多组学研究中伴随元数据共享与格式化的感知和技术障碍及解决策略

本文综述了多组学研究中伴随元数据共享面临的问题。元数据对组学数据管理至关重要，但存在感知和技术障碍，如缺乏统一标准、隐私担忧等。文章探讨了这些障碍的影响，并提出标准化、教育、强化期刊和资助机构作用等解决方案，对推动多组学研究意义重大。

　　

一、引言

1. 元数据在多组学数据分析中的作用：过去十年，下一代测序技术发展使大量公共组学数据可获取，这些数据存储在如 ArrayExpress、序列读取档案（Sequence Read Archive）和基因表达综合数据库（Gene Expression Omnibus）等公共存储库中。元数据是关于原始数据生成、来源和背景的描述性信息，遵循 FAIR（可发现、可访问、可互操作、可重用）原则对数据管理至关重要。它能帮助研究人员理解、管理、分析组学数据，提高数据的可发现性、解释性，助力数据库管理和研究的可重复性。
2. 元数据在二次分析中的作用：二次分析是对现有数据和元数据的重新分析，有助于生物医学领域的新发现。准确、结构良好的元数据对二次分析至关重要，例如可用于整合和比较不同研究的结果，还能推动新项目和发现，如 Genomes OnLine Database（GOLD）的生态系统元数据助力研究不同环境中相关酶基因型的分布。
3. 改进元数据共享实践的必要性：科学期刊和研究组织虽要求共享原始组学数据，但元数据共享指导有限。多组学数据的高维度和多样性给二次分析带来挑战，不规范的元数据会影响分析结果的准确性。共享元数据能增强研究的可重复性和稳健性，许多学术出版商和组织鼓励共享元数据。

二、元数据共享的障碍

1. 统一标准和指南采用不足：元数据和数据标准（如 FAIR 合规、ISO/IEC 11179、临床数据交换标准协会（CDISC）等）的采用不足，导致元数据和数据共享实践不统一，阻碍了交叉检验、数据库开发和二次分析。不同研究对人口信息等的报告方式不同，增加了数据整合的难度。
2. 隐私、法律和伦理问题：生物样本提供者的隐私、法律和伦理问题限制了元数据在公共领域的共享。元数据可能包含敏感信息，共享可能涉及法律障碍，如美国的健康保险流通与责任法案（HIPAA）和欧盟的通用数据保护条例（GDPR）。数据泄露的风险也使得研究人员对共享元数据有所顾虑。
3. 研究设计的局限性：研究设计会限制元数据的可用性。实验设计阶段若缺乏对元数据收集的规划，可能导致元数据不完整或缺失。机构审查委员会（IRB）的限制和患者的选择也会影响元数据的共享，同时，数据收集方法不当会降低元数据的质量。
4. 研究人员缺乏激励：研究人员缺乏分享元数据的动力和激励，当前学术环境更注重论文发表，且对元数据价值认识不足，缺乏认可和信用机制，这导致研究数据共享不足，阻碍了新发现和研究的可重复性。
5. 基础设施不足：共享和存储元数据的基础设施不足，元数据与原始数据存储分离，增加了访问和整合的难度。不同国家的数据存储库在质量和数量上存在差异，缺乏有效的元数据管理系统影响了数据的可重复性和再利用。
6. 缺乏专业人员：人员在元数据共享方面的培训不足，会导致元数据管理出现问题，如不准确、不完整的报告，增加数据泄露和丢失的风险，且缺乏熟练人员会导致元数据记录不一致，影响数据的查找和使用。

三、提高元数据可用性和质量的解决方案

1. 促进标准化：需要制定和采用标准化的元数据报告指南，特别是针对真核生物测序项目。应明确指南，确保元数据符合 FAIR 原则，同时推动这些指南的广泛应用。像国家微生物组数据协作组织（NMDC）致力于促进微生物组研究社区采用标准化元数据实践，相关举措应扩大规模。
2. 教育努力：教育项目和培训研讨会可提高研究人员对元数据共享重要性的认识，教授相关技术和知识。例如 Metadata for Machines（M4M）研讨会促进了机器可操作的 FAIR 元数据组件和模板的定义和推广，各机构的数据管理员可协助研究人员进行有效的数据管理。
3. 资助机构和期刊的作用：期刊可通过要求作者遵守指南来规范元数据和数据共享，促进采用标准化格式。资助机构可将元数据共享作为资助条件，激励研究人员遵守相关指南，如美国国立卫生研究院（NIH）要求研究项目包含数据管理和共享计划。
4. 激励和奖励：提供激励措施，如认可元数据共享对研究的贡献，可促进元数据的共享。数据期刊的发展为巩固元数据共享标准提供了机会，还可通过与数据生成者合作，探索提高元数据共享的策略。
5. 改善基础设施：建立强大的元数据共享和存储基础设施，确保与原始数据无缝集成。应加强数据安全措施，保护数据隐私，如采用物理分离和永久链接的策略，同时利用匿名化方法和联合分析等技术。研究机构应重视元数据管理，提供资源支持，国际间应加强合作，建立标准化协议。

四、讨论

1. 提升元数据可用性的机遇：为人员提供全面培训，开发用户友好的网络工具和软件，有助于提高元数据共享水平。期刊和公共存储库应制定政策促进元数据传播，科学界应广泛实施元数据共享标准，如 MINSEQE（关于高通量测序实验的最低信息标准），以提高实验整合性和研究价值。
2. 人工智能的作用：随着技术发展，人工智能（AI）可用于提高元数据质量和可用性。AI 可自动化错误检测和纠正，提高数据验证能力，机器学习模型能标准化元数据，减少不一致性和人为错误，AI 驱动的聊天机器人可优化元数据输入和错误处理。
3. 改善元数据的益处：提高元数据的可用性和质量对科学界有诸多好处，支持数据驱动的决策制定和政策发展，涉及医疗、环境和社会科学等多个领域。这有助于推动科学进步、促进合作、提高研究的可重复性，对科学知识的传播和应用具有重要意义。