr-mz 可改（L2019–L2022），GUI 也留了两个对应输入框（Form1.cs L389–L390）。

第二件，粗算一遍碎片，只为过 “最少碎片数” 这道闸（L4972、L4986–L4989）：按单电荷把碎片质量列出来，数一数有多少个 y 离子（从肽段 C 端那头切出来的碎片）落在碎片窗口内（默认 200–1800，--min-fr-mz / --max-fr-mz 可改，L312、L2023–L2026），且每个至少覆盖 3 个残基（MinFrAAs，L311）；够 4 个（MinGenFrNum，L321）才把这个 “肽段 + 电荷态” 登记成条目，不够就丢 —— b 离子虽然也一并生成，但不参与这道计数。

挡的是碎片太少、真实谱里根本认不出来的条目。这几项里，只有窗口两头能调；3 和 4 是代码里的普通常量，没有参数入口，GUI 也没留开关。

为什么只数 y 离子？
常规蛋白质组用胰蛋白酶，切点在 K、R 的 C 端，切完的肽段 C 端末位通常是 K 或 R。这两种是碱性氨基酸，最容易抓住质子；质谱采正离子模式，电荷往往就留在 C 端这头。y 离子正好保留 C 端，等于把碱性残基和电荷一起带走，信号通常比 b 离子强、也更容易连成串；b 离子常又短又弱，系列也常常残缺。这是典型胰酶肽段的普遍倾向，不是铁律 —— 乙酰化、ETD 碎裂或特殊序列都能把 b 离子抬起来。1.7.12 一路贯彻这个选择：后面生成理论谱，同样只收 y。

每条肽段还带一个保留时间坐标（iRT）：默认用线性模型按序列预测（predict_irt，L1726–L1748；InSilicoRTPrediction 默认开，L276），不启用预测时取现有区间的中点（L4967）。同一条肽段的各电荷态共用这个坐标，登记时一并写入（L4977、L4983）。

最后按肽段归组：同一肽段的不同电荷虽各占一条，却归进同一个洗脱组（elution group），后面按共洗脱一起打分。这一步并非炼单独有 —— 递来的谱库一样要归组：.speclib 里已经存好就直接读，没存就现组（L4663）；.sptxt/.msp 一进来就组（L4673）；表格形式的谱库直接读表里的 eg_id（L4839–L4848）。炼来的清单没有现成的组，在装库末尾现组（assemble_elution_groups，L4997；分组键 to_eg，L1640）。

真正的理论谱 —— 每个碎片落在哪、强度多高 —— 留到检索时按电荷态现场补。

炼单这条路上还有个变体：仍然做 Library-free，只是额外再递一份谱库当参考，引擎称之为 “指导库”（GuideLibrary）—— 先用库里的谱图训练打分，再拿训练结果去搜 FASTA 肽段（L10955–L10961）。它影响的是检索与训练阶段，本系列后续文章会再介绍。

合流装锅：清单进运行，过闸再分批

递单也好，炼单也好，清单到这儿汇成一份，下一步就是送进检索。清单动辄成千上万条，引擎在检索前会先把它装进这次运行（load_library，L8965 起）。

装的时候先过一道可检测性关：前体 m/z 须落在本次采集的某个 MS2 窗口里（Scan::has，L2609；只抽查前 2000 个窗口，MaxCycleLength 写死，L153、L8972）；FASTA 条目还要按实际采集的 MS2 范围重新数一遍碎片，凑够同一个 “最少碎片数” 才留下（L8977–L8982；这一道不分 y、b，全部碎片都算）。过不了的不进清单 —— 日志里 “N library precursors are potentially detectable” 说的就是这一步（L8987）。

过了这一关，才给每条候选打批次号（L9000–L9013）：批数先按每批约 2000 条估，再封在 10000 批以内（MinBatch、MaxBatches，L136–L139）。

GUI 上这个开关的提示说得直白：把候选随机摊进各批，为的是提速、降内存，对鉴定性能的影响可以忽略（Form1.Designer.cs L267–L269）。批大小和批数上限都写死在引擎里，界面和命令行只给了 “Process in batches” 勾选框与 --no-batch-mode 一个总开关，默认开着（L136；GUI 出厂勾选）。

“最多 10000 批” 容易被误读成处理量的天花板，其实不是：批号按取模分配，每条候选都有批号，最后都会进检索；10000 批 × 2000 条 = 2000 万条，候选超过这个数，批数不再增加，只是每批装得更多。它限制的是 “切多细”，不是 “能装多少”。至于为什么定在 1 万，源码没写注释，能确认的只是这个硬编码的批数上限；从使用规模看，按这个公式，百万级的谱库批数只有几百到几千，离上限还远，真越过去，代价是每批变大、分批的收益变弱，而不是数据被拒之门外。

到这儿，怎么找这条路就走完了：数据进门报了到，名单出炉备了料，批次也分好了。

写在后面

回头看这三步，最见功夫的不是什么花哨算法，而是拦住组合爆炸的那几道闸（限修饰、限漏切、限长度），和展开时算的那点经济账 —— 都是这套引擎里扎实的常规功夫，不算独家，但做得到位。

名单已经进了锅，后面的文章里，咱们跟着它进数据里去捞证据：检索打分、学权重、q 值、校准，看引擎怎么在万千峰里把真信号挑出来。

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 ~

DIA-NN 往期文章，按发表顺序：

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。

如果对质谱技术和蛋白质组学的基础概念还想打个底，可以看这篇 PPT 分享：《「中古」泡泡糖：质谱技术与蛋白质组学 | 2020 版》 —— 从质谱技术怎么一路发展过来，到肽段碎裂、碎片离子这些概念，都是科普向的讲法。