1.1. 各种科学数据的重要性

这篇文章标题的含义似乎不言而喻。对于科学探究来说，“数据”是我们收集来探索自然、检验假设、提出新特性和机制以及做出“事实发现”的数据。然而，“数据”是一个非常宽泛的术语。在晶体结构实验中，它可能指“原始”数据，例如在衍射仪处收集的衍射图像（尽管即使这些图像也不是真正的“原始”图像，因为它们是根据探测器的电子和机械特性捕获的，具有该特定设备固有的任何限制或缺点）。它也可以指“处理过的”数据，例如合并的结构因素，这些数据是由原始图像的校准、还原和其他操作产生的，并且构成了结构解决方案和模型的材料精细化。术语“数据”也用于导出结构模型本身的逐项描述（如存储在结构数据库中的坐标集和各向异性位移参数）。

在所有这些类别中，晶体学都存在。通过原始衍射数据集，我们可以尽可能多地获取有关晶体原子的信息就地使用经过处理的衍射数据集，我们保留了晶体中结构单元的平均描述，但我们可能忽略了包含无序或大规模关联信息的扩散散射强度，或者我们可能忽略第二个晶格，就像在伪四面体的情况下孪生。当我们考虑衍生结构模型时，我们基本上已经将分子结构或“典型”原子环境理想化了。在每个步骤中，我们的抽象级别（通常）都适合手头的研究。然而，晶体学硬件和软件的成功有时会让我们产生一种错误的安全感，一种轻微的忘记自然界全部复杂性的倾向，这种复杂性可以通过对我们正在检查的衍射数据集进行更仔细的检查来分析出来。

晶体学有着强大的数据共享传统，不必过分强调实验数据的仔细和关键的再分析经常导致衍生结构模型的改进（例如，见Marsh等。, 2002). 在化学晶体学领域，有一些典型的行为，例如结晶学报C辑由1993年至1999年编辑领导的悉尼大厅（CODATA 2014国际数据奖得主），为裁判员和编辑提供基础数据和提交的文章。因此，一篇被接受的文章将结构因素和坐标作为数据的“记录版本”附加在其上。随后，一种化学物质晶体结构数据库[例如剑桥结构数据库（CSD）、晶体学开放数据库（COD）、无机晶体结构数据库（ICSD），国际衍射数据中心（ICDD）]可以从裁判员和编辑的这种应有的关心和关注中获得巨大的利益，并获得这些版本的数据和文章记录。

1.2. 原始数据的特殊重要性

在这里，我们关注重新检查和重用原始数据集的价值。对原始衍射数据的访问将允许晶体学结果的用户/读者直接看到原始研究人员做出的每个计算选择，如果他们愿意，还可以采取不同的计算路线。

在最近的《专题评论》中，我们三人已经证明了在越来越多的数字数据档案中，保存原始衍射数据集在技术上和组织上是可行的（Kroon-Batenburg等。, 2017). 我们认为，应授权集中和分布式的此类档案注册数据集并获取保存描述符。我们注意到，这是国际标准“数字对象标识符”（DOI）的案例比例越来越大，由经认可的注册机构分布式网络维护（国际标准化组织，2012年）). 原始衍射数据的长期可用性越来越普遍，我们认为，基于DOI等标准的有序基础设施的发展对于协调新兴档案至关重要。讨论存储环境中原始数据保存的开创性文章。同步加速器（迈耶等。, 2014)，《高分子晶体学再现性综合资源》（Grabowski等。, 2016)和结构生物学数据网格（Meyer等。, 2016)倡议为这种方法提供了大量支持。

Kroon-Batenburg已经确定了更广泛的科学世界中数据归档的一些驱动因素等。(2017)包括正式研究数据管理政策的资助机构授权。在这些驱动因素中，我们挑出了基于`开放创新、开放科学、面向世界在欧盟的书（Moedas，2016）中描述). 这是因为科学政策制定者，如欧盟和美国国立卫生研究院，希望加快科学发现，以解决紧迫的社会问题，如改善疾病治疗和减轻环境污染。促进出版前的早期数据共享是这一新的“开放科学”愿景的关键部分。欧洲开放科学云计划(https://ec.europa.eu/research/openscience/index.cfm？pg=open-科学云)正在为开放科学提供工具和指南，以促进解决紧迫社会问题的众包。其中包括CERN托管的Zenodo档案，它为任何领域的科学数据集提供了一个开放的存储库。目前，它将免费接受来自世界各地的“小”数据集（<50 GB），目前只有少数晶体学家使用它来提供他们的原始衍射数据集。

