解锁PubMed Central补充数据文件的潜在价值：基于GCBR的生物医学文献挖掘新策略

本研究针对生物医学文献中大量"暗数据"——补充数据文件(supplementary data files)未被有效利用的问题，瑞士生物信息学研究所团队系统提取了PMC中85%的补充文件文本（3500万份），通过分析52个全球核心生物数据资源(GCBR)的提及情况，发现补充文件使资源名称检索召回率提升6%，97%的登录号(accession numbers)仅存在于补充文件中。研究揭示了Excel等非结构化格式(占87%)对机器可重用性的限制，为推进FAIR（可查找、可访问、可互操作、可重用）原则下的数据管理提供了重要依据。

　　

在生物医学研究领域，PubMed Central(PMC)和MEDLINE作为两大文献数据库，长期以来为科研人员提供了重要的知识获取渠道。然而鲜为人知的是，每篇论文背后往往隐藏着大量"暗数据"——那些以补充材料形式存在的Excel表格、PDF文档或图像文件，包含着核心论文未收录的关键信息。这些数据如同沉睡的宝藏，由于格式杂乱、缺乏索引，既难以被传统搜索引擎发现，也面临着丢失的风险。更令人担忧的是，随着高通量技术的普及，越来越多的关键生物标识符如基因登录号(accession numbers)被埋没在这些非结构化的补充文件中，严重制约了生物医学知识的整合与利用。

瑞士生物信息学研究所文献服务组(SIBiLS)的Julien Gobeill团队在《Bioinformatics Advances》发表的研究，首次系统评估了这些"暗数据"的潜在价值。研究人员历时两年处理了PMC开放获取文章中85%的补充文件（约3500万份），创新性地以全球核心生物数据资源(GCBR)为评估标尺，通过追踪52个关键生物数据库（如Gene Ontology、UniProt等）的名称及其登录号在这些文件中的分布规律，揭示了传统文献检索存在的巨大盲区。

研究采用多模态文本提取技术：对JPEG图像采用Tesseract OCR识别，PDF使用PyPDF2解析，Excel表格通过pandas处理，Word文档则运用textract提取。通过建立正则表达式匹配体系，精准识别了30个GCBR的登录号模式（如GO:^0005739表示线粒体概念）。为确保数据质量，团队还随机验证了1000个登录号在原始数据库中的存在性。

3.1 不断增长的补充数据文件
分析显示，携带补充文件的论文比例从2000年代的40%激增至2020年代的80%，2022年平均每篇论文附带9百万个登录号。值得注意的是，COVID-19疫情期间开放获取论文数量显著增加，但每篇论文的补充文件数量却出现微妙下降，这可能反映了紧急状态下研究者简化数据提交的策略。

3.2 GCBR名称的检索增益
通过对比MEDLINE摘要、PMC全文和补充文件三个层次的检索效果，研究发现补充文件使GCBR名称的总体召回率提升6%。其中Bgee数据库的增益高达28%，InterPro和Europe PMC分别达到25%和24%。这意味着研究者若仅依赖传统检索，可能遗漏六分之一的相关文献。

3.3 登录号的"数据冰山"现象
最惊人的发现是，97%的GCBR登录号仅存在于补充文件中，使检索结果从190万暴增至6290万条。Gene Ontology的登录号多达2990万条，Human Protein Atlas达1810万条。一个典型案例是，搜索"POLG1"基因时，PMC全文仅返回61篇论文，而补充文件则额外提供221份数据文件（94份Excel、63份PDF），其中216份来自PMC未覆盖的论文。

3.4 文件格式的FAIR困境
尽管数据共享符合FAIR原则的趋势，87%的登录号存储在Excel中，6%为陈旧的XLS格式，仅8%采用CSV/TXT等机器友好格式。研究者发现一个465页的PDF补充文件包含数千个基因标识符，却因跨页表格无法自动解析；另一个443页Word文档虽声明数据已存入FigShare，但仍以原生格式存储，完全违背了可互操作原则。

这项研究的意义远超技术层面：首先，它证实了补充文件作为"影子知识库"的重要地位，特别是对需要追踪特定生物实体（如蛋白质编号）的精准医学研究；其次，揭示了当前数据共享实践与FAIR原则间的深刻矛盾——科研人员为便利性牺牲机器可读性，使用Excel等"人类友好但机器敌对"的格式；最后，SIBiLS平台实现的补充文件全文检索（https://biodiversitypmc.sibils.org/）为生物医学发现提供了新范式。

研究者建议：期刊应要求作者在投稿时同步提交结构化数据；资助机构需强化数据管理计划审查；技术层面可开发智能表格解析工具作为过渡方案。正如论文指出："当87%的关键生物标识符被锁在Excel牢笼中时，我们距离真正的数据民主化还有漫漫长路。"这项研究为打破这道无形壁垒提供了重要的方法论基础和实践路径。