信息速览

数据集名称EMDB — 电镜数据库：冷冻电镜三维密度图的 wwPDB 核心归档库

数据类型影像数据,原始数据,结构数据

规模不适用（结构生物学归档库，非患者数据）；截至 2026-10-15 累计 63,259 条密度图/断层图归档（2025 年底 52,921，2026 年内 10,338）

接入方式全球冷冻电镜实验室经 wwPDB OneDep 系统沉积的三维密度图（CCP4/MRC 格式）与代表性断层图，附完整实验元数据（显微镜/电压/探测器/剂量/重建参数/分辨率/FSC）+ 关联 PDB 原子坐标 ID + 主引文献

AI 就绪度

INFOBOX — EMDB 一屏速览

维度内容

本质冷冻电镜（cryo-EM）三维密度图 + 代表性断层图的公共归档库（存图谱，不存原子坐标）

全称 Electron Microscopy Data Bank（EMDB）；别名 EM Data Bank

主办 EMBL-EBI（英国 Hinxton），wwPDB 核心存档之一（2021 起）

创立 2002 年，Kim Henrick 领导建立；2007 RCSB 加入，2013 PDBj 加入

规模累计 63,259 条（截至 2026-10-15）；2025 单年首破 10,000 条；2025 年底 52,921 条

模态单颗粒分析（82.8%）/ 螺旋重构 / 电子断层 / 子断层平均 / 电子晶体学

分辨率 2022 年 >60% 优于 4 Å，>20% 亚 3 Å；维基 2025 全库均值 7.6 Å

格式 CCP4 / MRC（emd_<id>.map.gz）；元数据 XML + mmCIF

获取 Web 门户／ REST API（免认证）／ FTP 批量／ RCSB·PDBj 联合查询

许可 CC0 1.0 Universal（公共领域奉献，免费无限制，可商用）

沉积 wwPDB OneDep 统一系统；满一年未发表强制公开；每周三 UTC 00:00 释放

姊妹库 PDB（原子坐标）、EMPIAR（原始图像）——三方协作归档

库内互链 pdb(43)、cryonuseg(844)、alphafold(573)、proteingym(813)、pdbbind(134)

EMDB 是结构生物学的"云端硬盘"：全球冷冻电镜实验室把测出的蛋白质、病毒、核糖体等大分子的三维密度图（那张能"看见"原子位置的三维灰度体积）沉积到这里，任何人都能免费下载、免费使用。它不是某个课题组做的数据集，而是国际合作的基础设施——由 EMBL-EBI 运营、与蛋白质数据库（PDB）和原始图像库（EMPIAR）构成"图谱—坐标—原始图像"三位一体的归档体系。理解 EMDB，关键不是"它有多少标注"，而是"它如何把海量异构的电镜图谱策展成可检索、可复现、可被 AI 直接消费的公共资产"。

导语读法三则：

只想下数据：直奔 §6 获取与许可——CC0 全库开放，REST API 免认证，emd_<id>.map.gz 直下即可进 ChimeraX/PyMOL。
关心规模与增长：直奔 §2 与 §4——逐年年发布量表 + 分辨率演进 + 翻倍曲线，理解"分辨率革命"的量化证据。
做 AI/结构预测：直奔 §5 与 §7——数据模型、验证指标（Q-score）、下游 ML 工具清单，以及它和 AlphaFold 的分工边界。

§0 导读：这个"数据库"解决什么问题

在 2002 年之前，冷冻电镜测出的三维密度图大多只存在于实验室硬盘或论文补充材料里——没有统一编号、没有统一格式、没有统一元数据。一张图谱的复现依赖作者是否愿意回邮件、文件是否还在、用的是哪版软件。EMDB 要解决的就是这个可复现性危机：给每一张电镜图谱一个永久编号（EMD-1234）、一套结构化元数据、一个免费下载地址，让十年后的人仍能拿到同一份数据。

它的独特价值有三层：

归档而非数据集：EMDB 不做标注、不做划分、不发榜单。它是上游基础设施——你需要的"训练集"从它这里取原料，自己组装。
跨模态统一：单颗粒分析、螺旋重构、电子断层、子断层平均、电子晶体学——五种原理不同的技术，被统一进一套数据模型（EMDB XML / PDBx-mmCIF 的 em 命名空间）。
三方协作：电镜实验产生三类数据——原始图像（归 EMPIAR）、三维图谱（归 EMDB）、原子坐标模型（归 PDB）。EMDB 作为中间层，向上承接 EMPIAR，向下对接 PDB，形成完整证据链。

对 AI-ready 视角而言，EMDB 是"高质量、结构化、开放许可、含明确质量量纲（分辨率/FSC/Q-score）的领域归档"的典范——它天然适合作为结构预测、图谱分割、分辨率估计等任务的原料池，但也正因为它不是数据集，使用者必须自己承担"筛选、清洗、划分"的全部工作。本条目就是要把这套"原料如何变成可用数据集"的隐性知识显性化。

0.1 为什么冷冻电镜需要专门的归档库

冷冻电镜与它之前的结构解析技术（X 射线晶体学、NMR）有一个本质差异：它产出的是"图像"而非"坐标"。X 射线实验的最终产物是一套原子坐标（每个原子的位置），可以直接存进 PDB；而冷冻电镜实验的原始产物是成千上万张二维电子显微图像，经计算重建后得到一张三维密度图——这张图是"证据"，而不是"结论"。原子坐标是研究者从密度图中解释出来的模型，可能与图谱有出入。

因此冷冻电镜需要三层归档：

原始二维图像（证据的最底层）→ EMPIAR
三维密度图（重建结果）→ EMDB
原子坐标模型（解释结果）→ PDB

EMDB 处在中间，是"从证据到结论"的枢纽。如果不归档密度图，只归档原子坐标，那么后人无法验证"这个坐标模型是否忠实地解释了图谱"——科学可复现性就断了链。这正是 EMDB 存在的根本理由。

0.2 本条目回答的五个核心问题

EMDB 是什么、和 PDB/EMPIAR/AlphaFold 如何分工（§1、§6、§8）
EMDB 有多少数据、质量如何、增长多快（§2、§4）
EMDB 的数据模型与沉积流程是怎样的（§3、§5）
如何把 EMDB 这个归档变成 AI 可用数据集（§7）
使用 EMDB 的许可边界与常见坑（§10、§11）

§1 数据集速览：十问十答

Q1：EMDB 是什么？
Electron Microscopy Data Bank（电镜数据库），一个公共归档库，存储冷冻电镜（cryo-EM）测出的蛋白质等大分子的三维密度图（density map）和代表性断层图（tomogram）。

Q2：它和 PDB 有什么区别？
PDB 存原子坐标（每个原子的 xyz 位置），EMDB 存密度图（三维体积灰度，反映电子密度分布）。一张电镜图谱沉积后，图谱进 EMDB（EMD-xxxx），基于它建出的原子模型进 PDB（如 7bv2），二者通过 ID 互链。

Q3：谁在运营？
EMBL-EBI（欧洲分子生物学实验室-欧洲生物信息研究所），英国 Hinxton。2002 年 Kim Henrick 领导建立；2007 年 RCSB PDB 加入联合运营；2013 年 PDBj 加入；2021 年 1 月 1 日起成为 wwPDB（全球蛋白质数据库）核心存档。

Q4：有多少数据？
截至 2026-10-15，累计 63,259 条。2025 年单年发布 11,657 条（首破万条）；2025 年底累计 52,921 条。

Q5：覆盖哪些技术？
五类：单颗粒分析（SPA，占 82.8%）、螺旋重构（helical）、电子断层（tomography）、子断层平均（STA）、电子晶体学（EC）。

Q6：数据许可是什么？
CC0 1.0 Universal（公共领域奉献）——全库统一，免费、无使用限制、可商用、可再分发。这是最宽松的许可之一。

Q7：怎么获取？
四种方式：① Web 门户 https://www.ebi.ac.uk/emdb/ 检索；② REST API https://www.ebi.ac.uk/emdb/api/（JSON，免认证、无 API key）；③ FTP ftp://ftp.ebi.ac.uk/pub/databases/emdb 批量；④ RCSB/PDBj 联合查询。

Q8：文件格式？
密度图是 CCP4 / MRC 格式（文件名 emd_<id>.map.gz），可用 UCSF ChimeraX、PyMOL、CCP4 工具读取。元数据历史为 XML、新条目为 mmCIF。

Q9：能直接用于训练 AI 吗？
可以取用（CC0 无法律障碍），但EMDB 本身无 train/test split——你需要自己按分辨率、模态、物种、发布时间筛选并划分。这是它作为"归档"而非"数据集"的本质区别。

Q10：它和 AlphaFold 什么关系？
互补：EMDB 是实验测得的密度图；AlphaFold DB 是AI 预测的原子结构。EMDB 条目可关联 AlphaFold 结构（论文列明），但两者数据来源与性质完全不同，不可混用。

§2 数据构成与规格

2.1 规模、来源与机构构成

EMDB 的数据来自全球冷冻电镜实验室的主动沉积，不是某个团队的采集项目。任何做 cryo-EM 结构解析的实验室，在发表论文时通常被期刊要求把密度图沉积到 EMDB。因此 EMDB 的构成本质上反映了全球结构生物学界的研究分布。

