JACS | 让 AI 看懂晶体: CrystalX 打通单晶结构解析“最后一公里”

一块只有针尖大小的晶体，能告诉科学家一个分子的真实模样。

在化学和材料实验室里，单晶 X 射线衍射长期被视为确定原子结构的“金标准”。衍射仪采集完数据后，研究人员面对的并不是一张清晰的分子照片，而是一团由电子密度峰组成的三维“地图”：哪个峰是碳，哪个峰是氮？氢原子应该补在哪里？结构是否符合化学常识和晶体学规则？

对于经验丰富的晶体学家来说，这是日常工作；但对于自动化合成、高通量结晶和自驱动实验室来说，这一步却常常成为卡住效率的“最后一公里”。前端实验越来越快，后端结构解析却仍需要专家反复判断、精修和验证，难以真正进入无人化、高通量的闭环。

近日，来自上海交通大学、上海人工智能实验室、上海创智学院的联合团队提出了深度学习系统 CrystalX，试图让 AI 学会“看懂晶体”。相关研究论文《CrystalX: High-Accuracy Crystal Structure Analysis Using Deep Learning》正式发表于国际化学领域顶级期刊《美国化学会志》（Journal of the American Chemical Society, JACS），第一作者为 MIFA 实验室二年级博士生郑凯鹏（创智 24 级学生），通讯作者为 MIFA 实验室黄维然副教授（创智全时导师）、上海人工智能实验室钟翰森研究员和李玉强研究员（创智全时导师）。目前，CrystalX 已全面开放并完成多平台部署。

CrystalX 要解决的问题，可以形象地理解为：给 AI 一张粗略的三维电子密度图，让它自动判断每个位置对应什么原子，并补全那些在 X 射线衍射中往往不够显眼的氢原子。

传统自动化晶体学工具更多依赖规则、经验阈值和人工设计的判断流程。CrystalX 则换了一种思路：不再手写规则，而是从大量真实实验数据中学习晶体结构背后的几何规律。

具体来说，CrystalX 将粗略电子密度峰看作三维点云，利用等变 Transformer 建模峰与峰之间的空间关系。第一阶段，CrystalX 接收由 SHELXT 等常规软件生成的粗电子密度峰图，再通过等变 Transformer 建模三维峰—峰相互作用，输出重原子结构框架。第二阶段，模型根据原子周围的分子内和分子间环境，预测每个重原子应连接多少个氢原子。这一步看似只是“补氢”，实际上需要理解完整的晶体环境。氢原子往往位于分子外缘，是否存在、应加几个，不仅取决于分子内部连接，也可能受到邻近分子和氢键环境的影响。因此，CrystalX 在预测氢原子时引入晶体的对称性和周期性，在每个非氢原子周围3.2 Å 范围内纳入对称等价的邻近原子，让模型同时感知分子内键连和分子间相互作用。研究显示，这种联合建模方式相比只使用分子内部信息，带来了超过 7% 的性能提升。

这样一来，原本需要专家在软件中来回检查的过程，被转化为一个可自动运行的几何深度学习流程。

这也是 CrystalX 与传统 rule-based 方法的重要区别：它不是简单地根据电子密度强弱“猜元素”，而是学习原子间距离、角度、二面角、氢键环境等更复杂的三维结构模式。对于 C/N/O、P/S/Cl 这类电子密度相近、传统流程容易混淆的元素组合，这种几何理解尤其关键。

为了检验 CrystalX 是否真的能用于日常晶体学工作，研究团队没有只在模拟数据上测试，而是构建了一个来自 Crystallography Open Database 的大规模真实实验数据集，包含 51,334 组 X 射线衍射数据，覆盖有机、金属有机和无机晶体，涉及 83 种元素和 86 个空间群。

更严格的是，团队采用了时间外推的验证方式：用 2018 年以前发表的结构训练模型，用 2018—2024 年发表的 8,834 个结构进行测试。这相当于让模型面对“未来的新题”，而不是在相似结构上重复刷题，更接近真实部署场景。

结果显示，CrystalX 在非氢原子识别上的原子级准确率达到 99.71%，在氢原子判断上的准确率达到 99.42%。如果用更苛刻的标准来看——一整个晶体结构中所有原子都必须判断正确，CrystalX 对非氢原子的结构级准确率达到 94.17%，对氢原子的结构级准确率达到 91.79%。此外，模型还能输出较为可靠的预测概率；利用这一不确定性信息，仅对最不确定的原子进行一次候选修正，就能将非氢原子和氢原子的结构级准确率进一步提升至 95.80% 和 94.35%。这组指标的意义在于，晶体结构解析不是“多数原子对了就行”。一个关键原子错了，可能就会影响后续精修、结构解释乃至化学结论。因此，结构级准确率更接近真实科研中的使用标准。

图：在大规模真实实验数据的时间外推测试中远超现有自动化工具，且在困难场景中的优势更为明显。

研究还将 CrystalX 与日常晶体学工作流中广泛使用的 Olex2 全自动流程进行了对比。基线流程包括：由 SHELXT 完成初步定相和非氢原子指认，通过 SHELXL 精修，然后使用 Olex2 的 hadd 命令自动加氢。整个过程不引入人工干预，因此可以代表当前常规晶体结构解析中的自动化水平。

