侯 勇

（湖北華大基因研究院，湖北武漢 430074）

生物研究大數(shù)據(jù)的開放與共享探討

侯 勇

（湖北華大基因研究院，湖北武漢 430074）

首先介紹生物研究大數(shù)據(jù)概念及其開放與共享現(xiàn)狀，認為生物研究大數(shù)據(jù)開放與共享對科學研究具有促進的作用。然后針對生物研究大數(shù)據(jù)開放與共享的困難，以GigaScience為例探討了生物研究大數(shù)據(jù)開放共享具體研究與做法。最后針對生物研究大數(shù)據(jù)開放與共享面臨的技術挑戰(zhàn)，提出了進一步的發(fā)展建議，以推動生物研究大數(shù)據(jù)開放與共享。

生物研究；大數(shù)據(jù)基因組；生物數(shù)據(jù)開放共享；GigaScience；開放存取

1 引言

近年來，生物研究越來越離不開計算和數(shù)據(jù)。以基因組為代表的生物大數(shù)據(jù)是近年來興起的一個生命科學與數(shù)據(jù)科學交叉融合的名詞?；蚪M學、轉錄組學、蛋白質組學、代謝組學、環(huán)境組學、宏基因組學、影像組學等一系列生物大數(shù)據(jù)的發(fā)表為生物研究大數(shù)據(jù)的開放與共享提供了巨大的機遇與挑戰(zhàn)。近期調查和研究證明，數(shù)據(jù)開放與共享是促進科學研究，消弭科學研究重復性陷阱的必經之路。在促進生物研究大數(shù)據(jù)開放與共享方面已經進行了一些有益的嘗試并取得了不錯的效果。但是，未來生命科學正朝著定量化與數(shù)字科學方向發(fā)展，生物研究大數(shù)據(jù)的開放與共享也將面臨著更大的技術挑戰(zhàn)。本文將重點討論生物研究大數(shù)據(jù)開放共享的問題，以期為促進數(shù)據(jù)開放與共享、打造一個更為開放和透明的生物大數(shù)據(jù)研究領域提供一定的參考建議。

2 生物研究大數(shù)據(jù)概述

生物大數(shù)據(jù)是近年來興起的一個生命科學與數(shù)據(jù)科學交叉融合的名詞。究其本源，離不開以基因組學技術為代表的組學技術的發(fā)展。人類基因組計劃完成以來，繪制一個人完整基因組的成本已經從數(shù)十億美元降低至1000元美元。眾所周知，人類基因組有30億個堿基對，一個人的基因組學數(shù)據(jù)可以達到100G之多。與此同時，由于生命的中心法則和生命的復雜性，轉錄組學、蛋白質組學、代謝組學、可穿戴組學、環(huán)境組學、宏基因組學、影像組學等相關技術也都蓬勃發(fā)展起來。諸如，生化實驗檢測結果、MRI/CT、超聲、皮膚影像檢測、三維晶體結構等目前也在朝著數(shù)據(jù)開放和共享方向發(fā)展。這樣，每個人實時動態(tài)的完整生命組學數(shù)據(jù)就接近1Tb，而這些數(shù)據(jù)正以超過指數(shù)增長的方式在持續(xù)增長。如今，基因組學的興起已經滲人到進化研究、臨床醫(yī)學、法醫(yī)學、考古學、健康管理等研究和應用領域。近年來，越來越多的生物醫(yī)學研究使用了生物大數(shù)據(jù)，而生物大數(shù)據(jù)也與這些學科交叉融合。這些大數(shù)據(jù)對傳統(tǒng)研究成果的發(fā)表方式、對沒有數(shù)據(jù)科學背景的生物學家甚至是科研基金機構等都帶來了巨大的挑戰(zhàn)，特別是對以往的重結果輕過程、重論文輕數(shù)據(jù)、重競爭輕共享、重保密輕開放的慣性科研思維產生重大的影響。同時，海量的生物大數(shù)據(jù)需要海量的存儲資源和計算資源，也決定了生物大數(shù)據(jù)具有共享和開放的特征，因為任何一家研究機構或者科學家都不能獨立地從所有大數(shù)據(jù)中挖掘出所有有價值的信息。然而在未來，生物大數(shù)據(jù)也將結合計算機領域的深度學習、人工智能等技術，創(chuàng)造出全新的生物科學與醫(yī)學知識。