机构构成（官方 About 页 + NAR 2024 论文）：

角色	机构	职责
Archive Keeper	EMBL-EBI（英国 Hinxton）	存档管理、欧洲/非洲生物策展
核心成员	RCSB PDB（美国）	美洲、大洋洲沉积与策展
核心成员	PDBe（EMBL-EBI）	欧洲、非洲沉积与策展
核心成员	PDBj（日本）	亚洲沉积与策展
准成员	PDBc（蛋白质数据库中国）	上海高等研究院、上海科技大学支持
核心成员	BMRB	生物磁共振数据（非 EM）

规模硬数字（官方统计页，抓取时点 2026-10-15）：

年份	年发布量	累计
2002	8	8
2005	45	131
2010	223	890
2015	640	3,365
2016	1,075	4,440
2017	1,104	5,544
2018	1,773	7,317
2019	2,431	9,748
2020	3,820	13,568
2021	4,481	18,049
2022	6,134	24,183
2023	7,762	31,945
2024	9,319	41,264
2025	11,657	52,921
2026（至 10-15）	10,338	63,259

增长叙事：2019 年全库才 10,000 条（用了 17 年），而 2025 单年即发布 11,657 条（超过 2019 年之前全库总量）。这是"分辨率革命"（2014，直接电子探测器引入）之后，冷冻电镜从"少数顶尖实验室的奢侈技术"变为"常规结构解析手段"的直接证据。

2.2 密度图规格与文件格式

EMDB 存储的核心资产是三维密度图（3D density map / volume），即一张三维网格，每个格点存一个电子密度（或库仑势）数值。

单条目实抓样例（EMD-30210，SARS-CoV-2 RdRp 复合物与瑞德西韦，2026-10-15 实抓 REST API）：

字段	值
EMDB ID	EMD-30210
标题	The nsp12-nsp7-nsp8 complex bound to the template-primer RNA and triphosphate form of Remdesivir(RTP)
沉积日期	2020-04-09
发布/更新	2020-04-22 / 2024-03-27
状态	REL（已发布）
分辨率	2.5 Å（BY AUTHOR，FSC 0.143 cutoff）
成像方法	单颗粒分析（singleParticle）
显微镜	FEI TITAN KRIOS，300 kV，场发射枪
探测器	Gatan K2 Summit 4k×4k，计数模式
总电子剂量	64.0 e/Å²
重建用图数	130,386 张
Map 文件	`emd_30210.map.gz`，CCP4 格式，28,312 KB
维度	192×192×192；像素间距 1.014 Å
关联 PDB	7bv2（FULLOVERLAP）
主引文献	Science 2020;368:1499-1504，doi:10.1126/science.abc1560

从这一条即能看出 EMDB 记录的信息密度：不仅有图谱文件，还有完整的实验参数（显微镜型号、电压、探测器、电子剂量）、重建参数（用图数、分辨率与判定标准）、样品来源、关联坐标与文献。这正是"元数据策展"的价值——单看图谱文件（一堆灰度数字）无法复现，加上元数据才成为可信科学记录。

格式统一性：所有密度图统一为 CCP4 / MRC 格式（社区通用体数据格式），保证任何标准工具（ChimeraX、PyMOL、CCP4、RELION、cryoSPARC 等）都能直接读取。这是 EMDB 对下游可用性的关键承诺。

2.3 模态体系：五类技术一个库

EMDB 覆盖五类电子显微技术，全部统一进同一套数据模型：

模态	英文	2022 年底占比	说明
单颗粒分析	single-particle analysis (SPA)	82.8%	主流：分散颗粒成像后计算重建
子断层平均	subtomogram averaging (STA)	合计 17.2%	断层图中重复结构平均提高信噪比
电子断层	electron tomography	合计 17.2%	倾斜系列成像重建三维
螺旋重构	helical reconstruction	合计 17.2%	螺旋对称结构（病毒衣壳、纤维）
电子晶体学	electron crystallography (EC)	合计 17.2%	二维晶体，可到原子级分辨率

关键结构性事实：SPA 占据压倒性主流（82.8%）。这意味着任何"从 EMDB 构建 AI 数据集"的工作，若不刻意平衡，会天然得到近乎纯 SPA 的样本分布。做多模态鲁棒性研究时，稀有模态（尤其电子晶体学，全库仅个别原子级条目）样本极度稀缺。

2.4 分辨率：一个持续演进的量纲

分辨率是电镜图谱质量的核心量纲，EMDB 的演进史在分辨率上体现得最直白：

2015 年：全库均值约 15 Å（当时 2,600 条）
2022 年：>60% 条目优于 4 Å（4034/6139）；>20% 达亚 3 Å（1299/6139）
2022 年仅 SPA 就有 307 个 ≤10 Å 图谱
原子级分辨率（<1.2 Å，Sheldrick 标准）：SPA 2 个 + 电子晶体学 28 个（极稀有）
维基 2025 口径：全库 >50,000 条，平均分辨率 7.6 Å

口径冲突存照：维基给"全库均值 7.6 Å"，NAR 论文给"分布（>60% 优于 4 Å）"。两者不矛盾——均值被大量低分辨率历史条目拉高，而新条目集中在 3-4 Å。引用时不可混用：说"质量提升"用分布数，说"典型图谱"用均值。

分辨率对 AI 使用的意义：分辨率决定了下游任务的可解性。4 Å 以上可做整体形状分割、构象分类；3 Å 以下才谈得上残基级建模。构建训练集时，分辨率是最常用的筛选阈值（如 <3 Å、<4 Å）。

2.5 存储与访问流量

存档量（2022 年底）：8.9 TB
年下载量（2022）：>24 TB（同比 +33%）
增长模型：约 2.5 年翻倍；NAR 2024 论文预测 2025 达 5 万条、2028 达 10 万条——2025 年实际已破 5 万，预测被验证

流量与存储的快速增长是 EMDB 面临的核心工程挑战：既要持续接纳指数级增长的数据，又要维持策展质量与访问速度。论文亦提及正开发沉积 API（允许软件包直接沉积）与 ORCID 登录以应对规模压力。

§3 数据模型与元数据标准

3.1 EMDB 数据模型的三层结构

EMDB 的核心竞争力不在图谱本身，而在其结构化数据模型。每条记录按三大块组织：

样品与生物学信息（sample）：大分子复合物名称、天然来源生物（NCBI taxon）、表达宿主、UniProt 参照、配体（小分子、离子、水）
成像设置（em_imaging）：显微镜型号、加速电压、电子源、成像模式（明场/暗场）、探测器型号与模式、每张图像电子剂量
重建与处理（em_processing / reconstruction）：重建软件、使用图像数、分辨率估计与判定标准（如 FSC 0.143）、对称性、初始模型

这套模型以 EMDB XML schema 表达，并通过 PDBx/mmCIF 字典的 em 命名空间（如 em_imaging 类）与 PDB 系统对齐。

3.2 OneDep：统一沉积系统

2016 年起，EMDB 的沉积并入 wwPDB 的 OneDep 统一系统（此前用 EMdep 界面）。OneDep 同时处理 3DEM、X 射线晶体学、NMR 三类结构的沉积、验证与生物策展。

沉积工作流五步：

沉积者提交最终密度图 + 完整元数据
若存在原子模型，必须提供 PDB ID（建立 EMDB↔PDB 链接）
自动验证（EMVTF 标准）：FSC 曲线、map-to-model fit、局部分辨率变异
人工策展：专家 biocurator 核查元数据完整性、分辨率声明、社区标准一致性
通过后分配 EMDB ID（EMD-xxxx），关联论文发表后公开

策展地域分工：RCSB（美洲/大洋洲）、PDBe+EMDB 团队（欧洲/非洲）、PDBj+PDBc（亚洲）。这是 wwPDB 的全球分工，保证任何地区沉积者都获得一致体验。

3.3 发布规则与半图强制

发布周期：每周三 UTC 00:00 公开释放
强制公开：沉积满一年未发表即自动公开（保证数据不因论文拖延而被长期封锁）
半图（half-maps）强制（2022-02-25 起）：对相关模态，沉积必须提供未过滤、未遮罩、未锐化的原始半图。半图是独立重建的两半数据，是验证分辨率的金标准输入——强制半图大幅提升了 EMDB 数据的可信度。

3.4 验证指标的 tiered 体系

EMDB 采用分层（tiered）验证策略：

层级	指标	用途
Tier 1-2	FSC 曲线、map-to-model fit、局部分辨率	先在 EMDB 网站展示，收集社区反馈
Tier 3	Q-score（原子可解析性）、atom-inclusion score	纳入 wwPDB 验证报告

Q-score 是最近加入的 tier-3 指标，测量每个残基的原子可解析性，补充分辨率这一单一量纲——因为"同一个分辨率"下，不同区域的真实可解析程度可能差异巨大。wwPDB 强烈建议沉积者向期刊提交 PDF 格式的保密验证报告。

