《Nucleic Acids Research》：New targets and procedures for validating the valence geometry of nucleic acid structures
编辑推荐：
为解决核酸结构模型中价键几何验证标准陈旧、异常值过多的问题，研究团队重新评估了剑桥结构数据库（CSD）和蛋白质数据库（PDB）中高质量核酸结构的价键几何参数，提出了一个包含“优选”、“允许”和“需关注”三个等级的新型验证方案。该研究建立了概率百分位数评分（ProSco）和稳健的非参数标准分（Z'），能更准确地识别潜在建模错误，对提升未来PDB中核酸结构模型的质量具有重要意义。
核酸，作为生命遗传信息的载体，其三维结构的精确解析是理解众多生命过程分子机制的基础。科学家们通过X射线晶体学、核磁共振（NMR）和冷冻电镜（cryo-EM）等技术获得了海量的核酸及其复合物结构，并储存在蛋白质数据库（PDB）中。然而，确保这些结构模型的准确性至关重要，因为模型的几何参数（如键长、键角）是否合理是评估其可靠性的关键指标之一。自1996年以来，PDB对核酸结构的几何验证一直沿用基于剑桥结构数据库（CSD）中小分子片段数据推导出的标准。近三十年来，PDB中核酸结构的数量增长了超过一个数量级，并且出现了更多复杂的大型结构（如核糖体），同时结构解析技术和方法也取得了长足进步。旧的验证标准逐渐暴露出局限性：它无法充分应对核酸构象多样性带来的几何参数变化，并且由于不同精修软件使用的约束目标不尽相同，导致PDB中核酸结构的价键几何参数分布常常呈现高度非高斯甚至多峰形态，进而产生大量“异常值”提示，其中许多可能并非真正的建模错误，而是源于标准本身与当前数据结构的不匹配。这个问题使得研究者难以快速定位真正存在问题的区域，也可能掩盖了一些具有重要生物学意义的真实构象变形。
为了应对这一挑战，由国际同行组成的核酸价键几何工作组（NA-VAL）在《核酸研究》（Nucleic Acids Research）上发表了其最新成果，旨在为核酸结构建立一套现代化、更可靠的价键几何验证方案。该研究的核心目标是利用当今更丰富、更高质量的数据（包括CSD中的超高分辨率小分子结构和经过严格筛选的PDB核酸结构参考集），制定一个能更好地区分“常见”、“可能”和“异常”几何参数的三级验证体系。
研究人员首先从CSD和PDB中精心筛选并构建了一个高质量的核酸结构参考集（PDB-NA Reference Set）。对于CSD，他们选取了超高分辨率的核酸小分子片段数据。对于PDB，则制定了多步骤的严格筛选流程：先挑选分辨率优于1.8 ?的X射线结构，然后进行序列去冗余，接着使用复合质量评分（CQS）从每个序列簇中挑选质量最高的链，最后在残基水平上进行过滤，剔除那些核苷酸构象不正确、存在空间冲突或电子密度拟合差的残基。最终，共有3202个DNA残基和2544个RNA残基被纳入最终的分析数据集。
研究的关键创新在于引入了两个新的统计量来评估几何参数：概率百分位数评分（ProSco）和稳健的非参数标准分（Z'）。ProSco通过核密度估计（KDE）计算某个键长或键角值在参考数据集中出现的相对频率，从而直观反映该参数的“常见程度”，适用于可能呈现多峰分布的数据。Z'则是一个不对称的稳健标准分，它利用加权中位数和十分位数（而非均值和标准差）来衡量观测值偏离分布中心的程度，对分布形状不敏感且能处理不对称性。基于这些统计量，工作组提出了三级验证分类标准：“优选”区间结合了CSD平均值±3倍标准差和PDB-NA参考集中ProSco ≥ 5（即包含95%数据）的区间，取两者中更宽松的边界；“允许”区间为“优选”区间之外但|Z'| ≤ 5的区域；“需关注”区间则为|Z'| > 5的区域。这种方案减少了对轻微偏离理想值的过度惩罚，同时能更可靠地标记出真正值得关注的异常几何。
