界面科学数据存储库：面向实验流体界面科学FAIR数据报告的（元）数据框架与平台

《ADVANCES IN COLLOID AND INTERFACE SCIENCE》：The Interface Science Data Repository: A (meta)data framework and platform for FAIR data reporting in experimental fluid interface science

　　

界面科学是研究液-液和液-气界面所发生的物理与化学现象的学科。此类界面在自然界和众多工业应用中普遍存在，在生理学与医学、生物学、海洋学、药物递送、化妆品、食品以及材料科学中均发挥着至关重要的作用。因此，界面科学是来自不同学科背景和行业的研究者的汇聚领域。这些领域各有不同的研究重点，流体界面在各学科中所扮演的角色也有所不同：在某些领域中，界面是主要的研究对象，而在其他领域中，界面可能仅作为次要的边界条件。这导致了在这些体系的探究和结果交流方面形成了不同的文化与传统，凸显了对数据标准化以及建立国际公认的数据报告基线准则的需求。尽管流体界面及其涉及学科具有多样性，但所研究的现象往往密切相关。大多数界面科学研究关注表面活性物种及其他在流体界面组装的材料的吸附行为、界面结构和界面流变学特性。界面科学研究之间存在显著潜在重叠，一个学科的发现很可能在其他领域或工业中也具有相当的价值。然而，当前界面科学领域尚未形成积极的数据共享文化，也缺乏公认的数据标准或共同的数据共享平台。值得注意的是，界面科学领域确实存在活跃的数据复用文化。已有若干研究示例表明，研究者复用既往数据以扩展其数据集或在不同背景下得出新结论，这些示例涉及蛋白质、表面活性剂、颗粒以及混合界面层等。Robinson及其同事建立了一个广泛的表面活性剂吸附数据库SurfPro，并开发了基于表面活性剂结构预测其吸附行为的图神经网络模型，该数据库近期已更新为带有数据整理工作流的关系数据库。作为实际案例，若干数据库及相关神经网络已被建立，用于将表面活性剂或其泡沫的结构与其灭火性能相关联。这些案例证明了界面科学中数据复用的潜力，同时也强调了建立明确指南和公共平台以共享界面科学数据并促进复用的必要性。目前，科学界整体呈现出开放科学实践的趋向，这在一定程度上受到资助机构和出版商的推动，同时也得益于研究者日益增长的接受度与意愿。如今，大多数研究者愿意共享和复用数据，并认为有限的数据获取是“阻碍整体科学进步的主要障碍”。一项近期跨学科调查发现，结合多个既有数据集以回答新的研究问题是数据复用最常见的用途，但同时也指出研究者常常难以找到相关数据集。开放数据共享与更高的被引率相关，这证明了公开数据的研究成果具有更高的复用性和可转移性。最后，机器学习的兴起使研究数据成为训练神经网络和预测模型的真正宝库。然而，任何未以适当方式共享的（元）数据都必须被视为已丢失，或至多是不完整的，无法供未来使用。研究人员预计，界面科学数据的复用具有巨大潜力。充分挖掘这一潜力的重要前提是按照开放科学标准（例如FAIR原则）细致地共享数据和元数据。FAIR原则旨在通过使数据对于其他研究者和机器具有可发现性、可访问性、可互操作性和可复用性来充分利用科学数据的潜力。其关键指导原则是使数据和补充元数据具备：•可发现性，例如，将数据连同丰富的元数据存入受信任且已编入索引的存储库，并分配持久标识符（如DOI）。•可访问性，通过尽可能开放地访问数据，必要时提供身份验证和授权程序，并使用标准化通信协议实现机器可操作性。•可互操作性，通过使用标准且通用的文件格式、语言和词汇，并包含对其他（元）数据的合格引用。•可复用性，通过提供详细描述来源且满足学科特定标准、并以知识共享许可发布的丰富（元）数据。FAIR原则已被假定为科学数据的通用指南，因此必须针对具体科学学科进行调整和重新诠释。在某些学科中，将（元）数据存放在高度专业化的存储库中并附带数据集结构和格式的详细指南是常见做法。众所周知的例子包括GenBank、蛋白质数据银行以及用于天文学对象的SIMBAD数据库。当然，这种统一标准极大地促进了所存储（元）数据的互操作性和复用性，尤其是由机器实现的复用。许多科学学科（包括界面科学）并非围绕这种普遍标准化的数据来组织的。缺乏数据报告标准使得难以保证（元）数据充分符合FAIR原则。近期为表面活性剂和蛋白质收集和整理界面科学数据的工作体现了所遇到的挑战。在这两项工作中，作者都报告了在寻找和提取合适形式的数据或缺失的（元）数据方面遇到的障碍。因此，确保数据质量的一个重要步骤是各社区自行组织并定义其科学子领域中FAIR（元）数据共享的标准，正如近期在相关研究领域（尤其是材料化学）中所看到的那样。研究人员在此旨在为实验界面科学中的FAIR（元）数据共享提供这样一个框架，通过定义典型的流体界面科学实验、表面活性物种和液体亚相所需报告的（元）数据。研究人员还进一步建立了一个初始的人工操作数据存储库，用于共享界面科学数据。研究人员希望所提出的指南和数据存储库能为形成活跃的数据共享和复用文化迈出第一步，并引发社区内关于如何塑造流体界面科学数据共享未来的进一步讨论。