验证任务组（Validation Task Force, EMVTF）：2010 年首次召开，2020 年第二次会议，负责制定与更新验证标准。

3.5 数据模型实例解读：EMD-30210 的完整信息链

以 EMD-30210（SARS-CoV-2 RdRp 复合物与瑞德西韦）为例，展示一条记录从生物学到工程参数的完整信息链：

生物学层：

样品：nsp12-nsp7-nsp8 复合物 + 模板-引物 RNA + 瑞德西韦三磷酸（RTP）
天然来源生物：SARS-CoV-2（NCBI 2697049）
超分子复合物来源：SARS bat coronavirus（NCBI 1431340）
表达宿主：Spodoptera frugiperda（草地贪夜蛾，NCBI 7108）
UniProt 参照：P0DTD1
配体：锌离子（×2）、焦磷酸（POP）、镁离子（×2）、瑞德西韦三磷酸（F86）、水（×5）

成像层：

显微镜：FEI TITAN KRIOS；电压 300 kV；场发射枪
成像模式：明场；探测器 Gatan K2 Summit 4k×4k（计数模式）
总电子剂量：64.0 e/Å²

重建层：

方法：单颗粒分析；使用图像数 130,386 张
分辨率：2.5 Å（BY AUTHOR，FSC 0.143 cutoff）
初始模型：EMD-0520；处理站点：PDBj

文件层：

emd_30210.map.gz，CCP4 格式，28,312 KB
维度 192×192×192；像素间距 1.014 Å；空间群 1

关联层：

PDB：7bv2（FULLOVERLAP）
主引文献：Science 2020;368:1499-1504，doi:10.1126/science.abc1560，PMID 32358203

解读要点：从这一条可以读出 EMDB 作为"科学记录"的完整度——研究者能据此复现实验条件（显微镜、剂量）、理解数据性质（分辨率、方法）、定位关联资源（PDB、文献）。这正是"归档"与"文件堆"的区别：EMDB 记录的是可复现的科学过程，而不只是结果文件。

对 AI 使用的启示：这些结构化字段（分辨率、方法、物种、分子量、剂量）都是可用的条件标签或筛选维度。例如可按"分辨率 <3 Å + 单颗粒 + 病毒来源"精确筛选出一批高质量图谱作训练子集。

3.6 元数据格式演进：XML → mmCIF

EMDB 的元数据格式正在经历一次迁移：

格式	状态	特点
EMDB XML schema	历史条目	EMDB 自有 schema，与 PDBx 字典对齐
PDBx/mmCIF	新条目	通过 `em` 命名空间表达电镜专用字段，与应用 PDB 的格式统一

迁移意义：mmCIF 是 wwPDB 三大核心存档（PDB/EMDB/BMRB）的通用格式，统一后 EMDB 元数据可与 PDB 元数据在同一框架下解析，降低整合使用门槛。官方计划逐步扩展至全库，同时保留 XML。

对使用者的影响：程序化解析时需注意格式差异——老条目用 XML，新条目有 mmCIF。REST API 已做统一封装（返回 JSON），因此通过 API 访问可规避格式差异；但直接下载原始元数据文件时需区分。

§4 规模与增长的定量解剖

4.1 指数增长的三重证据

证据一：年发布量。从 2002 年的 8 条到 2025 年的 11,657 条，年发布量呈指数增长。2019-2025 六年内从 2,431 增至 11,657，年均增长率约 30%。

证据二：翻倍周期。NAR 2024 论文测算约 2.5 年翻倍。验证：2020 年底累计 13,568，2022 年底 24,183，约 2 年翻倍；2022 年底 24,183 → 2025 年底 52,921，约 2.5 年翻倍。预测成立。

证据三：里程碑事件。2025 年单年首破 10,000 条——对比 2019 年全库才 10,000 条（17 年积累），“一年的产出等于过去 17 年”。

4.2 跨库对比：EM 正在超越 X 射线

NAR 2024 论文的一个重要预测：2025 年 PDB 中 3DEM 条目年发布量将超过 MX（大分子晶体学/X 射线）条目。这一预测若成立，标志着结构生物学的方法论代际更替——冷冻电镜从补充手段变为主流手段，尤其在膜蛋白、大型复合物、柔性构象等 X 射线难解的对象上。

wwPDB AC 2025 会议材料给出的模态细分趋势（截至 2025-09-10）印证了 SPA 的绝对主导地位持续巩固。

4.3 规模对使用者的双重影响

正面：数据量越大，AI 训练的样本基础越厚。6.3 万条图谱（含分辨率、模态、物种多维标签）是结构生物学 AI 的宝贵原料池。

负面（必须清醒）：

分布失衡：SPA 占 82.8%，罕见模态样本稀少，直接用会导致模态偏差
质量参差：从 <1.2 Å 原子级到 >15 Å 低分辨率并存，需按任务筛选
冗余：同一复合物常有多个条目（不同实验室、不同构象、不同分辨率），需去重
无划分：没有官方 train/test split，"如何划分"本身是使用者的方法论决策（按时间？按物种？按分辨率？——不同划分对应不同评测问题）

4.4 逐年年发布量的结构解读

把逐年年发布量拆开看，能读出三个阶段性特征：

阶段	年份区间	特征	年发布量区间
萌芽期	2002-2009	建库与早期采纳，年发布量两位数	8 - 216
成长期	2010-2016	分辨率革命前后，稳步爬升	223 - 1,075
爆发期	2017-2026	指数增长，单年破万	1,104 - 11,657

2016-2017 年是关键拐点：年发布量从 1,075 跃至 1,104（平台期），随后 2018 年跳至 1,773、2019 年 2,431——与 OneDep 统一沉积系统（2016 上线）降低沉积摩擦、直接电子探测器普及的时间线吻合。这是"基础设施改善 → 数据涌入"的正反馈循环的典型范例。

4.5 分辨率革命的量化证据链

“分辨率革命”（Resolution Revolution，约 2014 年，直接电子探测器引入）不是宣传口号，而是可被 EMDB 数据量化的现象：

革命前（2015 年）：全库约 2,600 条，均值分辨率约 15 Å
革命后（2022 年）：>60% 条目优于 4 Å，>20% 达亚 3 Å
原子级（<1.2 Å）：虽仍稀有（SPA 2 + EC 28），但革命前几乎不可想象

方法学意义：分辨率的跃升直接扩大了可解问题的空间——4 Å 以上只能定整体形状与构象，3 Å 以下才谈得上残基级建模、药物结合位点分析。EMDB 数据因此成为"分辨率-任务可解性"研究的天然样本库。

4.6 与 X 射线（MX）条目量的历史性交叉

NAR 2024 论文的一个标志性预测：2025 年 3DEM 条目年发布量将超过 X 射线（MX）条目。wwPDB AC 2025 会议材料的模态细分数据（截至 2025-09-10）虽来自会议材料（非官网实时），但印证了 SPA 的绝对主导与电镜数据的持续涌入。

这一交叉若成立，意味着结构生物学的主流入库方法发生代际更替：从"X 射线晶体学主导"转向"冷冻电镜主导"。对 AI 使用者的含义是：可预见的未来，cryo-EM 图谱（EMDB）将成为结构相关 ML 任务最丰富、最开放的实验数据源。

4.7 规模数字的引用守则

因 EMDB 持续增长，所有规模数字必须标时点：

❌ “EMDB 有 6 万条”（无时点，很快过时）
✅ “EMDB 截至 2026-10-15 累计 63,259 条”
✅ “2025 年单年发布 11,657 条（首破万条）”

同时注意口径分层：官网实时数（总量+逐年发布量）是权威口径；模态细分、均值分辨率等来自论文/会议材料，属滞后口径，引用时须注明来源与年份。

§5 获取、许可与工程接口

5.1 许可：CC0 1.0 的极简主义

EMDB 的许可在整个生物医学数据生态中属最宽松一档：CC0 1.0 Universal（公共领域奉献）。三源一致确认：

NAR 2024 论文：PDB、EMDB、BMRB 三大核心存档均在 FAIR 原则下运行，采用 CC0 1.0，免费无使用限制
re3data 注册记录：Data access = open；Data license = “Public Domain”
NIAID Data Discovery Portal：License CC0 1.0 Universal；No Cost Access / Open Access

CC0 意味着什么（对 AI 使用者的实际意义）：

可自由下载、复制、修改、再分发
可商业使用（无 NC 限制，这是它优于许多医学数据集的根本点）
无署名强制（但学术惯例仍需引用，且官网明确要求引用）
可打包进任何衍生数据集、预训练语料、商业产品

引用要求（官网 Citing EMDB 段落）：

论文/网页须引用 wwPDB Consortium. Nucleic Acids Research 2024;52(D1):D456-D465. doi:10.1093/nar/gkad1019
引用单条目须引 EMDB accession code（EMD-xxxx）+ 该条目的原始论文

5.2 四种访问方式

方式一：Web 门户
https://www.ebi.ac.uk/emdb/——按 ID、关键词、分辨率、物种、关联 PDB 检索。含浏览器内可视化工具（可直接看密度图、叠加原子模型）。

方式二：REST API（免认证，AI 友好的关键入口）
https://www.ebi.ac.uk/emdb/api/——JSON 响应，无需认证、无 API key。核心端点：

/entry/{emdb_id}：条目完整元数据（如 /entry/EMD-30210）
/entry/{emdb_id}/map：map 文件下载信息（URL、大小、格式）
/search/?q=...&rows=...&start=...：全文检索，返回 numFound 与 results