3 生物研究大數(shù)據(jù)開放與共享的現(xiàn)狀

在近幾個世紀里，研究論文都是學術交流的主要載體，不管是網(wǎng)上出版還是開放獲取，都沒有從根本上改變研究論文出版的過程和結構。隨著生物和生物醫(yī)學研究越來越朝著數(shù)據(jù)驅動方向發(fā)展，像基因組、影像等方面出版物的信息量、計算工具、編碼等已經呈現(xiàn)指數(shù)級增長，然而，如果缺少支撐這些出版物的原始資源特別是數(shù)據(jù)，就會造成所謂的“重復性陷阱”[1]。

重復性陷阱的出現(xiàn)正是由于期刊或者文章的作者僅僅提供有限的信息。在對不同研究領域的研究可重復性進行測試時，Ioannidis和同事們發(fā)現(xiàn)不少發(fā)表的結果是錯誤或者過分強調的，并且估計約有85%的研究資源因此而被浪費[2]。例如，一項研究表明，在微陣列研究中，9項工作中僅有一項能夠被重復出來[3]。類似的情況也出現(xiàn)在腫瘤研究領域，僅僅有11%的研究可以被重復出來[4]。從過去很多發(fā)表的圖片以及臨床前研究中發(fā)現(xiàn)的不可重復的結構累積已經超過了50%。換句話說，每年有高達28億美元的臨床前研究無法得到重復[5]。隨著撤稿率的不斷升高，特別是高水平期刊的撤稿率的提升[6]，如何降低甚至消除重復性陷阱確實已經成為避免浪費研究資源和得到錯誤的研究結論以及增強公眾對科研工作者信心的頭等大事。

雖然大家都意識到“重復性陷阱”對科學界的信譽以及科學的發(fā)展是一個巨大的問題，但是在現(xiàn)實世界中數(shù)據(jù)或者源碼的開放并自由獲取卻遇到了巨大的挑戰(zhàn)。目前，很多作者僅僅依賴于在自己的網(wǎng)頁上提供的數(shù)據(jù)和材料，這樣的做法已經被證明對數(shù)據(jù)的開放不會產生太大的作用。最近，由癌癥生物學組織發(fā)起了一項針對研究重復性的研究，這項研究旨在對研究重復性進行定量分析。研究人員選取了在2010年至2012年的50篇高引用率論文，他們獲取每項研究相關的數(shù)據(jù)平均耗時2個月，而在50項研究中甚至有4項的作者在一年后才配合提供相關的研究數(shù)據(jù)[7]。進一步地，基于ACM會議和期刊論文的評估，唯一能證明可重復性和重復利用性的源代碼平均需要2個月才能獲取，而且只是其中44%的文章有回應。又有一項針對200篇經濟學論文的調查發(fā)現(xiàn)，只有64%的作者有回應，而其中有56%的作者表示不愿意提供或者共享補充材料。最近出現(xiàn)的長期未發(fā)現(xiàn)的數(shù)據(jù)造假丑聞（包括最近一位作者通過數(shù)據(jù)作假發(fā)表了172篇文章），進一步凸顯了能夠十分輕松地訪問數(shù)據(jù)的重要性，因為這樣可以確保其他人進行獨立的重復驗證，并且增強科學界的相互信任。