界面科学数据存储库：面向实验流体界面科学FAIR数据报告的（元）数据框架与平台

本研究系统阐述了实验流体界面科学中实现FAIR（可发现、可访问、可互操作、可复用）数据共享所必需的数据与元数据框架，并建立了“界面科学数据存储库”（Interface Science Data Repository, ISDR）。以下为论文主体内容的解读。

一、研究背景与问题

界面科学旨在研究液-液和液-气界面发生的物理化学现象，广泛涉及生理医学、生物学、海洋学、药物递送、化妆品、食品及材料科学等领域。不同学科对流体界面的研究侧重点和文化传统各异，但所研究的核心现象（如表面活性物种的吸附、界面结构与流变）往往高度关联。例如，动物来源的溶菌酶既是用作吸附研究的模型蛋白质，也是泪膜固有组分、蛋清泡沫的重要发泡剂，还可用于构建抗菌二维涂层。然而，界面科学领域长期缺乏数据共享文化、公认的数据标准以及公共数据平台。尽管已有若干数据复用案例（如SurfPro表面活性剂吸附数据库及用于预测灭火性能的神经网络模型），研究者仍面临难以找到合适数据集、元数据缺失等障碍。与此同时，开放科学实践日益受到资助机构和出版商推动，且机器学习的发展使高质量研究数据成为训练预测模型的重要资源。因此，建立面向界面科学的FAIR数据报告框架和共享平台具有迫切需求。

二、研究内容与结论

研究人员首先提出了一个涵盖实验数据、方法元数据、表面活性物种元数据及亚相元数据的综合性框架。在数据与方法层面，针对界面张力测量、界面压缩与扩张流变实验、界面剪切流变实验以及界面结构分析四类典型实验，明确了需要报告的关键数据及其单位、公式和注释。例如，界面张力测量需报告γ(t)、平衡界面张力γ_eq、清洁界面张力γ₀以及Bond数（Bo）；界面扩张流变需报告储能模量E’(ε,ω)与损耗模量E”(ε,ω)及其对应的应变振幅ε和频率ω；界面剪切流变需报告界面剪切储能模量G_i’与损耗模量G_i”以及用于亚相校正的Boussinesq数（Bo^*）；结构分析需报告层厚d、粗糙度σ、表面覆盖率η及接触角θ等。在表面活性物种元数据方面，论文分别针对表面活性剂、蛋白质、合成聚合物、表面活性多糖、固体（纳米）颗粒和软颗粒（微凝胶）六类物种，规定了必须报告的结构与理化特性。例如，表面活性剂需提供SMILES和InChI标识、临界胶束浓度（CMC）、γ_CMC、表面超额Γ及吸附平衡常数K；蛋白质需报告提取与纯化流程、纯度、分子量、结构（球状或无规卷曲）、热力学稳定性ΔG_u、pI及ζ-电位（pH、I）；嵌段共聚物需报告嵌段序列（如PEO_x-PPO_y-PEO_x）及Flory半径比β；瓶刷共聚物需报告主链聚合度N_BB、侧链聚合度N_SC和接枝密度；多糖需报告单糖组成、疏水基团密度和电荷密度；固体颗粒需报告尺寸、形状、接触角θ、吸附能E_ad及ζ-电位；微凝胶需报告聚合过程、尺寸、刚度、体积相变温度（VPTT）等。在亚相元数据方面，论文强调水相的温度、pH、离子强度、缓冲盐种类以及清洁空气-水界面张力γ_aw的测定；气相需报告组分、压力和流速（若使用专用气体）；油相需报告名称、分子结构、清洁油-水界面张力γ_ow、水溶性、相对介电常数ε_r、黏度和密度。