另有 PDBe 侧 API：https://www.ebi.ac.uk/pdbe/api/doc/emdb.html

方式三：FTP 批量
ftp://ftp.ebi.ac.uk/pub/databases/emdb——适合全库或大规模批量下载，AI 训练取原料的首选。

方式四：联合查询
RCSB PDB、EMBL-EBI、PDBj 均可查询 EMDB 数据（镜像/联合）。

5.3 API 实操骨架（Python）

import requests

EMDB_API = "https://www.ebi.ac.uk/emdb/api"

# 1) 全文检索：找样本
def emdb_search(query, rows=10, start=0):
    r = requests.get(f"{EMDB_API}/search/",
                     params={"q": query, "rows": rows, "start": start},
                     timeout=30)
    r.raise_for_status()
    return r.json()

data = emdb_search("ribosome 70S bacterial", rows=10)
print("Total:", data.get("numFound"))
for e in data.get("results", []):
    print(e.get("emdbId"), e.get("resolution"),
          e.get("imageAcquisition", {}).get("imagingMethod"), e.get("title", "")[:60])

# 2) 单条目元数据
entry = requests.get(f"{EMDB_API}/entry/EMD-30210", timeout=30).json()
header = entry["map"]["header"]
print("Title:", header["title"], "| Deposited:", header["depositionDate"])
resol = entry["processing"]["reconstruction"]["resolutionByAuthor"]
print("Resolution:", resol)

# 3) Map 文件下载信息
map_info = requests.get(f"{EMDB_API}/entry/EMD-30210/map", timeout=30).json()
print(map_info)

分辨率筛选注意：API 的 search 端点不原生支持数值范围过滤，resolution 字段返回后需在本地（pandas）做阈值筛选。

5.4 与其他库的分工（检索者最易混的点）

你需要什么	去哪个库	说明
三维密度图（图谱）	EMDB	`emd_<id>.map.gz`，CCP4/MRC
原子坐标（原子 xyz）	PDB	实验测定的原子模型
原始图像（帧图像）	EMPIAR	生成图谱的底层原始数据
AI 预测结构	AlphaFold DB	非实验，预测模型

常见误区：① 想下"图谱"却去 PDB（PDB 只有坐标，无密度图）；② 想下"原子模型"却去 EMDB（EMDB 只有图谱，坐标在 PDB）；③ 想下"原始图像"却去 EMDB（在 EMPIAR）。EMDB 官网明确三者协作关系：EMDB 存图谱、PDB 存坐标、EMPIAR 存原始数据。

5.5 AI-Ready 视角的工程要点

无需认证：无 API key，脚本可无摩擦批量抓取
格式标准：CCP4/MRC 是所有体数据工具的通用格式，无需格式转换即可进训练管线
元数据丰富：分辨率、模态、物种、显微镜型号、剂量——都是可做条件标签或筛选维度的结构化字段
ID 稳定：EMD-xxxx 为持久标识，可作数据集主键
缺划分：本库不提供 train/test split，须自行设计

§6 生态与互链：在结构生物学数据网络中定位

6.1 三方协作归档体系

EMDB 不是孤岛，而是电镜实验证据链的中间层：

冷冻电镜实验
   │
   ├── 原始帧图像 ──────────► EMPIAR（Electron Microscopy Public Image Archive）
   │
   ├── 三维密度图 ──────────► EMDB（本条目）
   │                              │
   └── 原子坐标模型 ────────► PDB（Protein Data Bank）◄──┘
                                  （EMDB↔PDB 通过 ID 互链）

一条电镜实验往往同时沉积三处：图谱进 EMDB、坐标进 PDB、原始图像进 EMPIAR。三者的 ID 互相链接，构成完整可复现的证据链。

6.2 与关联资源的集成

NAR 2024 论文列出的 EMDB 关联资源：

AlphaFold 蛋白质结构数据库：EMDB 条目可关联 AI 预测结构（互补：实验 vs 预测）
SASBDB（小角散射）：溶液散射数据
PDB-Dev：整合建模的坐标
EMPIAR：原始图像

与 AlphaFold 的关系辨析（AI 使用者最需区分）：

EMDB = 实验测得的密度图（真实物理测量，有分辨率量纲、有实验误差）
AlphaFold DB = AI 预测的原子坐标（无实验测量，是模型输出）
二者在库内均有条目（EMDB 本条目、alphafold rid=573），且可互链——但它们代表"测量"与"预测"两种根本不同的知识，不可混用于同一评测。

6.3 库内可互链条目（含 rid）

库内条目	rid	与本条目的关系
pdb	43	孪生库：EMDB 存图谱、PDB 存原子坐标，ID 互链
cryonuseg	844	下游：用 cryo-EM 数据做分割任务，EMDB 是其上游数据源
alphafold	573	互补：实验图谱 vs 预测结构
proteingym	813	同域：蛋白质适应度预测，结构生物学邻域
pdbbind	134	下游：PDB 结合亲和力数据集
human-protein-atlas	404	中相关：蛋白质空间表达图谱（领域不同但同属蛋白组学）
hetionet	832	中相关：生物医学知识图谱

消歧警示（勿混链）：polypdb（rid=779，结直肠息肉）、hvdropdb（rid=893，视网膜病变） 名称含 “PDB” 但与本条目（电镜/结构生物学）领域完全无关，仅名称后缀巧合，禁止误链。

库内缺口存照：EMPIAR、EMDataBank.org、BMRB 均无独立条目，互链时无法链向这些关联库，仅能链向已有的 PDB 等。

6.3b 库内同域条目关系图谱

把库内结构生物学/蛋白组学相关条目画成关系图谱，能帮助检索者定位：

                 ┌─────────────┐
                 │  EMDB (本条) │  ← 冷冻电镜密度图归档
                 └──────┬──────┘
          ┌─────────────┼─────────────┐
          ▼             ▼             ▼
    ┌─────────┐   ┌──────────┐   ┌───────────┐
    │ pdb(43) │   │cryonuseg │   │alphafold  │
    │ 原子坐标 │   │(844)分割 │   │(573)预测  │
    └────┬────┘   └──────────┘   └───────────┘
         ▼
    ┌──────────────┐   ┌────────────┐
    │pdbbind(134)  │   │proteingym  │
    │结合亲和力     │   │(813)适应度 │
    └──────────────┘   └────────────┘

    中相关：human-protein-atlas(404)、hetionet(832)
    禁止误链：polypdb(779)、hvdropdb(893)（名称含 PDB 但领域无关）

互链决策建议：

强链：pdb(43) 必链（孪生库）；cryonuseg(844)、alphafold(573) 强烈建议（同域互补）
中链：proteingym(813)、pdbbind(134)、human-protein-atlas(404)、hetionet(832)
不链：polypdb(779)、hvdropdb(893)——名称诱饵，领域无关

6.3c 结构生物学"三方协作"的检索工作流

一个典型的结构生物学研究检索工作流，展示三方库如何串联：

起点：研究某蛋白复合物，先在 EMDB 搜索其密度图（得 EMD-xxxx）
取坐标：从条目的 fitted PDB models 字段得到 PDB ID，去 PDB 取原子坐标
取原始数据：若需复现重建，从条目关联的 EMPIAR ID 去 EMPIAR 取原始图像
对比预测：如该复合物在 AlphaFold DB 有预测，对比实验图谱与预测结构
下游任务：用 cryonuseg(844) 等下游数据集的方法做图谱分割/分析

这条工作流体现了 EMDB 作为"枢纽"的检索价值——它是连接实验测量（图谱）、原子模型（坐标）、原始数据（图像）、预测结构（AlphaFold）的中转站。

6.4 下游生态与应用场景

EMDB 数据在各领域被广泛使用（官方资料 + 论文综述）：

结构生物学研究：验证模型、研究同源复合物、比较构象
计算研究：挖掘归档，开发图谱分割算法、ML map 分析方法
药物发现：药企参考 EMDB 条目理解靶点蛋白在近天然状态下的构象
整合建模：EM 数据 + X 射线/NMR 数据联合建模大型复合物
教育：教学材料、注释示例
AI/ML 工具开发（NAR 2024 论文列举）：颗粒挑选、颗粒修剪、体数据锐化、局部分辨率估计、二级结构检测、残基级质量估计、模型构建

6.5 CryoEM Map Challenge / Model Challenge

EMDB 主办 CryoEM Map Challenge 与 CryoEM Model Challenge，评估新一代高分辨率（<5 Å）结构的解析方法，成果发表于 Journal of Structural Biology 2018;204(1) 特刊（Lawson & Chiu 编）。这是 EMDB 超越"归档"角色、参与方法学评估的体现——但注意：这是周期性挑战活动，不是 EMDB 库本身的常设 benchmark。

§7 使用指南：如何把归档变成 AI 数据集

7.1 为什么"直接用"是陷阱

EMDB 是归档库，不是数据集。直接全量下载用于训练会遇到四个问题：

模态偏斜：SPA 占 82.8%，模型会过拟合单颗粒分析
质量跨度大：<1.2 Å 到 >15 Å 混在一起，低分辨率图谱做精细任务会引入噪声
冗余：同一复合物多条目，测试集可能泄漏训练集信息
无标签体系：EMDB 没有"任务标签"，只有实验元数据——任务标签须自己定义