對于一些基金機構來說，比如美國國家自然科學基金已經開始計劃對所有資助項目進行數(shù)據(jù)共享和開放，而美國國立衛(wèi)生研究院已經走在了前面。美國國立衛(wèi)生研究院投資了“大數(shù)據(jù)到知識”項目，計劃的名字叫做“bioCADDIE（http://biocaddie.ucsd.edu/）”，希望以此來推動生物醫(yī)學和健康管理方面的數(shù)據(jù)發(fā)現(xiàn)和索引生態(tài)系統(tǒng)的建設工作。數(shù)據(jù)發(fā)現(xiàn)索引使得“bioCADDIE”項目瞄準了醫(yī)學和生命科學領域數(shù)據(jù)庫PubMed中已經存儲的數(shù)據(jù)，比如Pubmed以及PubMed Central，來提供存檔數(shù)據(jù)的結構建設和管理。在歐洲，研究和創(chuàng)新基金以及OpenAIRE計劃都要求參與者在開放存取的期刊上發(fā)表他們的結果。他們也有一個數(shù)據(jù)開放早期研究項目已經被“地平線2020”項目選中，進行數(shù)據(jù)管理計劃以及數(shù)據(jù)存儲計劃的研究。英國研究委員會已經草擬了一個數(shù)據(jù)開放相關的草案，敦促各方開放數(shù)據(jù)并使得數(shù)據(jù)可以重復使用。然而，在國際間并沒有一個專門的機構進行協(xié)調和統(tǒng)一，因此也給國際化研究的數(shù)據(jù)開放造成了一定的困難。

生物研究大數(shù)據(jù)開放的另一重要參與方就是期刊。他們如果能夠加強管理政策制定與執(zhí)行就能夠起到一定的效果，比如在生態(tài)學期刊中的數(shù)據(jù)聯(lián)合存檔政策。盡管有不少積極的信號已經在鼓勵開放存取的出版商開始解決生物研究大數(shù)據(jù)開放共享的問題，但是生物研究大數(shù)據(jù)開放共享還有很長的路要走[8]。最近的一項調查發(fā)現(xiàn)，在影響力最高的50種期刊中，44種已經制定了數(shù)據(jù)共享的政策，但是能夠訪問數(shù)據(jù)的僅僅是其中的很小一部分，而在一些情況下能夠訪問到原始數(shù)據(jù)則更少，不到10%[9-10]。隨著生物醫(yī)學研究越來越依賴計算機，計算方法和代碼共享要比數(shù)據(jù)共享更為困難[11]。

4 生物研究大數(shù)據(jù)開放與共享實例分析

雖然在生物研究中，大數(shù)據(jù)的開放與共享存在著上述諸多的困難和挑戰(zhàn)，但是也有一些很好的例子在推進生物大數(shù)據(jù)的開放與共享，促進科學研究。比如由華大基因主辦的開放獲取期刊《GigaScience》[1,12-13]。GigaScience是 一 個 嶄 新的開放型在線期刊，于2012年7月12日創(chuàng)刊。GigaScience采用標準全文文獻、數(shù)據(jù)庫信息以及信息分析工具相結合的模式，為科研工作者提供免費公開的有效數(shù)據(jù)以及生物學發(fā)現(xiàn)等資源。在同行評議的過程中，GigaScience可以為審稿人提供所有支撐性的信息和數(shù)據(jù)。這些通過ftp訪問的數(shù)據(jù)在有些研究中已經達到了100G。比如，在SOAPdenovo2[14]的發(fā)表過程中，編輯與審稿專家完整地測試了不同工具的表現(xiàn)情況，以確保測試結果與作者在文章中的陳述相一致。而參與這個過程的8名審稿人均在一個含有他們名字的報告上簽名，作為文章發(fā)表前的歷史參考。同時，GigaScience的審稿過程是公開化與透明化的。GigaScience在選擇審稿人時通常會選擇愿意公開自己的審稿人，這就使得審稿人在接受審稿后變得異常的謹慎，既確保了審稿的質量，也確保了所有的相關作者得到相對公正的對待。同時，GigaScience創(chuàng)造性地給數(shù)據(jù)集和工具集以DOI，使其可以被單獨檢索和引用，從而保障了所有利益相關方的利益，同時也促使更多的作者愿意以這種方式公開自己的數(shù)據(jù)和相關的分析工具。