在完整测试集上，SHELXT 对单个非氢原子的识别准确率达到 94.81%，看起来已经不低；但当标准提升为“整个结构中所有非氢原子都必须正确”时，结构级准确率降至 46.26%。相比之下，CrystalX 将这一指标提升至 94.17%，提高 47.91 个百分点，几乎实现了结构级准确率翻倍。

差距在困难场景中更加明显。面对低信噪比衍射数据，Olex2 自动流程仅正确解析 2/37 个结构，而 CrystalX 正确解析 24/37 个；面对大型复杂结构，Olex2 未能给出任何完全正确的结构，CrystalX 则成功解析 22/43 个。特别地，对于多达370 个非氢原子的庞大有机金属结构，CrystalX 仍能做到完全正确的秒级解析。

图：实现复杂结构的完全正确解析

更有意思的是，CrystalX 还被用来检查已经发表的晶体结构。

在测试集中，研究团队筛查了 1,559 个发表在 JCR Q1 期刊上的结构，自动过滤出 10 个可疑案例。经过人工复核，其中 9 个被确认为专家解释错误。这些错误包括相近电子密度原子的误判、氢原子放置错误、氢原子缺失。相比原始结果，CrystalX 给出的解析不仅在晶体学指标上表现更优，也在化学结构合理性方面更具说服力。

值得注意的是，部分错误并未触发 CheckCIF 的 A/B 类警报，而这通常已被视为相当严格的晶体学发表标准。换言之，这些结果不仅通过了严格的软件审查，也经受了论文发表过程中的同行评议，却仍然能够被 CrystalX 进一步识别并纠正。

图：揭示顶刊论文中隐藏的解析错误

图：在真实实验中成功解析新发现化合物，超过AutoChem

为验证 CrystalX 在真实实验场景中的可用性，研究团队进一步将其接入日常晶体学工作流，并与具有代表性的全自动结构解析系统 AutoChem（最新版本 ac7）进行了前瞻性对比。

相比之下，CrystalX 的一个实际优势在于，它并不依赖这些仪器设置元数据，也不需要事先精确知道每种元素的组成信息。模型可以从常规软件自动生成的粗略电子密度峰出发，直接预测非氢原子类型和氢原子信息，再接入后续 SHELXL 精修与 CheckCIF 验证流程。这使得 CrystalX 更容易嵌入不同实验室已有的晶体学软件生态，也更适合未来高通量和无人化实验场景。

研究团队直接使用日常晶体学实验流程中的两个新发现化合物，并通过广泛文献检索加入一个近期发表且可运行AutoChem 的案例，构成三个真实应用样例。结果显示，CrystalX 在三个案例中均完成了正确的全自动结构解析。其中，两个新化合物由 CrystalX 生成的 CIF 文件没有 CheckCIF A/B 级警报，关键晶体学指标也处于合理范围内；随后，晶体学专家又通过传统精修流程独立确认了模型预测结果，二者保持一致。这表明，CrystalX 的解析结果已直接达到晶体学发表标准。这两个由 CrystalX 解析的新结构也已经提交至 Cambridge Crystallographic Data Centre。相比之下，AutoChem 在多种配置下最多只正确解析其中一个结构。这表明，CrystalX 的能力并不局限于数据库上的统计指标，而已经具备进入实际实验流程的潜力。

目前，CrystalX 已全面开放并完成多平台部署。项目代码已在 GitHub 开源，仓库地址为：https://github.com/kaipengm2/CrystalX；模型权重已发布至 Hugging Face：https://huggingface.co/Kaipengm2/CrystalX。同时，CrystalX 已上线国家高等教育智慧教育平台（https://higher.smartedu.cn）、Migo 觅果化学助手（https://migo-chem.intern-ai.org.cn）以及“言普·晶析”（https://crystalx.intern-ai.org.cn），实现了最小端到端工作流的网页化部署。在该工作流中，用户只需上传初始 .ins 文件及对应的 .hkl 衍射数据，系统即可自动完成非氢原子识别、SHELXL 精修、氢原子预测与放置、进一步结构精修以及 CheckCIF 结构验证，并最终生成结果压缩包。压缩包内容包括 CIF 文件、CheckCIF 报告、SHELXL 相关文件以及模型预测概率等信息。此外，CrystalX 可自然接入现有晶体学软件生态，具备良好的可扩展性与可集成性，可作为实用晶体学工具服务于实际结构解析与精修流程。

现阶段，CrystalX 主要面向有序晶体结构的常规全原子解析，尚未覆盖晶体学无序这一更复杂的长尾场景。无序结构解析更像一道复杂“残局”：专家需要根据残余电子密度、占有率、约束条件和验证反馈，不断提出假设、精修、检查，再修正模型。这不是一次预测可以完成的问题，而是一个长时程序列决策过程。也正因如此，无序结构解析有望与当前快速发展的智能体 AI、强化学习等技术深度结合，使模型在与晶体学软件及相关工具的持续交互中，逐步学习并内化晶体学家在“解释—精修—验证”迭代过程中的决策机制。