开启地球与环境科学中物理样本追踪与溯源的新纪元：跨学科开放研究实践指南

为解决物理样本及其关联数据在跨学科研究中存在的元数据缺失、溯源困难及引用不规范等问题，ESIP Physical Samples Curation Cluster团队通过整合社区实践与案例研究，制定了《Publishing Open Research Using Physical Samples》指南。该研究提出样本持久标识符(PID)和标准化元数据的应用框架，显著提升样本可发现性、互操作性和重用性，为地球与环境科学领域的开放数据生态奠定基础。

　　

研究背景与意义

在地球与环境科学领域，物理样本（如岩石、土壤、水体）及其衍生的基因组、代谢组数据是科学发现的基石。然而，当前样本管理面临三大挑战：元数据稀疏或分散（仅30%样本有完整记录）、跨系统溯源困难（如微生物组数据与母体土壤样本失联）、以及引用不规范导致学术贡献难以量化。美国NSF等机构虽已要求样本数据遵循FAIR原则（可查找、可访问、可互操作、可重用），但缺乏统一操作指南，导致样本引用率不足25%（如密歇根大学动物博物馆仅19%论文标注样本编号）。这种混乱状态严重阻碍了科学重现性，每年造成数百万美元重复采样成本。

研究设计与方法

由劳伦斯伯克利国家实验室Joan E. Dameron和亚利桑那大学Andrea K. Thomer领衔的国际团队，通过ESIP（地球科学信息合作伙伴）物理样本管理集群，联合21家机构开展为期4年的研究。研究分为三阶段：(1)系统梳理现有标准（如IGSN、BioSample、MIxS）；(2)分析4类典型场景（大规模样本引用、实验室数据追踪等）；(3)基于社区反馈制定实践指南。关键技术包括：

1. 样本关系建模（采用iSamples框架构建父-子样本网络）
2. 跨系统PID映射（如IGSN与DOI的自动化关联）
3. 文本挖掘技术（从245篇论文提取非结构化样本编号）
4. 分布式元数据集成（通过DataCite Schema连接12.5万+样本记录）

研究结果

现有社区实践与基础设施

通过对比OGC、GSC等7大标准体系，发现地球科学样本注册率（通过SESAR）达26%，但生物样本仅5%使用Darwin Core Triplets。关键差距体现在：

• 元数据模板：88%地球化学数据集含经纬度，但仅34%标注采样深度
• 标识符系统：IGSN在岩芯样本覆盖率超90%，但微生物菌株仍依赖非解析性ID（如ATCC 35583）
• 数据关联：IEDA2通过"HasPart"关系字段实现5万+样本与ECL数据集自动链接

四大应用场景验证

1. 大规模样本管理：WHONDRS项目通过IGSN串联100个河流站点水样与JGI基因组数据（图2），使数据整合效率提升300%
   
   
2. 学术贡献量化：文本挖掘显示UMMZ标本使用论文中仅18.9%包含可追踪编号，而采用PID的IGSN样本被引频次高4.2倍
3. 实验室服务评估：JGI通过Data Citation Explorer追踪到4000+论文使用其数据，但60%通过间接引用（如母体样本DOI）
4. 跨学科数据联通：ESS-DIVE通过RDF框架将沉积物代谢组数据与KBase模型关联，减少80%人工匹配工作量

作者指南核心内容

提出的四步法（图3）显著提升样本FAIR化水平：

1. 元数据标准化：采用SESAR模板必填14项核心字段（如materialType_OGC）
2. PID全周期应用：支持IGSN、ARK等多类型标识符
3. 数据出版规范：EarthChem要求数据集包含"IGSN"专属列
4. 多重引用机制：允许通过数据集DOI批量引用5000+样本
   
   

结论与展望

该研究首次建立跨地球科学、生物学、信息科学的样本管理框架，其价值体现在：

1. 科学层面：使历史样本重用率提升至GBIF水平（日均2篇衍生研究），特别适用于不可再生样本（如极地冰芯）
2. 技术层面：推动PID Graph（标识符图谱）在物质科学中的应用，解决DiSSCo等欧洲基础设施的互操作难题
3. 伦理层面：通过CARE原则（Collective Benefit, Authority to Control）保障土著社区样本主权

未来需攻克三大瓶颈：(1)开发轻量级野外采集APP（如StraboSpot的离线注册功能）；(2)建立期刊-仓储联合评审机制（参照AGU数据政策）；(3)扩展PID类型支持（如BioSample^NCBI与IGSN的交叉解析）。该成果为《科学数据》期刊推动的"物质样本FAIR化"全球倡议提供了关键技术路径。