“數據庫賬號突然登不進去了？”

4月6日一早，在北京某研究機構做博士后的遺傳學博士韋川收到審稿人來信，要求他補充此前一篇投稿中的數據分析。韋川打開SEER數據庫終端，想要搜尋數據，發(fā)現自己的賬號已經無法登錄。導師告訴他，SEER等多個生命科學和醫(yī)學領域數據庫已被封禁。

SEER即美國國立癌癥研究所（NCI）管理的“監(jiān)測、流行病學和結果數據庫”，是全球最具代表性的大型腫瘤登記注冊數據庫之一，收集了大量循證醫(yī)學數據，一直以來向全球研究者開放。而SEER只是被切斷的數據庫之一。NCI隸屬美國國立衛(wèi)生研究院（NIH）。4月2日，NIH發(fā)文，稱從2025年4月4日起，禁止包括中國在內的“受關注國家”訪問其管理的21個受控訪問數據庫。

韋川原本還要參與對研究生的SEER數據庫使用培訓，如今也暫時擱置。個人學業(yè)之外，中國國內科研整體可能面臨研究受阻、研發(fā)推遲等問題。美國數據“斷供”下，國內生命醫(yī)學領域研究該如何應對？

依賴受控數據的研究受到沖擊

NIH對受控數據庫的訪問限制看似突然，實則早有鋪墊。

去年2月，美國拜登政府頒布第14117號行政令，旨在限制部分國家獲取美國個人敏感信息以及美國政府信息。基于該行政令，包含個人基因組信息在內的一些生物學數據被列為敏感信息，源于美國境內的數據不能傳到包括中國在內的部分國家。

此后，為了實施該行政令，去年12月，美國司法部發(fā)布一項最終規(guī)則，要求“防止受關注國家獲取美國敏感個人信息和政府相關數據”，以及“禁止和限制與某些國家或個人的某些數據交易”，今年4月8日起正式生效。

已公布的21個受控數據庫均由NIH直接或間接管理。NIH是全美最高水平醫(yī)學與行為學研究機構，也是全球最大的生物醫(yī)學研究公共自主機構，下設 27 個研究所和中心，聚焦不同疾病領域。受控數據庫匯集了全球最核心的人類基因組、表型信息和疾病研究數據，其中最受關注的是人類基因型-表型數據庫dbGaP和大型基因組分析云平臺AnVIL。

北京某高校生物信息學教授周卓向《中國新聞周刊》介紹，數據“斷供”對大多數生命科學和醫(yī)學領域影響不大，主要影響基因組學、癌癥研究領域。dbGaP存儲的基因組與疾病數據來自全球研究者提交的數據，研究對象覆蓋全球數百萬人，是癌癥治療、罕見病研究等領域的重要數據源。而AnVIL是跨機構協作的重要平臺，支撐著全球三成以上的基因數據分析項目。

多位受訪者表示，在癌癥、基因組學研究領域，NIH旗下數據庫非常重要，特別是在罕見病研究方面，由于單一國家難以獨立獲得足夠樣本，NIH各平臺幾乎是不可或缺的。韋川對SEER最熟悉，他認為，SEER的優(yōu)勢在于樣本量非常大，目前已覆蓋48％的美國人口，人種分布也很均衡，其癌癥發(fā)病率和生存率數據很可能支撐著全球超過70％的癌癥機制研究。

此外，一項研究可能需要多類別數據，而NIH對基因組和癌癥研究領域數據庫的封禁很全面。周卓表示，以癌癥研究為例，研究者可能需要訪問癌癥基因組計劃（TCGA），以尋找某種癌癥類型的基因組學證據，同時也需要訪問基因型-組織表達（GTEx），以獲得健康組織的對比數據。而TCGA是基因數據共享平臺（GDC）的一部分，后者很大程度上依賴dbGaP收集的研究數據。申請GTEx數據也需通過dbGaP進行。dbGaP“斷供”，相當于阻斷了這部分研究的數據源頭。

值得注意的是，部分NIH數據庫包含受控和開放數據庫兩個部分。前者由于具有個人基因組信息等敏感內容，原本就需要注冊使用，在獲得數據庫官方授權后才能訪問。后者目前仍保持開放。韋川指出，TCGA、GDC等數據庫的開放數據如基因表達矩陣目前仍可下載，但原始基因測序數據屬于受控數據，原來研究者只要申請大都能下載，只是時間長短問題。但4月8日之后，中國申請者的申請都將被拒。

一位在上海某高校醫(yī)學院研究胸部腫瘤的三年級博士生向《中國新聞周刊》表示，對于普通臨床研究，開放數據庫基本夠用，但當研究進入到篩選癌變點位、尋找藥物靶點等前沿領域，基因層面的數據不可或缺。直觀來說，受到沖擊最大的是那些已經依賴受控數據的研究。同時，與數據挖掘同時進行的實驗室生物組織培養(yǎng)等配套研究，也都成了“沉沒成本”?！皵祿A沒了，養(yǎng)的細胞可能都要扔掉。如果重新尋找基因位點，整個課題可能都要重新設計?！痹摬┦可f。

