داده های خام: تکامل داده های منصفانه و کریستالوگرافی.

داده های علمی در شیمی طی چند دهه گذشته مسیری طولانی بوده است. در ابتدا در مقالات علمی به شکل اعداد یا نمودارها درگیر شده بود ، وقتی مجله ها در اواخر دهه 1990 الکترونیکی شدند ، (جزئی) برای پشتیبانی از اطلاعات جدا شد.[cite]10.1021/acs.orlett.5b01700[/cite] مرحله بعدی معرفی مخازن داده در سطوح اولیه بود. در حال حاضر مربوط به شرکت های تجاری نوآورانه مانند FigShare و بعداً Zenodo غیر تجاری ، مخازن مشابه به صورت نهادی توزیع می شوند به عنوان مثال پروژه بدتر برای طیف ها از سال 2006[cite]10.1021/CI7004737[/cite] و هنوز در حال توسعه است.[cite]10.1186/S13321-017-0190-6[/cite] شاید مشهورترین و مطمئناً یکی از نمونه های داده های ساختاری درمانی در شیمی ، CCDC (مرکز داده کریستالوگرافی کمبریج) CSD (پایگاه داده ساختاری کمبریج) بیش از 55 سال است که حتی قبل از دوره آنلاین فعالیت می کند! شجاعت در اینجا زمینه مهمی است ، زیرا در اینجا داده هایی در مورد پراش کریستالی که در یک مدل ساختاری تصفیه می شوند ، می یابید ، ابتدا توسط نویسندگان که ساختار را در نظر می گیرند ، و سپس توسط CSDS ، که از جمله سایر عملیات ، داده های مرتبط را با استفاده از ابزاری به نام CheckCIF تأیید می کنند.[cite]10.1107/S090744490804362X[/cite] آنچه ممکن است توسط بیشتر کاربران این منبع داده تحقق نیافته باشد این است که داده های اصلی یا “خام” به دست آمده از پراش سنج X -ray و از آن داده های CSD به دست آمده در واقع از CSD در دسترس نیستند. این شکل اساسی داده های کریستالوگرافی موضوع این انتشار است.

بیشتر داده های شیمیایی اکنون از ابزاری در حال ظهور هستند که قبل از پیشنهاد آن تا حدی در داخل کشور پردازش می شود. چنین داده های خام/اولیه احتمالاً در قالب اطلاعات MRI مشهورترین است ، جایی که از این ابزار در قالب FID یا پوسیدگی رایگان القاء در دسترس است. تبدیل آن از این شکل به آنچه همه شیمیدانان به عنوان یک طیف می دانند نیاز به پردازش بیشتر نرم افزار و از جمله سایر عملیات مانند ادغام اوج دارد. این طیف پردازش شده بود که به طور سنتی به عنوان بخشی از یک مقاله علمی (اغلب فقط به صورت بصری یا اوج ذکر شده) ارائه می شود و یک فرم FID به ندرت برای هر کسی که علاقه مند است ارائه می شود. این نکته حائز اهمیت است که تحول در طیف نیز از دست دادن قابل توجهی از داده ها برخوردار است. یک پروژه جالب به رهبری سردبیران دو مجله شیمی ارگانیک[cite]10.1021/acs.joc.0c00248[/cite]. ،[cite]10.1021/acs.orlett.0c00383[/cite] این هدف برای تشویق ارائه داده های منصفانه در مجله است ، اگرچه در واقع این پروژه در واقع بر ارائه داده های NMR خام متمرکز شده است. همانطور که معلوم شد ، تنها بخش بسیار کمی از تمام اظهارات این مجلات برای دوره یک سال در واقع چنین داده هایی (113 مجموعه داده) را در قالب بایگانی زیپ ارائه می دهد^{‡ ‡ ‡} و حاوی همه جا بین یک تا 100 پوند واقعی از داده های NMR خام در یک بایگانی. باید توجه داشت که داده های خام لزوماً داده های منصفانه نیستند. دومی به ابرداده های غنی نیاز دارد تا داده ها را برای تبدیل شدن به تغذیه ای ، مقرون به صرفه ، سازگار با عمل سازگار و متعدد (عادلانه) توصیف کند و چنین ابرداده ای در واقع به عنوان بخشی از این پروژه ناشر تولید نمی شود.

