Python中如何从元组列表识别连续序列实现质谱数据去同位素？

问题概述 #

我正在实现质谱数据的去同位素处理，核心思路是通过判断两个信号的m/z差值是否等于质子质量/电荷态来筛选同位素峰对，这一步已经完成。但现在遇到的难点是识别由3个及以上峰组成的连续同位素序列。

我把问题简化为：从配对元组列表中找出连续序列，要求序列中前一个元组的第二个元素等于后一个元组的第一个元素。例如输入[(1,2), (2,3), (4,5), (7,9), (8,10), (9,11)]，需要得到[(1,2,3), (4,5), (7,9,11), (8,10)]——简单排序无法处理跳变和中间无关信号的情况。

测试数据与当前进展 #

以下是测试用的质谱数据与代码：

import numpy as np

proton = 1.0078250319 

data = [
 (632.3197631835938, 2244.3374),  #0
 (632.830322265625, 2938.797),    #1
 (634.3308715820312, 1567.1385),  #2
 (639.3309326171875, 80601.41),   #3
 (640.3339233398438, 23759.367),  #4
 (641.3328247070312, 4771.9946),  #5
 (641.8309326171875, 2735.902),   #6
 (642.3365478515625, 4600.567),   #7
 (642.84033203125, 1311.657),     #8
 (650.34521484375, 11952.237),    #9
 (650.5, 1),                      #10 
 (650.84228515625, 10757.939),    #11
 (651.350341796875, 6324.9023),   #12
 (651.8455200195312, 1398.8452),  #13
 (654.296875, 1695.3457)]         #14

mz, i = zip(*data)

mz = np.array(mz)
i = np.array(i)

arr = np.triu(mz - mz[:, np.newaxis])

charge = 2

通过计算mz差值的上三角矩阵，筛选出符合质量差条件的峰对：

>>> pairs = tuple(zip(*np.where(abs(arr - (proton / charge)) < 0.01)))
((0, 1), (5, 6), (6, 7), (7, 8), (9, 11), (11, 12), (12, 13))

肉眼可识别出正确的连续峰序列：

• 峰序列1：0→1
• 峰序列2：5→6→7→8
• 峰序列3：9→11→12→13（不含无关峰10）

但我尝试过扁平化列表去重后找连续计数的方法，会错误识别跨序列的峰（比如把5和9误连），无法得到正确结果。

需求与优化方向 #

1. 向量化解决方案：需要处理30000+谱图，每个谱图含100-500个信号及多电荷态，循环方法效率极低，必须用向量化实现。
2. 后续处理：识别出连续序列后，需要用于检查峰强度、求和，并将去同位素后的峰强度分配给序列中的初始峰（强度最大的那个）。
3. 现有代码优化：刚接触向量化计算，希望得到当前筛选峰对代码的优化建议。

内容的提问来源于stack exchange，提问作者Ravnclaw