我们不知道Zenodo是否会保持独特，也不知道资助机构对研究人员施加的越来越大的压力，要求他们归档支持实验数据，商业提供商是否会满足这种压力。然而，总的来说，上述数据档案以及中央实验设施（同步辐射、X射线激光和中子源）的数据档案极大地促进了沉积并开放获取作为出版物基础的原始实验数据集的可行性。

与数据量和网络带宽相关的实际挑战仍然存在。最新的探测器产生大量数据，将结晶学牢牢带入“大数据”时代（尽管我们还远未将射电天文学家的数据量与其平方公里阵列项目相匹配）。在之前的出版物中（Tanley，Schreurs等。, 2013)我们描述了曼彻斯特大学和乌得勒支大学之间移动约10GB级原始衍射数据集的网络传输时间；最初这需要5天（尽管它可以优化到一天左右）。从结构生物学网格检索数据的最新经验（Meyer等。, 2016)数据传输网络的容量在一定程度上与容量的增长保持同步。然而，在可能的情况下，最好将原始衍射数据存档在靠近测量数据的位置，从而利用更快的本地网络。

保存原始衍射数据的另一个重要作用适用于我们有衍射数据但没有发布的情况。这些可以帮助我们更好地了解我们在分析中失败的地方以及没有发现结果的地方。对于这些具有挑战性的案例，应公开原始衍射数据的共享，尤其是纳税人资金的使用。

不幸的是，这些例子并不能为这里的案例研究做出贡献，因为它们并不为人所知，除了个别主要研究者（PI），他们将这些案例与他们的实验室或合作者保持密切联系。相反，在本文中，我们描述了我们从文献中发现的个别案例研究，这些案例研究来自晶体研究和应用的广泛不同领域，实际上跨越了IUCr的各个科学委员会的范围。这些出版物要么直接展示了原始数据保存和重用的好处，要么是样本生产到新分析和结果发生完全重复的直接例子，这显然是低效的。因此，保存原始衍射数据将是保护我们的晶体学研究企业的一种更安全的方式。

通过技术组织我们的讨论，我们旨在证明这些问题在现有国际自然保护联盟委员会范围内的所有活动中都是相关的。相当比例的例子来自于大分子晶体学，但我们希望这篇文章能促进其他领域更多需要原始数据的案例的报道。我们还注意到，我们的案例研究分为三大类：数据共享有益的案例研究、数据保存对取得进一步进展至关重要的案例研究和数据缺失是一个重大问题的案例研究（表1).

表1 本文中的案例研究摘要 “共享”、“保存”和“无数据”类别对应于§最后一句中描述的科学进步的好处或障碍1 章节 结构/主题 字段 类别 §4.1 反式-白藜芦醇 化学晶体学 无数据 §4.2 特兰多普利 粉末衍射 共享 §4.3 顺铂/卡铂 高分子 共享 §4.4 TDS校正 装药密度 保存 §4.5 线性铁络合物 电荷密度 无数据 §4.6 hCEACAM1/hTIM-3 高分子 共享 §4.7 脯氨酸生物合成酶 高分子 共享 §4.8 脂氧合酶 高分子 共享 §4.8 运动神经元存活蛋白 高分子 共享 §4.8 鼠伤寒沙门氏菌StSurE公司 高分子 保存 §4.9 非布拉格散射 物理结晶学 共享

4.1. 化学晶体学案例研究

扎里赫塔等。(2016)注意到晶体结构属于反式-Caruso报道的白藜芦醇等。(2004)包括一个动态无序的氢键网络，如Zarychta所示等。(2016)而是两个晶体学上独立的分子的叠加反式-白藜芦醇。后一种结构在单位电池是之前报告体积的两倍（图2). 重新确定反式-白藜芦醇的结构包括重复原始研究的所有步骤，从原材料的购买到精炼和结构分析，因为原始衍射图像不可用或更可能没有保存。扎里赫塔等。(2016)声明：

4.2. 粉末衍射案例研究

里德等。(2016)承担了晶体结构曲多普利C的测定₂₄H（H）₃₄N个₂O（运行）₅，并显示了原始数据沉积在粉末衍射文件中的实用性。粉末衍射数据晶体结构特兰多普利（来自伦敦大学学院）的质量很高（图3). Reid评论了在PDF中保留原始粉末衍射数据的好处，这是一项持续多年的活动等。(2016)声明

4.3. 合作与批判的大分子晶体学案例研究

科隆-巴滕堡等。(2017)描述他们在曼彻斯特大学和乌得勒支大学合作研究重要抗癌药物顺铂和卡铂与蛋白质中组氨酸结合时，存档和共享原始衍射图像的经验。通过他们的原始数据共享（Tanley，Schreurs等。, 2013)，使用进一步分析原始衍射图像XDS公司（卡布施，1988年)由Kay Diederichs博士进行，并在高氯盐浓度下卡铂转化为顺铂后进行了详细的晶体评估。这导致了一项新的研究，涉及在非NaCl条件下鸡蛋白溶菌酶与卡铂的结晶，该研究由Diederichs博士（Tanley，Diederich）进行并发表等。, 2013; 见图4).