目前，GigaScience的數(shù)據(jù)庫中已經有超過200個關于數(shù)據(jù)的DOI，是世界上最大的組學數(shù)據(jù)庫，包括測序相關的基因組、轉錄組、表觀基因組、宏基因組，同時還有質譜技術的蛋白質組和代謝組。最近，也增加了許多MRI/CT等影像學數(shù)據(jù)以及電生理等其他系統(tǒng)生物學數(shù)據(jù)。目前，已經有30T的數(shù)據(jù)可供自由下載，其中最大的是農業(yè)相關數(shù)據(jù)庫，包括379只牛、3000株水稻以及人類腫瘤數(shù)據(jù)。

GigaScience還解決了一個長期困擾科學界的問題，就是在文章發(fā)表前，數(shù)據(jù)的傳播速度很慢，而這些數(shù)據(jù)如果能夠盡早公布，就能夠獲得更多的科學發(fā)現(xiàn)，促進科學的發(fā)展，甚至很有可能挽回一些人的性命。比如，帝企鵝、北極熊等數(shù)據(jù)在論文發(fā)表前3年就已經通過GigaScience發(fā)表，而在這3年間，已經在一些群體遺傳學和進化生物學研究中引用了這些數(shù)據(jù)[15]，然而這些引用并沒有影響論文在2014年《細胞》雜志上以封面文章的形式發(fā)表[16]。再比如2015年出版的《科學》雜志鳥類專刊。該?？某霭嬉馕吨茖W家首次能夠在分子層面上解析鳥類的進化之謎，闡述了控制聲音學習的分子通路在一些鳥類和人類的大腦語言控制區(qū)域中的獨立演化過程、鳥類性染色體復雜的演化歷程、鳥類在早期演化過程中是如何丟失牙齒、鳥類近親鱷魚的基因組是怎樣演化的、鳥類歌唱行為在大腦內的基因調控機制以及一種利用大規(guī)?；蚪M數(shù)據(jù)構建演化樹的新方法。在《科學》鳥類?？l(fā)表前，GigaScience已經陸續(xù)公布了多達4TB的43種鳥類的基因組數(shù)據(jù)供全球的科學家研究和解析，包括了鳥類的基因組以及光學遺傳圖譜的數(shù)據(jù)。

另外再舉一個例子。致死性大腸桿菌在歐洲造成了50人死亡、1000余人感染的惡果。這是一個非常實用的證明數(shù)據(jù)，提前公開可以增進人類健康福祉的例子。2011年由華大基因和德國科學家共同完成了致死性大腸桿菌的基因序列[17]。GigaScience和華大基因第一時間公開了基因測序數(shù)據(jù)，而后相關文章在新英格蘭醫(yī)學雜志上發(fā)表?；蛐蛄泄己螅芏嗫茖W家參考這種方式公布了他們的測序結果。很快地，來自北美、歐洲、澳大利亞、埃及等國家和中國香港等地區(qū)的科學家以及熱心的科研愛好者都加人了分析，這使得科學家快速定位出了致病基因與致死基因以及傳染源，有效地制定了公共衛(wèi)生政策來應對疫情。除此之外，大數(shù)據(jù)公開的時效性還體現(xiàn)在另外一個及時公布的數(shù)據(jù)上。在2014年9月GigaScience公布了全球首個用OXFORD NANOPORE技術獲得的微生物全基因組序列[18]。這些數(shù)據(jù)高達125G，結果是如何讓全球的科學家快速獲取這些數(shù)據(jù)卻成了難題。GigaScience又與EBI的科學家合作，通過鏡像轉移數(shù)據(jù)，使得許多歐洲科學家也能夠在第一時間獲取數(shù)據(jù)。這些數(shù)據(jù)的公開，漸漸平息了科學界關于新一代單分子測序數(shù)據(jù)質量問題的爭論，因為任何一個實驗室都可以自由訪問這些數(shù)據(jù)，可以自由且自主地評價這些數(shù)據(jù)的質量。