در اینجا من به داده های خام بالقوه عادلانه در زمینه کریستالوگرافی دقیق تر نگاه خواهم کرد. این پروژه شاید کمتر از برنامه قبلی شناخته شده باشد ،[cite]10.1021/acs.joc.0c00248[/cite]. ،[cite]10.1021/acs.orlett.0c00383[/cite] بنابراین ، پست حاضر به دنبال مشهور تر شدن آن است. مانند MRI ، یک نقطه شروع مفید توصیف مراحل مختلف در چرخه زندگی داده های کریستالی است.

1. کریستال در پراش سنج نصب شده و تصاویر پراش X -ray ثبت می شوند. آنها به عنوان داده های خام در نظر گرفته می شوند و مانند اکثر ابزارها ، شکل آنها توسط خود ابزار و نرم افزاری که برای شروع روند پالایش در یک ساختار مولکولی استفاده می شود ، تعیین می شود.
2. سپس این بهبود یک گروه فضایی از داده ها را اختصاص می دهد و عوامل ساختاری را به این ترتیب استخراج می کند یا HKL داده ها این داده ها اکنون می توانند به صورت استاندارد تر ، معروف به CIF (پرونده اطلاعات کریستالوگرافی) ضبط شوند و امروزه فرمی است که با CSD سپرده می شود.
3. کاهش فرم پرونده CIF حاوی زیر گروه اطلاعات اما فاقد HKL داده ها بسیار رایج تر است و فرم CSD تا چند سال پیش ارسال شده است.
4. خیلی اوقات ، تصویری از مدل حاصل برای ساختار مولکولی نیز گنجانده شده است. اگرچه بر اساس داده های پرونده CIF ، داده های قابل استفاده مجدد به این ترتیب را شامل نمی شود و فقط برای استفاده و ادراک انسان در نظر گرفته می شود.

این فرم 1 است که از مجموعه داده های CSD وجود ندارد. از آنجا که می تواند بسیار بزرگ باشد (0.5-9 gbyte) ، این توصیه این است که در CSD بلکه در امکانات ذخیره سازی داده های محلی ذخیره نمی شود.^« بنابراین اکنون ما نیاز به تعیین اینکه آیا اتصالات دو طرفه بین نوع 1 و 2-4 امکان پذیر است و شناسایی ویژگی های عادلانه است. Fair F (شکل) در اینجا مورد مطالعه قرار خواهد گرفت. این کار با نشان دادن برخی از جستجوهای این داده ها بر اساس ابرداده ثبت شده برای آن با داده داده ها انجام می شود.

