克服肿瘤学研究中的数据管理挑战：NHS-产业界-技术初创与学术合作的经验启示

本研究针对肿瘤学研究中大规模基因组与多模态数据整合面临的存储、共享和治理难题，通过NHS、产业界、技术初创企业（Concr）与学术机构（曼彻斯特大学）的多方协作，采用数据湖（AWS S3）架构实现27TB数据的联邦式安全存储。研究提出早期规划、多利益方参与和严格治理框架是确保数据合规共享的关键，为精准肿瘤学（如CUP-COMP研究中WGS和ctDNA分析）的跨机构合作提供了可扩展模板。

　　

在肿瘤学研究领域，基因组数据的爆炸式增长为精准医疗带来了前所未有的机遇，但随之而来的数据管理难题却成为制约研究进展的瓶颈。大规模全基因组测序（WGS）和循环肿瘤DNA（ctDNA）分析产生的海量数据，如何在确保患者隐私的前提下实现跨机构共享？如何协调医院、企业和学术机构的不同数据治理要求？这些问题在未知原发灶肿瘤（CUP）等复杂疾病研究中尤为突出——这类疾病往往需要整合多中心临床数据与高通量基因组数据才能指导治疗决策。

针对这一挑战，英国曼彻斯特大学癌症科学部（Division of Cancer Sciences, Faculty of Biology, Medicine and Health, The University of Manchester）联合克里斯蒂NHS基金会信托（The Christie NHS Foundation Trust）、罗氏制药（Roche Products Ltd）和技术初创企业Concr，在创新英国（Innovate UK）资助下开展了CUP-COMP研究。该团队创新性地采用亚马逊云服务（AWS S3）构建数据湖架构，成功实现了27TB基因组与临床数据的安全存储与跨部门共享，相关成果发表在《European Journal of Cancer》上。

研究人员主要运用三项关键技术：1）基于AWS S3的数据湖架构设计，支持多模态数据（包括来自7个NHS中心的临床数据和Foundation Medicine的WGS数据）的联邦式存储；2）采用SHA-256加密和Cyberduck传输工具确保数据安全流动；3）通过eTARGET平台实现基因组数据可视化，辅助分子肿瘤委员会（MTB）进行临床决策。这些技术组合既满足了GDPR合规要求，又为机器学习预测算法等下游分析提供了基础。

数据湖架构的实践智慧

研究团队详细记录了从方案选择到实施的全过程。面对27TB数据的长期存储需求，传统NHS服务器无法满足，而公有云方案成本过高。最终采用曼彻斯特大学基础设施支持的本地化数据湖，通过角色权限控制、实时访问审计和多因素认证等15项安全措施，在6个月内完成部署。特别值得注意的是，团队开发了独特的"哈希值邮件确认"流程：数据上传前生成SHA-256哈希值，经邮件确认后才启动传输，这一创新既保证了数据完整性，又符合医疗机构的合规文化。

多利益相关方协同治理

研究揭示了跨部门协作的黄金法则：以最严格方的数据政策为准绳。例如，尽管Concr具备直接处理原始数据的能力，但为满足NHS的Caldicott原则，所有临床数据必须由克里斯蒂医院团队先行伪匿名化。法律团队采用Lambert协议模板，耗时4个月完成22项数据共享协议的签署，其中明确规定：产业合作伙伴仅能访问经MTB认定的"可行动突变"（actionable mutations）数据，而原始基因组数据保留在学术机构控制下。

迈向FAIR数据生态

研究结束时，团队将匿名化数据存入欧洲基因组-表型组存档（EGA），践行"可发现、可访问、可互操作、可重用"（FAIR）原则。这种设计不仅支持后续研究（如利用该数据集开发了CUP亚型预测算法），更创建了可持续的数据共享范式——目前该架构已被英国3个后续肿瘤临床试验采用。

这项研究的里程碑意义在于，它首次系统验证了数据湖模型在跨国制药企业、 NHS和学术机构三方协作中的可行性。研究提出的"早期成本核算""治理框架先行"等原则，尤其适用于需要整合真实世界证据（RWE）与基因组数据的精准医学项目。随着英国国家医疗服务体系（NHS）推动"可信研究环境"（TRE）建设，CUP-COMP的经验为平衡数据安全与科研创新提供了重要范本，其核心框架已被全球基因组与健康联盟（GA4GH）纳入技术标准推荐案例。对于正在蓬勃发展的中国精准医疗研究，这种强调"治理与技术同步进化"的模式，或许能启发我们思考如何构建符合本土法规的多中心数据共享平台。