在韋川看來，盡可能完整翔實的數據是研究的根基，尤其是罕見病研究，如果靠個人或單位去零散的醫(yī)療機構收集發(fā)病率萬分之一以下的病例，將十分困難。很多團隊用公共數據篩選基因位點，如果轉回實驗室從頭開始一個個位點進行試錯，課題成本將飆升2—3倍。

周卓指出，尋找替代數據或自行收集大規(guī)模樣本，將顯著增加科研成本和不確定性。對癌癥研究來說，如果無法獲取相關基因突變數據，就無法篩選患者入組，試驗周期將無限拉長，甚至陷入停滯。依賴NIH數據驗證療效的藥物研發(fā)也將顯著受阻。

此外，周卓分析說，在NIH數據已成為“標配”的研究領域，替代數據的權威性會受到審稿人質疑，向《自然》《科學》等國際頂刊投稿的道路將更加坎坷，尋求國際合作也將更困難。“領域內學術競爭力的下降，可能是國內相關團隊要面臨的最大挑戰(zhàn)。”

多位高校教師向《中國新聞周刊》表示，未來，隨著歐美政府向著國家安全、隱私保護的政策方向傾斜，針對中國學術界的訪問限制只會越來越多。周卓分析，原本開源的基因分析工具包GATK也跟隨數據平臺被封禁，國產測序工具的兼容性和效能還很難完全匹敵。PubMed這樣的工具也難免有風險，但不太可能全線封禁，更可能會添加數據分級、進行有針對性的搜索權限發(fā)放和審批。

應打造深度數據共享平臺

為應對“數據危機”，國內研究者已開始自救，調整科研策略。韋川發(fā)現，生物信息學專業(yè)的學生相對而言更好轉向，因為他們的研究受到的限制更小，可以使用NIH旗下依然開放訪問的功能基因組學數據庫GEO，或者轉向歐洲的UK bioBank數據庫。后者相比于dbGaP和TCGA擁有更多用戶。

但基因組學等前沿領域研究者的轉型就沒那么容易了，因為他們迫切需要特定領域的數據。韋川指出，數據庫會記錄研究者獲取數據的時間，即使想方設法在4月4日后獲取到了受控數據，也會被質疑數據源的合法性，以致無法公開使用?！暗倳欣@過限制的手段，比如轉向海外聯合研究項目，以及尋找海外合作者共同署名?！?/p>

多位受訪者認為，數據封禁很可能倒逼國內加快生物醫(yī)學數據基礎設施建設，減少對外依賴。

2019年，國家生物信息中心（CNCB）和國家基因組科學數據中心（NGDC）相繼成立。目前，NGDC數據庫覆蓋DNA、RNA、宏基因組、單細胞等多類數據，同時也備份了十余個NCBI數據庫。CNCB-NGDC主要任務是構建檔案平臺和信息系統(tǒng)，開發(fā)算法和工具，在周卓看來，這是一套技術邏輯完整、標準逐步完善的“國家級數據中樞”，對標NCBI生態(tài)。去年11月，CNCB還成功研發(fā)了DNA數據存儲系統(tǒng)“畢昇一號”，大大降低了存儲成本。

此外，越來越多醫(yī)院和科研所開始構建自己的樣本庫和數據庫，例如北京協和醫(yī)院的罕見病基因庫、上海瑞金醫(yī)院的腫瘤表觀組學平臺等。周卓分析說，對使用者而言，國內數據基于中國本土人群，在東亞人遺傳變異、罕見病等領域具有獨特優(yōu)勢。

但問題也顯而易見。據相應官網信息，CNCB目前歸檔的國內數據為70.4PB，國外數據為7.75PB，而NIH下屬NCBI的歸檔數據就超過100PB?？傮w而言，國內自主數據庫的數據量約為美國的1/3，且國際認可度尚待建立。周卓指出，以CNCB為代表的國內數據庫存儲的數據總量可能超過400PB，可供科研調用的結構化數據只有一小部分。數據清洗、標準化存儲的工作還有待持續(xù)推進。

此外，前述癌癥中心研究員表示，國內仍存在大量“數據孤島”，估計有超過90％的腫瘤樣本數據分散在各地醫(yī)療和科研機構之中，共享程度很低，未來還需要系統(tǒng)性整合。但目前，國內仍缺乏腫瘤生物樣本的大數據平臺。

CNCB每日更新數據共享排行榜，截至發(fā)稿前，榜上共有3829組數據。以審核周期、處理率和通過率進行共享度評分，滿分5分，超過4分的數據有260余條，僅占6.2％。

多位受訪者指出，要從根源上提升學術競爭力，就需要構建國家層面的深度共享數據庫。周卓認為，國內數據庫應聚焦中國高發(fā)癌種，如肺癌、結腸直腸癌等，優(yōu)先建立本土化研究隊列。同時，通過國家戰(zhàn)略統(tǒng)籌方式，設立專項、成立相應領域的數據管理中心，將“孤島”數據整合，形成大平臺。這可能需要進一步的立法保障，明確數據所有權、使用權、安全分級和收益分配機制。

“更多的數據還沒被分享出來?！表f川說，“愿意分享辛苦做出的數據的團隊還是少數，畢竟有好的數據在手，都希望自己先分析、出成果、發(fā)論文。如果沒有有競爭力的分享激勵機制，數據共享從何談起呢？”

（文中韋川、周卓為化名）