点击显示 收起
没有什么能比一副新的眼镜将微小的细节带入到鲜明的对比中。对于从事从蛋白质到DNA的生命大分子研究的科学家们而言，相当于新镜头的是用一种先进的方法分析来自X-射线晶体学实验的数据。
这些研究结果发布在最新一期（5月25日）的《科学》（Science）杂志上，有可能导致对推动生物学、医学诊断、纳米技术和其他领域进程的分子的新理解。
就像牙医利用X光来发现蛀牙，科学家们利用X光来揭示DNA，蛋白质、矿物质和其他分子的形状和结构。
当X射线穿过原子它们反射出独特的模型，揭示出存在的原子以及原子相互结合的方式。然而，出于对质量的担忧一些数据通常会被丢弃。尤其是，由模型边缘区域衍生的数据——尽管对于了解结构的细节非常重要，然而常常会被很多背景噪音中微弱信号相关的随机错误所掩盖。
俄勒冈州立大学的生物物理学家Andy Karplus和他在德国康斯坦茨大学的同事Kay Diederichs现在证实可从相比过去认为可以接受噪音水平高5倍的数据中收集有用信息。
Karplus 说：“过去一直使用的标准过于保守。人们一直在丢弃的这些数据其实是很好的。”
分子模型的准确性是晶体学的底线。模型越好，越能更好地预测X射线穿过一个分子生成的模式，更好地开发出在分子水平上发挥作用的新药和纳米技术。
科学家们说新方法可能是在过去20年里关于如何将这些数据应用到建模中概念上最重要的进步。它显示了来自测量“噪音”部分的数据如何能够仍然提供信息，使得科学家们直接看到由数据中噪音所决定的模型所在何处，以及何处的模型可以相比实验数据更好地评估分子结构。
“问题在于‘我们在何处放弃它？’”Karplus说。通过以渐进步骤添加数据，显示模型如何得到改良，Karplus和Diederichs表明科学家们一直过快地放弃了他们的分析，丢弃了能够提高他们分子结构视图的数据。“
Karplus 说：“对于该领域最大的影响是从此处开始测定的每一个结构都会因为人们没有丢弃好的数据而具有稍微更多精确性。如果你获得了一个糟糕的蛋白质图像，它就会获得稍多一点的清晰。如果你得到的一个好的蛋白质图像，它也会得到稍多一点的清晰。“
尽管这种方法将会成为X-射线晶体学的一个重要步骤，科学家们说其他的物理科学也可能会找到一些途径从这种类型的数据质量分析中受益。他们指出科学的一个分支多年来一直是利用这类统计学分析。心理测量学领域分析来自心理学测试的数据，就是利用了相似的称之为斯皮尔曼-布朗公式（Spearman-Brown formula）的技术来确定这样的测试的最小长度。
“现在我们知道高噪音的数据也是有用的，这大概将推动进一步的完善，因为它会刺激新的软件开发出来更好地处理这样微弱的数据，”Karplus说。
（生物通：何嫱）