对剑桥结构数据库（Cambridge Structural Database）中晶体学质量指标的调查

《IUCrJ》：A survey of crystallographic quality metrics from CIFs in the Cambridge Structural Database

晶体学数据质量评估：基于130万CIF文件的结构精修指标分析

　　### 解读：从晶体结构数据中提取信息以评估结构模型的质量

在现代科学研究中，晶体结构分析已经成为理解物质微观性质的重要手段。通过晶体学方法，研究人员能够获得关于分子排列、化学键类型以及原子间相互作用的详细信息。这一过程依赖于晶体结构数据的准确性和可靠性，而这些数据通常以晶体学信息文件（CIFs）的形式存储在诸如剑桥晶体学数据中心（CCDC）这样的数据库中。CCDC不仅是数据的存储中心，还提供了一系列工具，帮助用户评估和筛选数据。本文探讨了这些数据的质量评估方法，以及它们如何帮助研究人员更好地理解结构模型的可靠性。

### 数据的来源与处理

本研究的数据来源于CCDC的CIF档案，该档案包含了大量晶体结构信息。这些数据在2024.3版本的CSD中进行了分析，总共有超过108万份文件被研究。分析覆盖了CSD的大部分数据，包括几乎所有从CIFs中常规提交的结构信息。研究中选择的结构类型涵盖了单晶数据、粉末X射线衍射（PXRD）数据等，但为了保持研究的集中性，本文主要聚焦于单晶数据的分析。虽然PXRD数据在CSD中占比较小（约0.7%），但由于其使用不同的CIF字段和描述符，这些数据的值可能无法与单晶数据直接比较，因此被排除在研究范围之外。

在处理这些数据时，研究人员使用了CSD的Python API来进行结构分类，并通过Python进行统计分析。数据的完整性和准确性是研究的关键因素，例如，某些数据字段可能缺失或格式不正确，这会使得大规模数据处理变得复杂。此外，CIF文件中的一些字段以自由文本形式存在，这限制了它们在统计分析中的应用。为了应对这些问题，研究中选择了七个主要的CIF数据字段进行分析，包括数据分辨率（尽管该值很少直接报告，但可以单独从数据中计算得出）。这些字段涵盖了结构优化过程中多个方面，如R因子、残余电子密度、优化质量、最大θ角等。

### R因子：衡量结构优化质量的核心指标

R因子是评估结构优化质量的最常用指标之一。它反映了观测到的结构因子振幅与计算出的结构因子振幅之间的差异。对于一个理想的结构优化，R因子应该尽可能小，因为这意味着模型能够很好地拟合实验数据。在CSD中，R因子的平均值为0.054，中位数为0.046，这表明大多数结构优化的结果都较为理想。然而，R因子的值可能受到多种因素的影响，例如使用的是独立原子模型（IAM）还是非球形原子模型（aspherical atom model）。非球形原子模型通常能提供更精确的电子密度描述，因此R因子通常较低。此外，使用电子衍射的结构可能因为电子与样品之间的强烈相互作用，导致更多的多重散射现象，从而使得R因子较高。然而，这种影响通常可以通过使用动态散射模型来缓解，尽管并非所有电子结构优化都会采用这种模型。

在CSD中，R因子的值存在一定的分布范围，大部分结构的R因子在0到1之间。然而，某些结构的R因子可能超过100%，这在CIF字典中是允许的，但并不具有实际意义。为了确保数据的可靠性，研究人员还需要关注其他相关指标，如加权残差因子（wR因子），该因子考虑了结构优化过程中使用的加权方案。在CSD中，wR因子的平均值为0.135，中位数为0.118，表明其值普遍高于R因子。这可能反映了不同的优化策略对数据的影响。

### 残余电子密度：评估结构优化准确性的关键

残余电子密度是评估结构优化准确性的另一个重要指标。它表示在结构优化过程中未被模型描述的电子密度。在CIF中，`_refine_diff_density_max`和`_refine_diff_density_min`分别记录了最大和最小的残余电子密度值。理想情况下，残余电子密度应该接近于零，因为这意味着模型完全拟合了实验数据。然而，在实际研究中，所有结构优化都会留下一定程度的残余密度，这可能是由于吸收校正不足或其他系统误差造成的。因此，残余电子密度的值可以用来判断结构优化是否存在问题。

在CSD中，残余电子密度的平均值为0.904，中位数为0.596，这表明大多数结构的残余密度值在可接受范围内。然而，某些结构的残余电子密度值可能显著高于平均值，这可能意味着结构优化存在问题。例如，某些结构的残余密度值可能超过10%的最重原子的原子序数（Zmax），这通常被视为严重的结构优化问题。为了确保数据的完整性，研究人员还考虑了其他因素，如结构是否包含有序或无序原子，以及是否为有机或金属有机结构。