7.2 构建流程建议（SOP）

步骤一：明确任务与筛选维度

任务类型：分割？分辨率估计？构象分类？map-to-model 匹配？颗粒挑选？
筛选维度：分辨率（如 <4 Å）、模态（如仅 SPA）、物种、分子量、发布日期

步骤二：API 批量抓取元数据

# 先抓元数据（轻量），本地筛选后再下 map（重量）
# 通过 search 端点翻页抓取候选集，落表

步骤三：去冗余

按复合物 / UniProt / 关联 PDB 去重，避免同一分子多次入集

步骤四：划分 train/val/test（关键决策）

按时间划分：训练用旧条目、测试用新条目 → 考验泛化到新数据
按物种划分：测试用未见物种 → 考验跨物种泛化
按分辨率分层：保证各分辨率段都有覆盖
不可随机划分同一复合物的不同构象——会泄漏

步骤五：下载 map 文件

经 /entry/{id}/map 取下载 URL，或用 FTP 批量
统一重采样到目标网格（注意像素间距差异）

步骤六：质量校验

用 FSC / Q-score 等元数据做质量门槛
抽样人工核验

7.3 与库内其他数据结合

EMDB + PDB：图谱作输入、PDB 坐标作监督（map-to-model 任务）
EMDB + AlphaFold：实验图谱 vs 预测结构，做预测质量评估
EMDB + cryonuseg(844)：图谱分割任务的数据源与标注参考

7.4 使用注意事项（法律与科学）

法律：CC0 无限制，可商用——但学术规范仍应引用
科学：分辨率是质量量纲，不要把低分辨率图谱当高分辨率用；同一复合物的不同条目可能有不同构象，需核对
复现：记录所用 EMDB accession 列表（可复现性基础）
时点：本库持续增长，抓取时点须记录（本条目为 2026-10-15），后续引用者数据量会更大

7.5 常见误用清单

误用	后果	正解
未筛分辨率全量训练	低质量样本污染	按任务设分辨率阈值
随机划分含同一复合物	测试集泄漏	按复合物分组划分
把 EMDB 当 PDB 用	找不到原子坐标	坐标去 PDB
想下原始图像去 EMDB	找不到	去 EMPIAR
混用均值分辨率与分布口径	引述错误	分清均值/分布
误链 polypdb/hvdropdb	领域混淆	消歧，勿链

7.6 五个典型 AI 应用场景（含数据用法）

场景一：图谱分割（density map segmentation）

任务：把密度图按链/域分割成不同区域
数据用法：EMDB 图谱作输入，关联 PDB 坐标作监督信号
挑战：不同分辨率下分割粒度不同；低分辨率图谱边界模糊
关联库内条目：cryonuseg(844) 有现成分割标注可参考

场景二：分辨率估计（resolution estimation）

任务：给定图谱预测其分辨率或质量
数据用法：EMDB 元数据中的 resolution 字段作标签，图谱作输入
优势：6+ 万条带分辨率标签的图谱，是天然的回归数据源
挑战：分辨率是作者声明（BY AUTHOR），存在主观性

场景三：map-to-model 匹配

任务：判断原子模型与图谱是否匹配、拟合质量如何
数据用法：EMDB 图谱 + 关联 PDB 坐标配对
优势：约 55% 条目有 PDB 对应，可构建正样本对
挑战：需构造负样本（错配模型）

场景四：颗粒挑选（particle picking）

任务：从原始图像中挑出目标颗粒
数据用法：需 EMPIAR 原始图像（EMDB 只给重建结果）
这是论文列出的 EMDB 数据支持的 ML 工具方向之一

场景五：构象分类

任务：对同一复合物的不同构象状态分类
数据用法：同一复合物的多条目（不同构象）作类别
挑战：需按复合物归并，类别数不均衡

7.7 数据准备三步决策清单

使用 EMDB 建数据集前，先回答三个问题：

任务需要图谱还是坐标？ 图谱→EMDB 直取；坐标→顺 PDB 链接
质量门槛设多少？ 按任务定分辨率阈值（见附录 P）
如何防泄漏？ 按复合物/UniProt 分组划分，禁止随机划分

回答完这三问，再进入抓取与清洗流程（见 §7.2 与附录 J）。

§8 与其他结构生物学资源的对照

8.0 结构生物学数据生态全景

理解 EMDB 的定位，需先看清电镜实验产生的数据如何分布在整个结构生物学数据生态中：

数据类型	归属库	内容	本库条目
原始帧图像	EMPIAR	显微镜拍的原始图像	无独立条目
三维密度图	EMDB	重建后的图谱	本条目
原子坐标	PDB	原子 xyz 模型	pdb(43)
结合亲和力	PDBbind	蛋白-配体亲和力	pdbbind(134)
AI 预测结构	AlphaFold DB	预测坐标	alphafold(573)
蛋白质适应度	ProteinGym	突变适应度	proteingym(813)
分割任务集	cryoNuseg	cryo-ET 分割标注	cryonuseg(844)

从这张表能看出 EMDB 的"中间层"定位：它向上承接 EMPIAR 的原始图像，向下对接 PDB 的原子坐标，是电镜证据链的枢纽。

8.1 EMDB vs PDB：图谱与坐标的分工

维度	EMDB	PDB
存储对象	三维密度图（体积）	原子坐标（xyz）
文件格式	CCP4 / MRC（map.gz）	PDB / mmCIF
主要方法	cryo-EM（SPA/EC/tomo 等）	X 射线、NMR、cryo-EM 建出的模型
条目 ID	EMD-xxxx	4 字符（如 7bv2）
关系	图谱	基于图谱或独立解析的坐标

关键：一个 cryo-EM 实验通常两处都沉积——图谱进 EMDB、坐标进 PDB，二者 ID 互链（如 EMD-30210 ↔ 7bv2）。约 55% 的 EMDB 条目在 PDB 有对应坐标（NAR 2024）。

8.2 EMDB vs EMPIAR：图谱与本底数据

EMPIAR（Electron Microscopy Public Image Archive）存原始电镜图像——显微镜拍到的帧图像，是"从图像重建图谱"这一计算过程的输入端。EMDB 存的是重建结果图谱。要做"从原始图像重建图谱"的 AI 任务，输入在 EMPIAR、监督在 EMDB。

8.3 EMDB vs AlphaFold DB：实验 vs 预测

维度	EMDB	AlphaFold DB
数据性质	实验测量（密度图）	AI 预测（原子坐标）
质量量纲	分辨率/FSC/Q-score	pLDDT/PAE 等预测置信度
覆盖	已被实验解析的分子	近乎全蛋白质组
与真值关系	即实验真值	预测，需实验验证

二者互补不替代：EMDB 是"测量了但覆盖有限"，AlphaFold 是"覆盖全但仅预测"。论文提及 EMDB 条目可关联 AlphaFold 结构。

8.4 EMDB vs cryonuseg(844)：归档 vs 分割数据集

库内条目 cryonuseg（rid=844） 是 cryo-EM 数据的分割任务数据集——它是下游任务数据集（有明确分割标注），而 EMDB 是上游归档（无任务标注）。cryonuseg 的训练数据正来源于 EMDB 类图谱。二者关系是"原料池"与"成品数据集"。

§9 方法学启示

9.1 基础设施型资源的 AI-Ready 范式

EMDB 展示了"归档型资源"的 AI-Ready 最佳实践：

开放许可先行（CC0）
免认证 API（降低自动化门槛）
标准格式（无转换摩擦）
丰富元数据（提供筛选/标签维度）
持久 ID（可复现、可追踪）
质量量纲（分辨率/FSC/Q-score 让使用者能设质量门槛）

但它也暴露归档型资源的固有局限：不提供任务划分、不提供标签体系、不承诺分布均衡。使用者的自由度与劳动量是成正比的。

9.2 策展的价值：从"文件"到"可信科学记录"

EMDB 的最大贡献或许不是存储，而是策展——人工 biocurator 核查每条元数据、验证分辨率声明、统一术语。没有策展，密度图只是一堆数字文件；有了策展，它才成为可被信任、可被复现、可被机器消费的科学记录。这是"数据中心"与"数据堆"的分水岭。

9.3 单年破万背后的方法论迁移

2025 年单年发布超 10,000 条、预计 3DEM 条目数超 X 射线——这不是数量竞赛，而是结构生物学方法论代际迁移的量化标志。对 AI 使用者而言，这意味着 cryo-EM 数据在可预见的未来会持续成为结构预测与图谱分析任务的主流数据源。

9.4 使用成本核算：免费数据不免费使用

EMDB 数据免费（CC0），但"免费获取"不等于"零成本使用"。使用者的真实成本分布如下：

成本项	大小	说明
获取成本	极低	API 免认证、FTP 直下、无费用
存储成本	中-高	单 map.gz 数十 MB；全库 8.9 TB+，全量下载需 TB 级存储
筛选成本	高	需按分辨率/模态/物种筛选，API 不支持数值范围过滤，须本地处理
去冗余成本	高	同复合物多条目，须按 UniProt/PDB ID 归并
划分设计成本	高	无官方 split，划分方案本身是方法论决策
格式处理成本	低-中	CCP4/MRC 通用，但像素间距/网格大小不一，须重采样对齐

结论：EMDB 把"法律与获取"成本降到极低，但与所有归档型资源一样，把"清洗与就绪"成本转移给了使用者。评估"用 EMDB 做项目"的工作量时，筛选、去重、划分、重采样四项通常是主要工时来源。