图4 大分子晶体学中原始衍射数据共享的好处示例：避免在高浓度氯化钠下卡铂转化为顺铂。(一)部分转化的卡铂（Tanley，Diederichs等。, 2013)和(b条)替代结晶条件导致对卡铂与组氨酸结合的最佳研究（Tanley等。, 2014). 经IUCr许可复制。

这项工作的另一个原始数据集的下载涉及对沙巴林的批评引起的一系列结构修改等。(2015)顺铂与各种蛋白质结合的整个领域。该评论引发的随后修订和重新修订的结构（Tanley等。, 2016)为“大分子结构模型的持续改进”范式提供了一个很好的例子（Terwilliger，2012). 有关此示例的进一步评论，请参见Kroon-Batenburg等。(2017).

4.4. 电荷密度分析示例：热扩散散射校正

在布拉格位置达到峰值的扩散散射是由声子引起的散射，参与声子波的单位细胞数量必然有限，导致即使在家用实验室光源中也能看到宽峰值；有关最近的一个示例及其成功的更正，请参阅尼普特等。(2015). 有趣的是，任何特定样品的柔软度都会决定声子波所涉及的单位细胞数量，即软晶体将占用更少的单元单元，从而导致更宽的热扩散散射（TDS）峰值。晶体的柔软度和声子的可能行为以及布拉格轮廓下TDS峰的宽度的一个定量单一参数是晶体中的声速，例如可以通过激光产生的超声波测量（参见，例如Edwards等。, 1990). 正如尼普特所指出的那样等。(2015)使用液氦温度进行X射线衍射数据采集也是降低布拉格峰下TDS强度的一种方法。高度准直的同步辐射也改善了这个问题，因为高质量晶体的布拉格反射轮廓是由样品本身决定的，而不是由相对未准直的家庭实验室X射线束决定的。液氦和高度准直同步辐射的结合将为使用尽可能免费的X射线衍射数据进行最准确的电荷密度研究提供实验方法选择。尼普特详细而仔细的多渠道调查等。(2015)说明衍射图像数据处理的方法仍在成熟，并再次赞扬保留原始衍射数据以供重复使用的价值。

4.5. 电荷密度研究的另一个例子

线性铁（I）配合物[K（crypt-222）]{Fe[C（SiMe）的电子密度研究_三)_三]₂}（汤姆森，2017年)Zadrozny发表的选定化合物的结构等。(2013)在一份备受瞩目的杂志中非对称单元。随后的重新调查研究涉及该化合物的完全重新合成、结晶和X射线衍射重新测量，并分析了两种不同几何形状的铁（I）配合物。C（SiMe）的椭球体_三)_三来自Zadrozny的配体等。(2013)沿C（SiMe）之一的旋转方向拉长_三)_三C-Fe-C线周围的配体。这些细长的椭球体显然是由于其模型中的分子几何结构是两个正确几何结构的平均值，Si-C-C-Si扭转角高于和低于平均角度（～22°）～8°。C（SiMe）的概率椭球_三)_三Thomsen（2017）确定的结构中的配体)虽然两项研究中数据收集期间的温度均为100 K，但它们都较小且各向同性更强。汤姆森（2017)得出结论，之前发布的结构很可能是通过忽略上部结构反思。原始衍射数据的可用性将使重新分析直接可行，而这本可以由原始提交文章的审稿人轻易进行。

4.6. 蛋白质晶体学的一个更正案例

收缩观察给出了晶体收缩的有趣调查。他们的新闻`结构生物学修正突出了科学过程的精华' (https://retractionwatch.com/category/by-subject/basic-lifeciences-retractions/crystallography-retractions)讨论了布隆伯格集团在自然（黄）等。, 2015)受到E.Sundberg的批评晶体结构被确定为人类hCEACAM1 IgV结构域和hTIM-3 IgV域（PDB入口）的异二聚体第4季度)由分子置换分辨率为3.4º。Sundberg和Almo意识到CEACAM1形成同二聚体的强烈趋势，并观察到细化统计PDB条目的第4季度非常贫穷。他们从PDB中检索了结构因子数据，发现通过在晶格。Blumberg小组认为，hCEACAM1和hTIM-3褶皱之间的低分辨率和相似性导致作者未能意识到他们使用的是错误的模型。随后的进一步分析表明，hCEACAM1与hTIM-3结合，但在结晶步骤中，hTIM-2显然是蛋白质水解的对象，hCEACAM1的强自结合相互作用导致同二聚体结晶。修正后的结构已作为条目存放在PDB中5微升（黄）等。, 2016)和搜索第4季度在PDB中自动重定向到PDB条目5微升这是一个科学过程应该如何运作的学术例子：批判导致了更深入的研究。