### 优化质量：衡量模型与实验数据一致性的指标

优化质量（Goodness of Fit, GooF）是衡量模型与实验数据一致性的重要指标。理想的优化质量值为1，表示模型与数据完全一致。在CIF中，`_refine_ls_goodness_of_fit_ref`记录了优化质量值。在CSD中，优化质量的平均值为1.068，中位数为1.045，这表明大多数结构的优化质量值接近理想值。然而，某些结构的优化质量值可能显著高于或低于1，这可能意味着结构优化存在问题。例如，优化质量值低于1可能表示数据处理过程中存在吸收校正不足或过度优化的问题，而高于1则可能意味着模型与数据之间的不一致。

在CSD中，优化质量值的分布呈现出正偏态，大部分值集中在0.969到1.143之间。然而，`checkCIF`的警报级别可能与这些值的分布范围不一致，例如，即使优化质量值高于1，也可能不会触发警报。因此，研究人员需要更加严格的警报级别来确保大多数结构的优化质量值在合理范围内。此外，不同类型的结构优化可能会导致不同的优化质量值，例如，使用电子衍射的结构优化可能比使用X射线衍射的结构优化具有更高的优化质量值。

### 最大θ角与数据分辨率：评估结构数据质量的其他指标

数据分辨率是评估结构数据质量的另一个重要指标。它通常表示衍射图谱中相邻晶面之间的最小距离（d-间距），这决定了结构优化的精度。在CIF中，`_diffrn_reflns_resolution_max`记录了最大分辨率值，但该值仅在CSD中的一小部分CIF中报告（不到0.015%）。因此，研究人员通常使用布拉格方程，结合辐射波长和最大θ角来计算结构的分辨率。在CSD中，最大θ角的平均值为25–35°和65–80°，分别对应于使用钼和铜X射线辐射的结构。然而，结构的分辨率通常集中在0.7–0.85 ?之间，这符合X射线数据采集的最佳实践。

在CSD中，不同类型的结构优化可能会导致不同的最大θ角和分辨率值。例如，使用电子衍射的结构可能具有更高的分辨率值，但这些值仍然接近于零，表明大多数结构优化已经达到了较好的收敛。此外，不同实验条件（如压力、温度）和设备（如X射线源、电子源）也可能影响最大θ角和分辨率值。因此，研究人员需要考虑这些因素，以确保结构数据的准确性和可靠性。

### 未来发展方向：提升数据筛选与质量评估

随着CSD的不断增长，超过130万份独立数据集的积累，对数据的筛选和质量评估提出了新的挑战。为了满足用户的需求，CCDC需要开发更多的数据筛选工具和质量评估方法。例如，通过增加新的数据字段，帮助用户更准确地找到符合其研究需求的结构数据。此外，软件应允许用户根据这些数据字段进行筛选，特别是在高通量或数据挖掘应用中，这将极大地提高数据处理的效率。

为了提高数据的可解释性，CCDC可以借鉴蛋白质数据库（PDB）的做法，提供一种简化的结构优化报告图形，例如“滑块”图形，帮助用户快速评估结构数据的质量。此外，CCDC还可以采用类似国际衍射数据中心（ICDD）的做法，为粉末衍射数据分配“质量标记”，如从星号到字母O，表示数据的质量从高到低。这些标记可以帮助用户更直观地判断数据是否适合其研究目的。

在数据处理过程中，研究人员还需要考虑数据的完整性和可比性。例如，某些数据字段可能缺失或格式不正确，这会影响大规模数据处理的准确性。因此，CCDC需要确保用户能够理解这些数据字段的含义，并根据它们选择最合适的结构数据。此外，随着人工智能和机器学习技术的发展，数据筛选和评估的自动化将成为可能，从而减少人工处理的时间和成本。

### 数据的可靠性与适用性

在使用晶体学数据时，数据的可靠性和适用性是至关重要的。不同类型的结构优化（如单晶、粉末衍射）可能对数据的可靠性产生不同的影响。例如，粉末衍射数据通常需要更严格的校正和标准化，以确保数据的准确性。因此，研究人员需要了解不同数据类型的特性，以便更合理地选择数据。

此外，数据的可互操作性也是重要的考虑因素。根据FAIR原则（Findable, Accessible, Interoperable, Reusable），数据需要能够被找到、访问、互操作和重用。因此，当研究人员比较来自不同数据库的数据（如PDB、CSD、ICSD）时，需要确保这些数据在结构和优化质量上具有可比性。这不仅有助于提高数据的可靠性，还能促进跨学科的研究合作。

### 数据的教育意义与研究价值

本文的研究结果不仅有助于提高结构数据的筛选和评估能力，还具有重要的教育意义。例如，研究人员可以了解高压力或电子衍射数据虽然与常压X射线衍射数据的值不同，但它们并不意味着数据质量较低，而是反映了不同的实验条件。因此，研究人员需要根据不同的数据来源和研究目的，选择合适的评估标准。

随着CCDC的不断发展，其在科学研究中的价值依然显著。尽管研究人员面临的挑战已经发生了变化，但全面的数据库在推动科学进步方面的作用依然不可替代。因此，CCDC需要继续改进其数据筛选和评估工具，以满足用户日益增长的需求。通过这些改进，研究人员可以更有效地利用晶体学数据，推动新的科学发现和技术进步。