5. https://commons.datacite.org/؟query=relatedidentifiers.relatedidentifier:10.5517* (157 کار)
   این جستجو به سادگی هر ضبط را در هر مخزن که در ابرداده خود استناد می کند ، یک ضبط ضبط DOI در CSD ، با استفاده از فرم ، مشخص می کند 10.5517* که برای همه سوابق رایج است.
6. ؟ query = AssistryIdentifiers.ReletedIdidentifier:*10.5517*+and+(media.media_type: شیمیایی/x-cif+یا+media.media_type: Application/X-7Z-compressed+یا برنامه/gzip+یا+media.media_type: برنامه/زیپ) (9 کار).
   این همچنین بیان می کند که تقاضا 5 محدودتر است ، و نیاز به یکی از چهار نوع رسانه در سابقه ابرداده مخزن دارد. این نوع بایگانی های فشرده شده استاندارد هستند که احتمالاً داده های کریستالی خام را به همراه یک رکورد CIF ذخیره می کنند ، که به وضوح با داده های ساختار کریستال مرتبط است. بولی یا نشان می دهد که یکی از آنها ممکن است حضور داشته باشد! اکنون می تواند کمی امن تر باشد که این سوابق حاوی داده های مربوط به ساختار کریستال است. این واقعیت که ما نمی توانیم کاملاً مطمئن باشیم ، بدیهی است که کسری از ابرداده موجود برای سوابق است!
7. ؟ پرس و جو = شناسه:*10.5517*+و+(alsessindidifiers.relatedIdifier:*10.14469*) (7 کار)
   هشت جستجو 6 اثر از مخزن پیشوند فرود آمده است 10.14469* بنابراین اکنون می توان جهت را چرخانده و بپرسید که برای هر عنصر منتشر شده در CSD چند مورد در ابرداده ذکر شده است؟ حدود 945 473 سوابق در CSD در حال حاضر دارای شناسه دائمی DOI هستند که با آنها همراه است ، همه با آنها شروع می شود 10.5517* بنابراین اکنون می توان به دنبال این بود که تعداد زیادی از آنها به یک شناسه متصل نیز مراجعه می کنند 10.14469* هفت نفر از آنها در آنجا ظاهر می شوند.
8. همچنین در CSD ابرداده سوابق عنصری با ویژگی است relytype = “isedered by” با این معنی که داده های CSD خود از داده های (خام) که در جای دیگر نگهداری می شوند ، به دست می آیند. این اطلاعات در طی فرآیند تعویق CCDC در زیر ضبط می شود.
   
   https://commons.datacite.org/؟query=identifier:* 10.5517 ** و+(regeentifiers.RelationType: sisourceof+یا+regedDifiers.RelationType)
   این مجموعه داده ها را در CSD ها محدود می کند که مربوط به داده های خام اضافی از آن است از یا قارچ روابط^♥ CCDC به من بگویید که تعداد واقعی حدود 65 است ، بنابراین منشأ این عدم تطابق باید مشخص شود.

بنابراین پروژه هایی با هدف گرفتن داده ها از ابزارهای شیمیایی هنوز در حال شروع به افشای پتانسیل این سیستم ذخیره سازی داده های مدرن در دو یا چند مکان و هماهنگی اشکال مختلف این داده ها ، از فرم خام گرفته تا مشتقات یا داده های فرآوری شده هستند. سپس کاربر علاقه مند می تواند از هر فرم مناسب برای نیازهای خود استفاده کند و سپس می توان یک شکل را به شکل (های) دیگر ردیابی کرد. ما می توانیم در آینده نزدیک تحولات زیادی را در این زمینه پیش بینی کنیم.

^{‡ ‡ ‡}برای درک اینکه چه تعداد از مجموعه داده ها در آنجا وجود دارد یا چیز دیگری در مورد خصوصیات آنها وجود دارد ، باید بایگانی را گسترش دهد تا بفهمد چه تعداد مجموعه داده خام در داخل است. ^«فرآیند انتشار در اینجا برای یک مخزن DOI شرح داده شده است: 10.14469/HPC/10178 ^♥از طرح داده ؛ <relatedIdentifier relationType="IsDerivedFrom">... </relatedIdentifier> از باید برای منبعی استفاده شود که مشتق یک منبع اصلی باشد. در این مثال ، مجموعه داده ها از مجموعه ای بزرگتر از داده ها و مقادیر داده توسط وضعیت اصلی آنها دستکاری می شود. <relatedIdentifier relationType="IsSourceOf">... </relatedIdentifier> قارچ منبع اصلی است که از آن یک منبع مشتق ایجاد شده است. در این مثال ، این مجموعه اصلی داده ها بدون دستکاری ارزش است.

در این پست doi: 10.14469/hpc/10177

متصل