用途：对自下而上蛋白质组学数据做三级质控漏斗诊断，定位故障来源。三级为：仪器/原始信号（质量精度、RT/iRT 拟合、FWHM、TIC 与进样时间、%MS2 等）、鉴定/单次运行（酶切、污染、PTM 伪迹、FDR 效率）、实验/定量（上样、批次、离群、缺失、样本错位）。核心主张：归一化会掩盖上样失败等证据，必须先检查原始未归一化矩阵，剔除上样/进样失败与污染物，再归一化并在幸存样本上重绘。
主要能力：原始信号 QC（RawTools/RawBeans、rawrr/rawDiag、QuaMeter、Skyline+Panorama AutoQC 的 Levey-Jennings/CUSUM 趋势）；鉴定 QC（PTXQC createReport() 对 MaxQuant txt/ 或 mzTab 生成评分热图 PDF）；定量 QC（MSstatsTMT 的 proteinSummarization()、dataProcessPlotsTMT() 检查 TMT 通道平衡；pandas/limma 做相关性、CV、完整性、PCA）。
使用方式：Python 用 pandas 2.2+、numpy 1.26+、scipy 1.12+、matplotlib 3.8+、scikit-learn 1.4+；R 用 limma 3.58+。先 pip show <package> 或 packageVersion('<pkg>') 核对版本，再 help()/? 检查签名。流程：加载未归一化矩阵→绘制每样本箱线图、ID 数、总信号、缺失比例→过滤 MaxQuant 的 Potential contaminant/Reverse/Only identified by site 行→log 变换与归一化→在幸存样本上做 log2 相关性、线性尺度 CV、缺失机制诊断、PCA 与批次检验。
关键阈值（作为控制图种子而非标准）：技术重复 r>0.98，生物学 r 约 0.90-0.98，软下限 r>0.8；技术中位 CV<约10-20%，生物学约20-40%；污染物占总强度比例应小（PTXQC 默认 >1% 报警）。CV 必须在线性尺度计算，log 后套用会压缩约14倍。缺失机制需先区分 MNAR（左尾）与 MCAR（全丰度散布）再选插补方法。
限制：不负责统计检验、归一化算法本身、DIA q 值/FDR 内部计算，这些分别路由到 differential-abundance、quantification、dia-analysis。无通用通过/失败阈值，建议按仪器与方法建立滚动基线控制图。资料未提供具体收费、平台或效果信息。