迈向化学与生物化学中的数字分析科学：从FAIR数据生态系统到人工智能

《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：Towards the digital analytical sciences in chemistry and biochemistry: from FAIR data ecosystems to artificial intelligence

　　

化学和生物化学科学正在经历一场深刻的数字化转型，催生了新兴的数字分析科学范式，其驱动力来自对研究数据数字化、结构化和标准化日益增长的需求。本趋势文章从宏观视角审视了FAIR（Findable, Accessible, Interoperable, Reusable）数据生态系统如何从行政准则演变为现代分析发现的关键推动力。由于人工智能（AI）的重大进展从根本上依赖于结构化且可公开访问的科学数据，研究人员讨论了分析科学目前如何为支持下一代数据驱动研究奠定相应基础设施。然而，在生物光子学和先进光谱学等领域，大型、注释全面的实验数据集仍然有限，仅靠算法进展无法完全弥补数据稀缺或标准化不足的问题。为应对这一挑战，研究人员审视了快速兴起的物理信息深度学习领域，该领域将物理定律和领域知识直接纳入AI流程。通过利用量子化学模拟和转移矩阵光学生成合成预训练数据，这些混合方法可以提高在有限实验数据集上训练的预测模型的鲁棒性和泛化能力。最后，研究人员讨论了科学表示学习的新兴作用，并认为要实现在化学领域AI的全部潜力，需要在混合算法上持续进步，同时坚定致力于FAIR数据治理和开放科学数据基础设施。

化学和生物化学科学正经历由经验性、孤立的实验实践向高度互联、数据驱动的“数字分析科学”范式转变。当前该领域面临的核心难题是：研究数据体量庞大但碎片化严重，大量实验数据无法被广泛复用；同时，人工智能（AI）和深度学习（DL）方法虽然极大提升了光谱预处理、模式识别和分子性质预测能力，但其性能高度依赖训练数据的质量、数量与多样性。在生物光子学和振动光谱学等专业领域，获取与结构生物学数据库（如PDB）规模相当的高质量标注数据集并不现实；数据稀缺、噪声大、标准化程度低导致模型经常过拟合，难以泛化到新仪器、新实验室或新实验条件。此外，传统实验室记录和商业仪器的封闭数据格式进一步阻碍了数据流通。因此，建立遵循FAIR（Findable, Accessible, Interoperable, Reusable）原则的数据生态系统，并在算法中融入物理和化学先验知识，成为推动数字分析科学发展的关键。本文作为趋势综述，发表于《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》，系统梳理了FAIR数据基础设施和物理信息深度学习这两个根本支柱，指出二者协同将为实现鲁棒、自主的分析研究铺平道路。

研究人员在综述中概述了构建FAIR数据生态系统所需的技术架构，包括电子实验室笔记本（ELN，如Chemotion、eLabFTW、Sciformation），实验室信息管理系统（LIMS），多维图像存储平台OMERO（Open Microscopy Environment Remote Objects），链接ELN与OMERO的LEO（Linking Electronic Lab Notebook with OMERO）平台，以及领域专用数据仓库如nmrXiv、MassBank、STRENDA DB和新兴的振动光谱数据库VibSpecDB。在语义层面，采用IUPAC术语标准、DataCite和Bioschemas，以及ChEBI、CHEMINF、CHMO等本体，通过知识图谱（KG）实现跨库关联。为克服生物光子学中数据稀缺问题，研究人员采用物理信息迁移学习策略：一方面利用半经验量子化学（GFN2-xTB）从分子结构生成振动光谱，经Voigt展宽和背景、噪声叠加后作为CNN（卷积神经网络）的合成预训练数据；另一方面利用转移矩阵光学模拟背照式CCD探测器内的干涉条纹（etaloning），生成超过三万个合成光谱，用于预训练校正网络，再以真实测量数据微调。

FAIR数据在化学与生物化学中的现状：本部分指出FAIR原则已成为数据治理的核心框架，但实施受制于元数据资源密集和语义互操作性不足。文章介绍了德国NFDI（Nationale Forschungsdateninfrastruktur，包括NFDI4Chem、NFDI4BIOIMAGE）、欧洲EOSC（European Open Science Cloud）和澳大利亚ARDC（Australian Research Data Commons）等国际基础设施倡议，以及ELN和LIMS在实验室数字化中的核心作用。在生物成像领域，OMERO与REMBI（Recommended Metadata for Biological Images）、ISA框架配合实现元数据标准化，LEO平台则弥补了ELN与OMERO之间的数据鸿沟。化学领域已有Chemotion、nmrXiv、MassBank等社区仓库，而拉曼和红外光谱仍缺少专门仓库，为此研究人员正在开发VibSpecDB，支持原始/处理光谱存储、元数据注释、搜索和DOI出版。文章还讨论了基于本体的语义集成、知识图谱和ChemDCAT-AP的应用，指出下一阶段应从被动保存转向主动、智能的数据编排，并提出了“FAIR 2.0”愿景，即机器可直接读入描述充分的自动化数据集。同时强调，必须推动商业仪器开放数据格式，并建立奖励高质量数据共享的文化机制。

利用领域知识进行化学数据的深度学习：这部分通过两个案例说明物理信息迁移学习如何解决小样本问题。第一个案例中，研究人员利用wwPDB中小分子结构通过GFN2-xTB半经验量子化学计算生成拉曼光谱库，经过峰展宽和背景加噪后预训练一维CNN，再迁移至六种细菌的拉曼分类任务。结果显示，迁移学习配置仅用约98,000个可训练参数即达到了与从零训练（374万个参数）相当的性能，在低数据场景下显著提升了模型效率。第二个案例针对背照式CCD探测器产生的etaloning条纹，利用转移矩阵模型模拟探测器堆栈，生成超过三万个含条纹模式的合成光谱，采用两阶段迁移学习协议预训练并微调网络，使条纹畸变降低高达70%，跨八个CCD设计验证表明预训练是关键因素，否则网络无法泛化到未见过的探测器几何结构。这些研究表明，模拟生成的数据并非简单增强，而是从分子或仪器模型出发，向神经网络传递化学或光学先验知识，属于物理知识融入机器学习的数据级/初始化路径。文章进一步区分了物理信息在观测/数据级、归纳偏置（模型架构）和学习偏置（损失函数）中的不同作用，并指出合成数据应包含实验室中难以系统采样的变异来源，如分子组成、峰形、背景、探测器响应、校准等。

展望部分强调，未来数据治理将迈向智能化的主动数据编排，需要更大程度的软件互操作性和开放的、与厂商无关的数据标准。算法层面，科学表示学习将成为重要方向，通过逆向建模、可微前向算子与物理约束神经网络相结合，使模型能够区分真实化学变异与仪器伪差。文章最后指出，单靠技术和算法进步不足以完成变革，关键在于文化转变：要正式承认高质量、机器可读数据集（包括“负数据”和有详细元数据的噪谱）是重要的科学产出；科研资助机构、出版商和院所需合作鼓励严谨的数据管理。结论是，将稳健的数据治理与物理信息AI及表示学习相结合，可使分析科学进入一个经验数据、物理知识与AI协同作用的新时代，加速可复现的科学发现。