基于上述框架，研究人员在Zenodo平台建立了“界面科学数据存储库”（zenodo.org/communities/isdr），并提供了适用于不同实验类型、表面活性物种和亚相的可组合模板（zenodo.org/records/19680999）。研究人员提供了一个基于近期数据集（zenodo.org/records/19680554）的示例。上传数据集可获得持久标识符（DOI），并与已发表文章建立双向链接。该存储库目前依赖人工数据整理和上传，未来将向自动化、机器可操作的数据库方向发展。

展望部分指出，从人工操作存储库向机器可操作数据库过渡的关键在于自动化转换人类可读（元）数据为机器可读格式（如JSON-LD、JSON Schema、YAML、RO-Crate或FAIR数字对象），并建立本体和受控词表以提高互操作性。自动化分析流水线可提供可执行的数据处理记录，便于检查和复现。语言模型可用于将自然语言问题转换为SQL查询，从而从关系数据库中提取数据。此外，还需开发从仪器输出自动提取元数据的工具，并推动与自主实验平台的集成。在神经网络模型开发方面，高质量、多样化且信息丰富的数据集至关重要。模型训练应注重化学空间的广泛覆盖而非重复测量；多属性联合训练可在部分数据缺失时提升预测性能（如表面活性剂吸附等温线建模）。数据库版本控制（如通过GitHub）可确保建模可复现性。准确的结构标识（如InChI、SMILES）和完整的原子/化学键信息（电荷、立体化学、杂化态）是图神经网络正确解析结构的前提。实验条件（如pH、离子强度）对界面性质影响显著，必须与结构信息一同记录。研究人员指出，界面科学领域缺乏跨实验室研究以量化系统误差和随机误差，这限制了模型精度的评估。结论强调，该框架和数据存储库是界面科学迈向FAIR数据共享和复用文化的重要第一步，呼吁社区共同实践并推进更完善的数据环境。

三、关键技术方法

研究人员主要采用了以下关键技术方法：（1）系统文献调研与跨学科归纳，综合界面科学各分支的实验惯例和已有数据复用案例（如SurfPro数据库、灭火性能预测网络），提炼出数据与元数据的最低报告要求。（2）建立模块化数据报告模板体系，将实验数据、表面活性物种元数据和亚相元数据作为独立构建块，可组合使用。（3）依托Zenodo通用存储库建立“界面科学数据存储库”（ISDR），利用其持久标识符（DOI）和社区功能实现数据共享和文章双向链接。（4）引入FAIR原则作为框架设计的指导准则，并参考材料化学等领域的数据标准制定实践。（5）结合机器学习与数据工程视角，在展望中规划了机器可读格式（如JSON-LD、RO-Crate）、本体/受控词表、自动化数据转换流水线及神经网络的训练数据要求。研究未涉及具体实验样本队列。

