SAXS Assistant：生物大分子与聚合物纳米颗粒结构解析的自动化高通量分析工具

来自多机构的研究团队开发了SAXS Assistant这一Python脚本工具，致力于解决SAXS数据解析耗时且主观性强的问题。该研究通过集成机器学习方法，实现了Guinier Rg与PDDF Rg的自动验证、Dmax的智能预测及结构分类，显著提升了SAXS数据分析的可靠性与效率，为生物大分子和合成聚合物研究提供了强有力的开源分析平台。

　　

小角X射线散射（SAXS）作为解析大分子结构的强大技术，其高通量应用长期受限于数据处理过程中耗时而主观的分析流程。为此研究人员开发了基于Python的自动化工具SAXS Assistant，能够高效提取机器学习（ML）所需特征及关键结构参数，包括吉尼尔回转半径（R_g）、配对距离分布函数（PDDF）推导的R_g、最大颗粒尺寸（D_max）以及Kratky图谱。该工具基于BioXTAS RAW构建，并通过R_g的Guinier与PDDF计算结果一致性验证数据质量——这是评估数据集可靠性的重要指标。

针对D_max估算难题，研究团队采用来自小角散射生物数据库（SASBDB）的1,940组数据文件训练多层感知器（MLP）回归模型，最终测试集性能达到R² = 0.90，平均绝对误差（MAE）为11.7埃。通过完全使用实验数据训练，该模型有效融合领域专家的分析经验，辅助研究人员评估PDDF得出的D_max结果。

此外，工具引入高斯混合模型（GMM）聚类算法，依据SASBDB中的结构类别对样本进行自动分类。用户可借此比对实验样本与已知生物分子形状的相似度，该概率聚类方法同时支持从Kratky图谱中量化信息并生成形状描述特征。SAXS Assistant通过严格的质量控制、机器学习友好型输出及低置信度结果标记，极大加速了SAXS数据分析流程。其高通量处理能力和跨领域适用性，使其在生物大分子与合成聚合物研究中均具有重要应用价值。