9.5 归档型资源 vs 成品数据集：一张对比表

维度	归档型（如 EMDB）	成品数据集（如库内某病理数据集）
许可	极宽松（CC0）	常有限制（NC/ND/请求制）
覆盖	广而深，持续增长	聚焦单一任务
标签	无任务标签，只有元数据	有明确任务标签
划分	无	有 train/val/test
即用性	低（须自建）	高（开箱即用）
灵活性	极高（可自定任务）	低（任务固定）
复现性	使用者自担	数据集方保证

选择建议：做方法验证/基线对比用成品数据集；做大规模预训练/自定任务用 EMDB 这类归档池。二者不互斥，常组合使用（EMDB 预训练 + 小数据集微调评测）。

§10 避坑清单：八个已踩过的坑

坑 1：把 EMDB 当 benchmark 用
EMDB 无 train/test split、无榜单、无评测协议。它是归档库。混淆"归档"与"基准"会导致无法复现的评测设计。正解：在 EMDB 之上自建划分与评测。

坑 2：把 EMDB 当 PDB 用（或反之）
想找原子坐标却去 EMDB，或想找密度图却去 PDB，都会扑空。EMDB 存图谱、PDB 存坐标。正解：先明确要图谱还是坐标。

坑 3：想下原始图像去 EMDB
原始帧图像在 EMPIAR，不在 EMDB。EMDB 只有重建后的图谱。正解：需原始数据去 EMPIAR。

坑 4：混用平均分辨率与分布分辨率口径
维基说"均值 7.6 Å"，论文说">60% 优于 4 Å"——两套口径。混用会得出矛盾结论。正解：谈质量提升用分布，谈典型图谱用均值，并标注来源与时点。

坑 5：全量训练不做模态/分辨率筛选
SPA 占 82.8%，全量会导致模态偏差；分辨率跨度 <1.2 Å 到 >15 Å，低质量样本污染训练。正解：按任务设阈值（如仅 SPA + <4 Å）。

坑 6：随机划分导致同一复合物泄漏
EMDB 中同一复合物常有多个条目（不同实验室/构象/分辨率），随机划分会让同一分子的构象同时出现在训练与测试。正解：按复合物/UniProt 分组划分。

坑 7：误链名称含 “PDB” 的无关条目
库内 polypdb(779)、hvdropdb(893) 名称含 “PDB” 但领域无关（结直肠息肉、视网膜病变）。正解：互链前核对领域，勿凭名称后缀。

坑 8：忽略抓取时点
EMDB 持续增长，条目数逐月变化。引用"63,259 条"须标注"截至 2026-10-15"，否则时过境迁即失准。正解：所有规模数字标时点。

DAIMS 评估

DAIMS（Data And Interoperability Maturity Score）四维评估 EMDB 的数据成熟度：

维度	评分	理由
数据可发现性（Discoverability）	★★★★★	官方门户 + REST API + FTP + 联合查询四通道；持久 ID（EMD-xxxx）；丰富元数据支持多维检索
数据可访问性（Accessibility）	★★★★★	CC0 1.0 全库开放；API 免认证、无 key；FTP 批量；无地域/费用障碍；标准 CCP4/MRC 格式
数据互操作性（Interoperability）	★★★★★	与 PDB、EMPIAR、AlphaFold DB 等深度集成；PDBx/mmCIF 字典对齐；EMDB XML schema；社区标准格式
数据可复用性（Reusability）	★★★★☆	许可极宽松、元数据完整、格式通用，高度可复用；扣一星：无任务划分、无标签体系、模态/质量分布失衡需使用者自行处理

总评：EMDB 是基础设施级（infrastructure-grade）AI-Ready 资源——在"发现、访问、互操作"三维满分，仅在"开箱即用的任务就绪度"上留白。它适合作为原料池，不适合作为成品训练集直接投喂（除非任务恰好只需原始图谱与实验元数据）。

§11 许可与合规细读

数据许可：CC0 1.0 Universal——无版权保留，等同贡献给公共领域
可商用：是（无 NC 限制，优于 CC BY-NC 系列）
可再分发：是，可打包进衍生数据集
署名：法律上非强制，但学术规范与官网要求引用
引用格式：
- 全库：wwPDB Consortium. EMDB—the Electron Microscopy Data Bank. Nucleic Acids Research 2024;52(D1):D456-D465. doi:10.1093/nar/gkad1019
- 单条目：EMD-xxxx + 该条目原始论文
Logo 使用：公开网站使用需事先许可；演示/报告可免版税使用（官网提供 3 版 PNG）
合规提示：EMDB 数据本身无隐私风险（非患者数据，是分子结构），可自由用于商业 AI 产品——这是它与多数医学数据集的关键差异

§12 总结

12.1 三句话总结

EMDB 是冷冻电镜三维密度图的全球公共归档库，由 EMBL-EBI 运营、作为 wwPDB 核心存档，与 PDB（坐标）、EMPIAR（原始图像）构成三方协作体系。
它规模庞大且高速增长：截至 2026-10-15 累计 63,259 条，2025 单年首破 10,000 条，分辨率持续提升，SPA 占主导（82.8%）。
它以 CC0 1.0 全库开放、免认证 API 提供服务，是品质极高的 AI 原料池；但它不是数据集——无划分、无标签体系，使用者须自行完成筛选、去冗余与划分。

12.2 适合谁

需要大规模 cryo-EM 图谱作训练原料的 AI/ML 研究者
做结构预测、图谱分割、分辨率估计、map-to-model 任务的团队
需要靶点构象信息的药物发现研究者
结构生物学教学与整合建模研究者
研究科研数据基础设施的学者

12.3 不适合谁

想要"开箱即用带标签数据集"的人（EMDB 无任务标签）
想要"排行榜/评测基准"的人（EMDB 非 benchmark）
想要"原子坐标"的人（应去 PDB）
想要"原始图像"的人（应去 EMPIAR）
想要"患者数据/临床数据"的人（EMDB 是分子结构库，非临床数据）

12.4 30 秒决策卡

你的需求	结论
找 cryo-EM 密度图	✅ EMDB 就是
找原子坐标	⚠️ 去 PDB
找原始图像	⚠️ 去 EMPIAR
找预测结构	⚠️ 去 AlphaFold DB
要开箱即用带标签数据集	❌ 需自建
要排行榜 benchmark	❌ EMDB 非 benchmark
要可商用数据	✅ CC0 无限制
要免认证批量 API	✅ 有
要结构分割数据集	⚠️ 库内 cryonuseg(844) 是下游任务数据集

12.5 AI-Ready 评级总结

综合 DAIMS 四维与前述分析，EMDB 的 AI-Ready 画像可概括为：

维度	表现	一句话
法律可用	★★★★★	CC0 全库开放，无任何使用限制，可商用
技术可用	★★★★★	免认证 API + 标准格式，自动化零摩擦
元数据可用	★★★★★	分辨率/模态/物种/参数齐备，可作筛选与标签
任务就绪	★★★☆☆	无划分、无标签体系、分布失衡，须自建

一句话结论：EMDB 是**“原料极佳、成品为零”**的 AI-Ready 资源——它把最难拿到的（法律许可、海量数据、结构化元数据、标准格式）都给了你，把最需要领域判断的（筛选、去冗余、划分）都留给你。它的 AI-Ready 价值不在"开箱即用"，而在"上限极高"。

12.6 维护与更新提示

EMDB 为持续运营的国际基础设施，条目数与功能会不断演进
本条目所有规模数字截至 2026-10-15，引用者须核实时点
官方权威口径：https://www.ebi.ac.uk/pdbe/emdb/statistics_min_res.html/
建议关注：沉积 API 进展、mmCIF 全库迁移、新验证指标
若发现与本条目冲突的口径，以官方实时页面为准，并向编辑部反馈