主要技术方法概述
本研究主要基于生物信息学数据分析。关键技术包括：1） 使用CSD Python API和CONQUEST软件从剑桥结构数据库（CSD）筛选超高分辨率核酸小分子结构数据；2） 通过GraphQL查询从蛋白质数据库（PDB）获取核酸结构信息，并利用BioPython进行序列比对和聚类，构建非冗余数据集；3） 采用改进的复合质量评分（CQS，结合分辨率、Rfree、 clashscore、Real Space Correlation Coefficient (RSCC)、Real Space R-factor (RSR)等指标）筛选高质量结构模型；4） 利用MolProbity、Coot等工具进行残基水平的模型-电子密度拟合评估和立体化学检查；5） 应用核密度估计（KDE）计算概率百分位数评分（ProSco），并开发加权非参数标准分（Z'）进行几何参数分布分析和异常值界定。
研究结果
CSD与PDB数据揭示的价键几何分布特征
分析表明，从高质量PDB-NA参考集获得的价键键长和键角平均值与CSD推导的目标值接近，但许多参数的分布呈现高度非高斯或多峰特性。这部分归因于不同时期、不同精修程序所使用的约束不一致。例如，鸟嘌呤（G）的糖苷键（C1'-N9）长度在DNA和RNA中的分布，以及在不同精修软件（如CNS和Phenix）处理的RNA结构中，都显示出不同的峰值。
新三级验证方案的构建与特点
新方案定义的“优选”区间最大限度地包容了由CSD小分子数据和PDB大分子数据所揭示的天然几何变异。“允许”区间为不常见但仍可接受的数值范围。而“需关注”区间则用于标记那些极为罕见的数值，提示可能存在错误。该方案的优势在于不假设参数服从特定分布，并将验证与精修程序所采用的具体约束目标解耦，避免因软件选择而惩罚用户。
验证方案在全局模型质量评估中的应用
研究引入了RMSZ'（基于Z'的均方根偏差）作为整体衡量核酸结构模型几何质量的指标。分析发现，X射线和冷冻电镜（cryoEM）结构通常有97-99%的几何参数落在“优选”区间，而NMR结构此比例稍低（90-94%）。高分辨率模型有时RMSZ'值反而更高，这可能是因为它们能更真实地捕捉与理想几何的微小偏差。研究还观察到，2012年左右RNA和DNA结构的RMSZ'值相对行为发生转变，可能反映了精修软件默认设置或研究重点的变化。
新验证方案对全PDB核酸结构的评估效果
将新方案应用于截至2024年4月的全部PDB核酸结构，结果显示，新方案标记为“需关注”的键长和键角比例平均比当前PDB验证方案标记的“异常值”比例低1.9倍，显著减少了可能的“假阳性”警报。这表明新标准能更准确地反映结构模型的真实质量。
结论与讨论
该研究成功地建立了一套现代化的核酸价键几何验证标准。这套基于大量高质量实验数据的三级分类方案，通过引入ProSco和Z'等稳健的统计量，能够更有效地区分核酸结构中的正常几何变异和潜在的建模问题。将其整合进PDB的验证流程，将有助于结构生物学家更准确地评估核酸模型的质量，引导他们关注真正可疑的区域，从而促进更可靠的结构模型的提交和使用。同时，RMSZ'等全局指标为比较不同结构的整体几何质量提供了工具。
这项工作也揭示了当前核酸结构精修实践中存在的一些差异，例如不同软件对构象依赖性约束的处理方式不同。展望未来，随着构象依赖性约束（如基于Pperp准则的糖环折叠特异性约束）在精修中的更广泛应用，验证标准也可随之进一步细化。此外，虽然价键几何验证本身在识别错误构象方面能力有限，但它能有效捕捉那些在电子密度支持不足的区域或由于不适当的精修程序导致的严重立体化学问题。本研究提供的严格筛选的PDB-NA参考集和计算工具，将为后续核酸结构信息学的研究提供宝贵资源。
总之，这项研究为核酸结构的价键几何验证提供了重要的概念更新和方法学进步，对提升结构生物学数据库的整体质量和可靠性具有深远意义。