除了上述內容外，GigaScience還特別重視大數(shù)據(jù)分析工具的提供。GigaScience在GITHUB上開通了專門的網(wǎng)頁，提供發(fā)表文章的源代碼，以供感興趣的科學家對大數(shù)據(jù)進行同步分析。

5 生物研究大數(shù)據(jù)開放與共享的建議與展望

綜上所述，生物研究大數(shù)據(jù)開放與共享離不開期刊、基金機構，特別是研究人員的推動。因此，提出幾點相關的建議。

（1）期刊編輯和審稿人要提出嚴格要求。如果高水平期刊的編輯應該要求作者必須執(zhí)行數(shù)據(jù)公開和共享的政策，那么上述出現(xiàn)的很多重復性陷阱或許能夠避免。另外，通過改革審稿方式，如果能夠使審稿人的信息公開透明，那么可以營造一個更加公平的同行評議環(huán)境。

（2）訓練科學家的數(shù)據(jù)科學思維。對于高標準的數(shù)據(jù)分析來說，必要的基礎知識和技能是不可或缺的。因此，如果能夠對青年科學家進行數(shù)據(jù)科學的訓練，讓他們學會使用諸如Github之類的工具去共享自己的代碼，使用Github上的代碼進行研究和引用。對于沒有計算機或者相關背景的科學家來說，可以在實驗室里保留一個Github來管理和共享所有相關的代碼，并且通過規(guī)范化管理，加強對數(shù)據(jù)科學的重視。除此之外，也可以利用網(wǎng)絡學習等自學方式，尋找適合自己的工具或者習題來提高自己的知識和技能。

（3）在公開的數(shù)據(jù)庫中提供或者引用計算工具的源代碼。軟件是數(shù)據(jù)驅動的生命科學研究的重中之重。如果缺乏計算方法或者工具，研究人員無法完全理解研究者提供的大數(shù)據(jù)真正的意義。為其他研究人員提供計算工具的源代碼，比如放在Github上能夠方便其他研究者進行相關研究。在論文中引用源代碼具體的位置，盡量避免引用不提供源代碼的文章。而對于作者來說，盡量使用規(guī)范化和格式化的語言進行編程，這樣可以使自己的工作通俗易懂，也有可能更加廣泛地為人所使用。對于期刊來說，除了提供數(shù)據(jù)的存儲外，也提供一些與數(shù)據(jù)相對應的分析流程，并且可以將這些分析流程部署在云上，使沒有計算生物學或者計算機背景的科學家或者沒有計算資源的科學家也能對開放共享的生物研究大數(shù)據(jù)進行深度研究。

目前，生物醫(yī)學研究數(shù)據(jù)呈現(xiàn)指數(shù)增長的趨勢。很多研究的數(shù)據(jù)體量已經從G級別提升到了T級別。要共享如此大的數(shù)據(jù)量，在技術上將面臨非常大的挑戰(zhàn)。目前，已經有一些方法解決了這個問題。比如，使用工業(yè)化的大數(shù)據(jù)云計算技術，這也就使期刊從發(fā)表數(shù)據(jù)變?yōu)榘l(fā)表計算資源。再如，利用虛擬機、Bioboxes等方式使海量數(shù)據(jù)共享實現(xiàn)標準化、規(guī)模化和規(guī)范化。未來生命科學將向著定量化與數(shù)字科學方向發(fā)展，生物研究大數(shù)據(jù)的開放與共享將面臨著更大的技術挑戰(zhàn)。但是，我們堅信，只要科學家達成促進數(shù)據(jù)開放與共享的共識，未來我們一定能夠打造一個更為開放和透明的生物大數(shù)據(jù)研究領域。

[1]EDMUNDS S C, LIP, HUNTER C I, et al. Experiences in integrated data and research object publishing using GigaDB[J]. International Journal on Digital Libraries,2016, 18(2): 99-111.