FAQ（高频问答 32 问）

A. 基础认知

1. EMDB 全称是什么？
Electron Microscopy Data Bank（电镜数据库），别名 EM Data Bank。

2. EMDB 是数据集还是数据库？
它是归档库（archive），不是标注数据集。存密度图与元数据，无任务标签、无 train/test split。

3. 谁运营 EMDB？
EMBL-EBI（英国 Hinxton），作为 wwPDB 核心存档运营。

4. EMDB 哪年建立？
2002 年，由 Kim Henrick 在 EMBL-EBI 领导建立。

5. EMDB 和 PDB 什么关系？
孪生库。EMDB 存三维密度图（图谱），PDB 存原子坐标；二者通过 ID 互链（如 EMD-30210 ↔ 7bv2）。

6. EMDB 和 EMPIAR 什么关系？
EMPIAR 存原始电镜图像（重建的输入），EMDB 存重建后的图谱（输出）。

7. EMDB 条目 ID 长什么样？
EMD- 前缀加数字，如 EMD-30210、EMD-66552。

B. 数据与获取

8. EMDB 有多少条目？
截至 2026-10-15 累计 63,259 条（2025 年底 52,921）。

9. 数据许可是什么？
CC0 1.0 Universal（公共领域奉献），全库统一，免费无限制可商用。

10. 怎么下载数据？
Web 门户、REST API（免认证）、FTP 批量，或 RCSB/PDBj 联合查询。

11. API 需要 API key 吗？
不需要。https://www.ebi.ac.uk/emdb/api/ 免认证。

12. 图谱文件什么格式？
CCP4 / MRC（emd_<id>.map.gz），可用 ChimeraX、PyMOL、CCP4 读取。

13. 我能商用 EMDB 数据吗？
可以。CC0 无 NC 限制，可商用可再分发。

14. 下载原始图像去哪？
EMPIAR，不是 EMDB。

15. 找原子坐标去哪？
PDB，不是 EMDB。

C. 规模与质量

16. EMDB 覆盖哪些技术？
单颗粒分析、螺旋重构、电子断层、子断层平均、电子晶体学五类。

17. 哪种技术最多？
单颗粒分析（SPA），2022 年底占 82.8%。

18. EMDB 平均分辨率多少？
维基 2025 口径全库均值 7.6 Å；NAR 论文给分布口径（2022 年 >60% 优于 4 Å）。两套口径，须分清。

19. 增长多快？
约 2.5 年翻倍。2025 单年首破 10,000 条。

20. EMDB 存储量多大？
2022 年底 8.9 TB；2022 年下载量 >24 TB。

D. 沉积与策展

21. 怎么往 EMDB 沉积数据？
经 wwPDB 的 OneDep 统一系统（2016 年起）。

22. 沉积必须提供什么？
最终密度图 + 完整元数据；若有原子模型必须提供 PDB ID。

23. 什么是半图强制？
2022-02-25 起，相关模态必须提供未过滤/未遮罩/未锐化的原始半图。

24. 什么时候数据会公开？
每周三 UTC 00:00 释放；沉积满一年未发表即强制公开。

25. 谁做验证？
自动验证（EMVTF 标准）+ 人工 biocurator 策展双层。

26. 什么是 Q-score？
tier-3 验证指标，测量原子可解析性，补充分辨率量纲。

E. AI 使用

27. EMDB 能直接训练模型吗？
可合法取用，但无官方划分，须自行筛选、去冗余、划分。

28. 构建训练集要注意什么？
模态偏斜（SPA 为主）、分辨率跨度大、冗余（同分子多条目）、无标签体系。

29. EMDB 和 AlphaFold 怎么配合？
EMDB 是实验图谱、AlphaFold 是预测坐标，可互链但性质不同（测量 vs 预测）。

30. Claude/ChatGPT 能直接查 EMDB 吗？
可通过 REST API 编程访问；LM 本身不内嵌全库数据。

F. 库内关系

31. 库内哪些条目和 EMDB 相关？
pdb(43)、cryonuseg(844)、alphafold(573)、proteingym(813)、pdbbind(134) 等。

32. 库内哪条容易误链？
polypdb(779)、hvdropdb(893) 名称含 PDB 但领域无关，勿链。

G. 工程与复现

33. API 支持按分辨率范围过滤吗？
不原生支持。search 端点返回 resolution 字段后需本地（pandas）做阈值筛选。

34. 全库下载要多大存储？
2022 年底存档 8.9 TB，此后持续增长，全量下载需 TB 级存储。

35. map 文件能直接被哪些工具读取？
CCP4/MRC 为通用格式，UCSF ChimeraX、PyMOL、CCP4、RELION、cryoSPARC 均可读。

36. 不同条目的 map 能直接对齐吗？
不能。像素间距与网格大小各异（如 EMD-30210 为 192³、间距 1.014 Å），须重采样对齐。

37. 怎么避免训练集泄漏？
按复合物/UniProt/PDB ID 分组划分，禁止随机划分同一分子的不同构象条目。

38. 抓取元数据和抓取 map 应分开做吗？
是。先抓轻量元数据（JSON）本地筛选，再按需下重量 map，可节省大量带宽。

H. 许可与合规

39. CC0 需要署名吗？
法律上不强制，但学术惯例与官网要求引用（NAR 2024 论文 + 单条目 accession）。

40. EMDB 数据能进商业产品吗？
能。CC0 无 NC 限制，可商用可再分发。

41. 有隐私风险吗？
无。EMDB 是分子结构库，非患者数据，不涉及个人隐私。

42. EMDB logo 能用吗？
公开网站需事先许可；演示/报告可免版税使用（官网提供 PNG）。

43. 引用单条目怎么写？
EMDB accession（EMD-xxxx）+ 该条目原始论文。

44. 数据会撤回吗？
EMDB 为归档库，条目为持久记录，URL 稳定；但可能有更新（如 EMD-30210 最近更新 2024-03-27）。

事实清单（硬事实 36 条）

EMDB 全称 Electron Microscopy Data Bank。
EMDB 别名 EM Data Bank（EMDataBank.org 联盟口径）。
EMDB 2002 年由 Kim Henrick 在 EMBL-EBI 领导建立。
EMDB 2007 年起与 RCSB PDB 联合运营。
EMDB 2013 年 PDBj 加入。
EMDB 2021-01-01 成为 wwPDB 核心存档。
EMDB 由 EMBL-EBI（英国 Hinxton）运营。
EMDB 截至 2026-10-15 累计 63,259 条。
EMDB 2025 年单年发布 11,657 条（首破万）。
EMDB 2025 年底累计 52,921 条。
EMDB 2019 年全库才 10,000 条（17 年积累）。
EMDB 覆盖五类技术：SPA/螺旋重构/电子断层/子断层平均/电子晶体学。
SPA 2022 年底占 82.8%。
EMDB 2022 年 >60% 条目优于 4 Å。
EMDB 2022 年 >20% 条目达亚 3 Å。
EMDB 维基 2025 口径全库均值分辨率 7.6 Å。
EMDB 原子级分辨率（<1.2 Å）条目极稀有（SPA 2 + EC 28）。
EMDB 2022 年底存档 8.9 TB。
EMDB 2022 年下载量 >24 TB（+33%）。
EMDB 增长约 2.5 年翻倍。
EMDB 数据许可为 CC0 1.0 Universal。
EMDB REST API 免认证（https://www.ebi.ac.uk/emdb/api/）。
EMDB FTP 地址 ftp://ftp.ebi.ac.uk/pub/databases/emdb。
EMDB 图谱格式为 CCP4 / MRC。
单条目文件名格式 emd_<id>.map.gz。
EMDB 沉积经 wwPDB OneDep 系统（2016 起）。
2022-02-25 起 half-maps 强制。
EMDB 每周三 UTC 00:00 公开释放。
沉积满一年未发表强制公开。
EMDB 验证指标含 Q-score、atom-inclusion score、FSC。
EMDB 新条目提供 mmCIF 元数据，历史为 XML。
EMD-30210 为 SARS-CoV-2 RdRp 复合物与瑞德西韦，2.5 Å。
EMD-30210 关联 PDB 7bv2，主引 Science 2020。
约 55% EMDB 条目在 PDB 有对应坐标（NAR 2024）。
EMDB 2022 年底 307 个 SPA 图谱 ≤10 Å。
EMDB 主办 CryoEM Map/Model Challenge（J Struct Biol 2018 特刊）。

术语表（30 条）

EMDB：Electron Microscopy Data Bank，电镜数据库。
cryo-EM：冷冻电镜，低温冷冻样品电子显微。
cryo-ET：冷冻电子断层扫描。
密度图 / density map：三维体积，每格点存电子密度值。
断层图 / tomogram：断层扫描重建的三维图像。
单颗粒分析 / SPA：对分散颗粒成像后计算重建。
螺旋重构 / helical reconstruction：螺旋对称结构重建。
子断层平均 / STA：断层图中重复结构平均。
电子晶体学 / EC：二维晶体电子衍射，可到原子级。
分辨率 / resolution：图谱能分辨的最小距离，单位 Å。
FSC：Fourier Shell Correlation，傅里叶壳相关，判分辨率。
Q-score：原子可解析性验证指标（tier-3）。
atom-inclusion score：原子包含分数。
half-maps / 半图：独立重建的两半数据，验证分辨率用。
EMD-xxxx：EMDB accession code。
OneDep：wwPDB 统一沉积系统。
EMdep：OneDep 之前的 EMDB 沉积界面。
wwPDB：Worldwide Protein Data Bank，全球蛋白质数据库联盟。
PDB：Protein Data Bank，原子坐标库。
EMPIAR：Electron Microscopy Public Image Archive，原始图像库。
CCP4 / MRC：体数据文件格式。
mmCIF：大分子晶体学信息文件，元数据格式。
PDBx/mmCIF：扩展的 mmCIF 框架，含 em 命名空间。
biocurator：生物策展人，人工核查元数据。
EMVTF：EM Validation Task Force，验证任务组。
CC0：Creative Commons Zero，公共领域奉献许可。
FAIR：可发现、可访问、可互操作、可复用原则。
Archive Keeper：存档守护者（EMDB 在 wwPDB 的角色）。
Map-to-model fit：图谱与原子模型拟合度。
Resolution Revolution：2014 年直接电子探测器带来的分辨率跃升。

附录

附录 A：条目信息速查卡

项	值
官方名	Electron Microscopy Data Bank (EMDB)
slug	emdb
主办	EMBL-EBI（wwPDB 核心存档）
创立	2002（Kim Henrick）
规模	63,259 条（截至 2026-10-15）
许可	CC0 1.0 Universal
官网	https://www.ebi.ac.uk/emdb/
API	https://www.ebi.ac.uk/emdb/api/
FTP	ftp://ftp.ebi.ac.uk/pub/databases/emdb
主引论文	doi:10.1093/nar/gkad1019
格式	CCP4 / MRC（map.gz）