4.7. 配体密度的临界分析

最近，CCP4公告栏上发布了一条消息（Tanner，2017）)关于通过完全的再合成、结晶和结构测定脯氨酸-生物合成酶PYCR1（PDB条目5阿特; 克里斯滕森等。, 2017). 原始结构PYCR1（PDB条目第2组9; 孟等。, 2006)以低分辨率（3.1º）溶解；它是一种五聚二聚体复合物，与预期相反，NADH配体没有在罗斯曼折叠链C末端的经典NAD（P）H-结合位点结合，但与二聚体界面的结合位点相距25Å。Tanner小组的仔细分析表明第2组9所有五个NADH结合位点均存在结构强负差异密度B类配体的因子特别高。Tanner小组获得了衍射到1.9Å分辨率的晶体，在额外的生物物理研究的支持下，两个NADPH配体可以非常清楚地构建到预期的经典结合位点中。因此，配体结合吡咯烷-5-羧酸还原酶的记录得到了纠正。

4.8. 大分子晶体学中数据的重新解释

这个晶体结构脂氧合酶15S-LOX1在长时间α-螺旋和许多残留物无法模拟成密度（Gillmor等。, 1997). 崔等。(2008)知道奥尔德姆的一项研究等。(2005)他们发现8R-LOX和15S-LOX的结构存在重大分歧。Choi及其同事的仔细检查表明，由晶体双轴相关的两条螺旋线实际上发生了碰撞。结构因子数据从PDB下载；这些被合并到R（右）32对称。作者将该结构重新解释为完美的孪生结构空间组 R（右）3，从而解除了两个相邻分子之间的对称约束。这导致了α-螺旋并产生明确的电子密度。在目前PDB中未合并数据沉积的情况下，对未合并结构因素数据进行统计分析是可能的，尽管在完美的情况下孪生在里面R（右）很难辨别R（右）32对称。

Weiss描述了另一个最近发生的、相当极端的蛋白质结构错误发布并被纳入PDB的案例等。(2016)，他们描述了他们对晶体结构推测为人类生存运动神经元（SMN）蛋白。森（Seng）等。(2015)报道了全长SMN蛋白的结构（PDB条目4海里6)通过以下方式获得分子置换使用他们的SMN结构Δ7（PDB条目4海里7)而这又是基于其SMN1-4结构，没有为其沉积PDB坐标或结构因子。除其他问题外，疏水性侧链指向疏水性核心，而不是指向疏水性核心，以及螺旋和β-板材变形或缺失。由于SMN1-4数据尚未公布，因此无法重复分子置换计算。细致的检测工作使Weiss和同事们假设晶体实际上是细菌蛋白Hfq，可以在大肠杆菌，的晶体结构其中的具有类似的单元间参数（一旦C类2 PDB入口对称约束4海里7发布）。Hfq模型的拟合度提高了10%R（右）_自由的以类似的方式，Weiss和同事能够证明全长SMN蛋白晶体结构实际上是来自大肠杆菌.

Hatti描述了污染蛋白结晶的类似问题等。(2017). 生存蛋白的突变伤寒沙门菌表达并结晶StSurE。单位细胞参数与StSurE的不同，但这种结构或结构域用于分子替换。然而，从3.0º分辨率数据获得的结果结构并不令人满意：主干的许多部分与电子密度相符，但R（右）因素改善不超过35%。因此，提交人诉诸于马拉松MR分子置换软件，其中使用了SCOPe数据库中的代表性结构域。得分最高的是脱氢喹啉合酶样折叠。在将数据重新处理为更高分辨率和广泛的模型构建后，该结构被确定为肠道甘氨酸脱氢酶。本文显示了求解序列未知的结构是多么困难，以及使用分子置换可能会想出错误的结构。

4.9. 物理晶体学的一个例子：X射线衍射的新理论

费斯特（2014, 2016)提出了一种新的X射线衍射理论；这个（我们引用）