[2]IOANNIDIS J P. How to make more published research true[J]. PLoS Med, 2014, 11(10): e1001747.

[3]IOANNIDIS J P, ALLISON D B, BALL C A, et al.Repeatability of published microarray gene expression analyses[J].Nat Genet, 2009, 41(2): 149-155.

[4]BEGLEY C G, ELLIS L M. Drug development: raise standards for preclinical cancer research[J]. Nature,2012, 483(7391): 531-533.

[5]FREEDMAN L P, COCKBURN I M, SIMCOE T S.The economics of reproducibility in preclinical research[J]. PLoS Biol, 2015, 13(6): e1002165.

[6]FANG F C CASADEVALlA. Retracted science and the retraction index[J]. Infect Immun, 2011, 79(10): 3855-3859.

[7]VANNoorden R. Sluggish data sharing hampers reproducibility effort[J]. Nature, 2015, 10: 1038/nature.2015.17694.

[8]BLOOM T, GANLEY E, WINKER M. Data access for the open access literature: PLOS’s data policy[J]. PLoS Medicine, 2014, 11(2): e1001607.

[9]MAVERGAMES C, SAVAGE C J, VICKERS A J. Empirical study of data sharing by authors publishing in PLoSJournals[J]. PLoS ONE, 2009, 4(9): e7078.

[10]BOUTRON I, ALSHEIKH-ALI A A, QURESHIW,et al. Public availability of published research data in High-Impact Journals[J]. PLoS ONE, 2011, 6(9):e24357.

[11]ZAYKIN D, STODDEN V, GuoP, et al. Toward reproducible computational research: an empirical analysis of data and code policy adoption by journals[J]. PLoS ONE, 2013, 8(6): e67111.

[12]EDMUNDS S C. Peering into peer-review at Giga-Science[J]. GigaScience, 2013, 2(1): 10.1186/2047-217X-2-1.

[13]KENALL A, EDMUNDSS, GOODMANL, et al.Better reporting for better research: a checklist for reproducibility[J]. GigaScience, 2015, 4(1): 10.1186/s13059-015-0710-5.

[14]LUO R, LIUB, XIEY, et al. SOAPdenovo2: an empirically improved memory-efficient short-read de novo assembler[J]. GigaScience, 2012(1): 10.1186/2047-217X-1-18.

[15]NACHMAN M W, CAHILLJ A, GREENR E, et al.Genomic evidence for island population conversion resolves con fl icting theories of polar bear evolution[J].PLoS Genetics, 2013, 9(3): e1003345.

[16]LIU S, LORENZEN Eline D, FUMAGALLIM, et al.Population genomics reveal recent speciation and rapid evolutionary adaptation in polar bears[J]. Cell, 2014,157(4): 785-794.

[17]ROHDE H, QINJ, CUIY, et al. Open-source genomic analysis of Shiga-Toxin–Producing E. coliO104: H4[J].New England Journal of Medicine, 2011, 365(8): 718-724.

[18]QUICK J, QUINLANA R, LOMAN N J. A reference bacterial genome dataset generated on the MinION?portable single-molecule nanoporesequencer[J]. GigaScience, 2014, 3(1): 10.1186/2047-217X-3.

Study of Openness and Sharing for Bioresearch Big Data

HOU Yong
(BGI-Wuhan, Wuhan 430074)

This paper presents the concept of bioresearch big data and introduces its openness and sharing statue, and it is believed that biological data openness and sharing can promote scientific research. Due to difficulty of openness and sharing for bioresearch big data in practice exploit, so taking GigaScience for example, its specific research and method are studied in it. Finally, confronting its technological challenge,further development proposes and preliminary forecast are proposed to it.

bioresearch, big date genome, biological data openness and sharing, GigaScience, open access

G203

A

10.3772/j.issn.1674-1544.2017.04.002

侯勇（1989—），男，博士，華大基因研究院副院長，研究員，主要研究方向:腫瘤藥物基因組研究、單細胞分析轉化醫(yī)學研究。

2017年6月24日。