附录 B：DAIMS 评估全表

维度	评分	关键理由
可发现性	★★★★★	四通道访问 + 持久 ID + 丰富元数据
可访问性	★★★★★	CC0 + 免认证 API + FTP + 标准格式
互操作性	★★★★★	PDB/EMPIAR/AlphaFold 集成 + mmCIF
可复用性	★★★★☆	许可宽松但无任务划分/标签体系

附录 C：逐项证据链自证

事实	来源
累计 63,259 条（2026-10-15）	官方统计页
2025 年 11,657 条	官方统计页 + 官方新闻
CC0 1.0	NAR 2024 论文 + re3data + NIAID 门户
2002 建立 / Kim Henrick	官方 About 页
OneDep 沉积	官方 About + NAR 2024
half-maps 强制（2022-02-25）	NAR 2024 论文
Q-score tier-3	NAR 2024 论文
SPA 82.8%	NAR 2024 论文
EMD-30210 字段	REST API 实抓
均值 7.6 Å	维基（对照口径）

附录 D：数据获取决策树

需要什么数据？
├── 三维密度图 ──────────────► EMDB（本条目）
│     ├── 只要图谱 ───────────► FTP/API 直下 map.gz
│     └── 需要坐标 ───────────► 顺 EMDB↔PDB 链接去 PDB
├── 原子坐标 ────────────────► PDB
├── 原始电镜图像 ────────────► EMPIAR
├── AI 预测结构 ─────────────► AlphaFold DB
└── 分割任务数据集 ──────────► cryonuseg(844) 等下游数据集

附录 E：常见访问方式对照

方式	端点/地址	适用
Web	https://www.ebi.ac.uk/emdb/	检索、可视化、单条查看
REST API	https://www.ebi.ac.uk/emdb/api/	程序化抓取、自动化
FTP	ftp://ftp.ebi.ac.uk/pub/databases/emdb	批量下载
PDBe API	https://www.ebi.ac.uk/pdbe/api/doc/emdb.html	联合查询

附录 F：API 返回字段速查（EMD-30210 实测）

字段路径	含义
map.header.title	条目标题
map.header.depositionDate	沉积日期
processing.reconstruction.resolutionByAuthor	作者声明分辨率
imageAcquisition.imagingMethod	成像方法
sample.name	样品名称
（关联）fitted PDB models	PDB ID 列表

附录 G：许可条款细读

项	内容
许可	CC0 1.0 Universal
商用	允许
再分发	允许
署名	非法律强制，学术规范要求
Logo	公开网站需许可，演示免版税
引用	NAR 2024 论文 + 单条目 accession

附录 H：规模数据总表（逐年）

年份	年发布	累计
2002	8	8
2010	223	890
2015	640	3,365
2019	2,431	9,748
2020	3,820	13,568
2021	4,481	18,049
2022	6,134	24,183
2023	7,762	31,945
2024	9,319	41,264
2025	11,657	52,921
2026*	10,338	63,259

*截至 2026-10-15（年中数据）。

附录 I：与库内条目关系声明

pdb(rid=43)：孪生库，EMDB↔PDB ID 互链，建议互链。
cryonuseg(rid=844)：下游分割数据集，EMDB 为其上游数据源，建议互链。
alphafold(rid=573)：互补（实验 vs 预测），建议互链。
proteingym(rid=813)、pdbbind(rid=134)：同域下游，建议互链。
polypdb(rid=779)、hvdropdb(rid=893)：名称含 PDB 但领域无关，禁止互链（消歧）。
EMPIAR/EMDataBank/BMRB：库内无独立条目，无法互链。

附录 J：构建 AI 数据集骨架（Python 伪码）

import requests

API = "https://www.ebi.ac.uk/emdb/api"

# Step1 抓候选元数据
def fetch_candidates(query, pages=10, rows=100):
    out = []
    for p in range(pages):
        r = requests.get(f"{API}/search/",
                         params={"q": query, "rows": rows, "start": p*rows},
                         timeout=30).json()
        out += r.get("results", [])
    return out

# Step2 筛选（示例：仅 <4 Å 且 SPA）
def filter_entries(entries, max_res=4.0):
    kept = []
    for e in entries:
        res = e.get("resolution")
        method = e.get("imageAcquisition", {}).get("imagingMethod", "")
        if res and res < max_res and method == "singleParticle":
            kept.append(e)
    return kept

# Step3 取下载 URL（按需，勿全量预下）
def map_url(emdb_id):
    r = requests.get(f"{API}/entry/{emdb_id}/map", timeout=30).json()
    return r

# Step4 按复合物分组划分（防泄漏）
def group_split(entries, key="sample_name"):
    # 按复合物去重后分组，再做 train/val/test
    ...

附录 K：引用模板

全库引用：

wwPDB Consortium. EMDB—the Electron Microscopy Data Bank. Nucleic Acids Research. 2024;52(D1):D456–D465. doi:10.1093/nar/gkad1019

单条目引用：

EMDB accession EMD-30210. [原始论文：Yin W, et al. Structural basis for inhibition of the RNA-dependent RNA polymerase from SARS-CoV-2 by remdesivir. Science. 2020;368:1499–1504. doi:10.1126/science.abc1560]

附录 L：坑点档案（与 §10 对照）

坑	一句话	附录位置
坑 1	当 benchmark 用	§10
坑 2	当 PDB 用	§10
坑 3	想下原始图像	§10
坑 4	混用分辨率口径	§10
坑 5	全量不筛选	§10
坑 6	随机划分泄漏	§10
坑 7	误链名称含 PDB 条目	§10
坑 8	忽略抓取时点	§10

附录 M：检索决策树

你是？
├── 结构生物学家 ──► 按复合物/分辨率检索 EMDB，取图谱 + 关联 PDB 坐标
├── AI 开发者 ─────► 按任务筛选（模态/分辨率），API 批量抓元数据，自建划分
├── 药物发现 ─────► 检索靶点蛋白条目，看构象与配体
├── 教育者 ───────► 用 EMDB 可视化工具 + 注释示例
└── 数据基础设施研究者 ──► 研究其数据模型、策展流程、许可模式

附录 N：EMDB 历史沿革总表

年份	事件
2002	EMBL-EBI 建库，Kim Henrick 领导；首篇论文（Tagari et al., Trends Biochem Sci）
2003	沉积系统论文（Fuller, Structure）
2007	RCSB PDB + NCMI 加入联合运营
2010	首次 EM Validation Task Force 会议
2013	PDBj 加入
2014	Resolution Revolution（直接电子探测器）
2016	沉积并入 wwPDB OneDep 统一系统；OneDep 论文发表
2018	CryoEM Map/Model Challenge 成果特刊（J Struct Biol）
2020	第二次 EM Validation Task Force 会议
2021-01-01	成为 wwPDB 核心存档（与 PDB、BMRB 并列）
2022-02-25	half-maps 强制要求
2024	NAR 数据库专刊论文（doi:10.1093/nar/gkad1019）
2025	单年发布首破 10,000 条；总量破 50,000 条
2026	累计破 63,000 条（截至 10-15）

附录 O：数据获取成本核算表

成本项	量级	缓解措施
获取	极低	API/FTP 免认证
存储	TB 级（全量）	按需下载，只取筛选后子集
筛选	高	先抓元数据本地过滤，再下 map
去冗余	高	按 UniProt/PDB ID 归并
划分	高	按复合物分组，防泄漏
重采样	中	统一到目标网格

附录 P：常见分辨率阈值与任务对应

分辨率阈值	可解任务
>10 Å	整体形状、大尺度构象、复合物存在性
4-10 Å	二级结构、域级排布、构象分类
3-4 Å	主链走向、部分侧链、map-to-model 粗拟合
<3 Å	侧链级、配体结合位点、精细建模
<1.2 Å	原子级解析（EMDB 中极稀有）

维度	内容
本质	冷冻电镜（cryo-EM）三维密度图 + 代表性断层图的公共归档库（存图谱，不存原子坐标）
全称	Electron Microscopy Data Bank（EMDB）；别名 EM Data Bank
主办	EMBL-EBI（英国 Hinxton），wwPDB 核心存档之一（2021 起）
创立	2002 年，Kim Henrick 领导建立；2007 RCSB 加入，2013 PDBj 加入
规模	累计 63,259 条（截至 2026-10-15）；2025 单年首破 10,000 条；2025 年底 52,921 条
模态	单颗粒分析（82.8%）/ 螺旋重构 / 电子断层 / 子断层平均 / 电子晶体学
分辨率	2022 年 >60% 优于 4 Å，>20% 亚 3 Å；维基 2025 全库均值 7.6 Å
格式	CCP4 / MRC（`emd_<id>.map.gz`）；元数据 XML + mmCIF
获取	Web 门户／ REST API（免认证）／ FTP 批量／ RCSB·PDBj 联合查询
许可	CC0 1.0 Universal（公共领域奉献，免费无限制，可商用）
沉积	wwPDB OneDep 统一系统；满一年未发表强制公开；每周三 UTC 00:00 释放
姊妹库	PDB（原子坐标）、EMPIAR（原始图像）——三方协作归档
库内互链	pdb(43)、cryonuseg(844)、alphafold(573)、proteingym(813)、pdbbind(134)