四、研究结果总结

2.1 数据与方法框架：针对界面张力测量，研究人员规定了需报告界面张力变化γ(t)、平衡界面张力γ_eq、清洁界面张力γ₀及Bond数（Bo）等关键数据，并强调原始数据（如液滴形状图像或力曲线）的共享；针对界面压缩与扩张流变实验，研究人员明确了Π-A等温线、压缩模量E、扩张储能/损耗模量E’/E”以及振荡应变ε和频率ω等参数的完整报告要求；针对界面剪切流变实验，研究人员强调需报告剪切储能/损耗模量G_i’/G_i”及用于校正的Boussinesq数（Bo^*），并建议提供未校正数据和校正参数；针对界面结构分析，研究人员提出报告层厚、粗糙度、覆盖率等由模型拟合得到的量时，必须附带所使用模型和拟合参数。

2.2 表面活性物种元数据：研究人员对表面活性剂给出了InChI/SMILES结构标识、CMC、γ_CMC、Γ及K等报告要求，并指出非离子、离子型表面活性剂的吸附行为差异取决于亚相pH和离子强度；对蛋白质，研究人员强调了提取流程、纯度、结构稳定性（ΔG_u）、pI及ζ-电位（pH,I）的元数据报告，并通过β-乳球蛋白在不同pH和离子强度下的吸附动力学示例说明了这些参数的实验影响；对聚合物，研究人员区分了嵌段共聚物（报告嵌段序列、Flory半径比β）和瓶刷共聚物（报告N_BB、N_SC、接枝密度），并描述了共聚物界面结构转变与吸附动力学的关系；对表面活性多糖，研究人员规定了来源、改性流程、单糖组成和电荷密度的报告；对固体颗粒，研究人员通过Young方程和吸附能公式阐释了接触角θ和γ_ow对颗粒界面吸附的决定作用，并针对纳米颗粒指出需采用界面位移方法估算吸附能E_ad；对软颗粒（微凝胶），研究人员区分了合成微凝胶（“煎蛋”形，报告聚合过程、尺寸分布、VPTT）和生物聚合物微凝胶（“透镜”形，报告生物聚合物来源、形成过程、尺寸/形状/刚度分布）。

2.3 亚相元数据：研究人员指出水相pH、离子强度、缓冲盐温度影响几乎所有表面活性物种的界面行为，并建议每次实验前测定清洁空气-水界面张力γ_aw（≈72.4 mN/m）以确认无表面活性污染；气相条件对于常规空气实验可隐式默认，但使用特殊气体或高压时需报告组分、压力和流速；油相的极性（以γ_ow衡量）、水溶性、相对介电常数ε_r及化学不稳定性会显著影响吸附，油相纯化（如柱色谱）和清洁界面张力测定至关重要。

3 界面科学数据存储库（ISDR）：研究人员在Zenodo建立了社区存储库并提供模块化数据模板，确保上传数据获得DOI并与文章双向链接，同时提倡使用开放表格格式、标准词汇和单位以增强机器可互操作性。

五、讨论与结论

讨论部分指出，当前存储库以人工数据整理为主，未来需发展自动化机器可读格式转换、语义数据模型（本体和受控词表）以及AI辅助的数据归档和质量控制。研究人员强调，不同学科和仪器厂商的多样性将阻碍快速标准化，因此建立社区共识和本体是科学共识工程而非纯技术问题。神经网络模型的发展依赖于广泛覆盖化学空间的高质量数据集，多属性训练可弥补部分数据缺失，而实验数据的不可约噪声和跨实验室研究匮乏对模型精度构成挑战。结论部分翻译如下：相关数据和元数据的定义、数据报告模板以及界面科学数据存储库将极大促进流体界面科学数据的FAIR化。研究人员认为这是界面科学走向FAIR数据共享和复用文化的第一步，该文化可被积极且持续地推进至机器可操作和AI辅助的科学数据基础设施。研究人员呼吁界面科学社区将这一初始数据共享倡议付诸实践，共同建立并培育一个更加FAIR的数据环境。