《Journal of Molecular Biology》：The CFDE Workbench: Integrating Metadata and Processed Data from Common Fund Programs
编辑推荐：
本刊推荐：为解决NIH Common Fund（CF）多项目数据难以互通和整合的问题，研究人员开展了“CFDE工作台”这一主题研究。该工作台通过建立数据门户、信息门户、提交系统、搜索引擎及AI助手等组件，集成了来自多个CF数据协调中心（DCC）的标准化元数据（C2M2模型）、处理数据（如知识图谱断言、基因集库XMT）和分析工具。研究结果表明，该平台显著提升了CF数据的可发现性、可访问性、互操作性和可重用性（FAIR原则），并使其具备人工智能（AI）分析就绪状态，为跨项目的生物医学知识发现提供了强大支撑。
在当今生物医学研究领域，数据量正以前所未有的速度增长。美国国立卫生研究院（NIH）的Common Fund（CF）项目自2006年启动以来，资助了众多雄心勃勃的跨机构研究计划，如基因型-组织表达（GTEx）、人类微生物组计划（HMP）、LINCS项目等。这些项目产生了海量的、多样化的高维数据集，涵盖了从人类和小鼠细胞、组织的多组学（Omics）分析到成像和临床测量等深度表型数据。然而，一个巨大的挑战也随之而来：这些由不同CF项目产生的高价值数据，如同散落在各处的“信息孤岛”，彼此之间缺乏有效的连接和互通。研究人员若想综合利用来自不同CF项目的数据来回答复杂的科学问题，往往需要耗费大量精力在不同数据门户、不同数据格式和不同访问方式之间周旋。数据的可发现性、可访问性、互操作性和可重用性——即FAIR原则——难以得到保障，这严重阻碍了数据价值的充分发挥，特别是对于需要整合多源数据的人工智能（AI）分析而言，更是构成了巨大障碍。
为了破解这一困境，NIH Common Fund数据生态系统（CFDE）项目应运而生，其核心目标正是促进跨多个CF项目的数据可访问性和互操作性。作为CFDE项目的重要组成部分，数据资源中心（DRC）承担了开发CFDE工作台（CFDE Workbench）的重任。这项研究成果正式发表在《Journal of Molecular Biology》上，它系统介绍了一个基于网络的综合性平台，该平台旨在托管、整合并展示由CFDE及其参与项目贡献的经过处理的标准化数据、元数据、分析工具和实际应用案例。
研究人员开展这项研究，旨在构建一个统一的入口和操作环境，使得生物医学研究者能够轻松地发现、访问、分析并整合来自不同CF项目的资源。他们并非简单地汇集原始数据，而是致力于提供经过标准化、抽象化处理的知识表示，例如统一的元数据模型、基因集库、知识图谱断言等，并开发了一系列下游分析工具，使得跨CF项目的知识发现变得前所未有的便捷。研究得出的结论是，CFDE工作台成功地整合了来自众多CF数据协调中心（DCC）的资源，通过其数据门户、信息门户、智能搜索引擎、AI助手以及丰富的分析工具集，有效地将CF资源变得协调一致、符合FAIR原则且为AI分析做好准备。其重要意义在于，它为生物医学研究社区提供了一个强大的、一站式的平台，极大地促进了跨CF项目的协作和数据驱动的新发现，加速了从数据到知识的转化过程。
为开展此项平台构建研究，作者团队主要运用了以下几项关键技术方法：1. 标准化元数据模型与数据提交系统 ：建立了跨领域元数据模型（C2M2），并开发了在线数据/元数据/代码资产提交系统，支持来自18个CF参与项目的数据协调中心（DCC）上传标准化资产，并利用FAIRshake工具进行FAIR度自动评估。2. 数据集成与数据库构建 ：将提交的C2M2元数据包、XMT（如GMT/DMT）基因集库、知识图谱（KG）断言、属性表等处理数据，通过提取-转换-加载（ETL）流程整合到关系型数据库（如PostgreSQL）中，建立索引并构建用于快速全文搜索的扁平化表。3. 网络平台与云基础设施开发 ：使用Next.js等框架开发了数据门户（含数据矩阵、搜索引擎、AI助手）和信息门户，采用基于Docker容器和Kubernetes编排的云原生架构（部署于亚马逊AWS云）来托管平台各个组件。4. 人工智能与知识图谱技术应用 ：集成大型语言模型（LLM，如GPT-4/GPT-5）构建AI助手，通过模型上下文协议（MCP）服务器连接CFDE资源与工作流（如Playbook Workflow Builder）；利用Neo4j等图数据库存储和查询知识图谱数据，支持复杂关联发现。5. 下游分析工具链创建 ：开发了包括Playbook Workflow Builder (PWB)、基因集富集分析（CFDE-GSE）、GeneSetCart、CFDE-DD-KG-UI（基于Cytoscape.js）、基因与药物着陆页聚合器（GDLPA）等一系列交互式生物信息学分析工具，并与平台深度集成。
METHODS AND RESULTS
The CFDE Workbench Workflow
CFDE工作台主要由数据门户（
https://data.cfde.cloud/ ）和信息门户（
https://info.cfde.cloud/ ）两大组件构成。数据门户负责编目来自各参与DCC的多种标准化处理数据、元数据文件及其他数字资产，用户可通过数据矩阵下载或搜索引擎查找。信息门户则提供关于各DCC及CFDE联盟活动（如培训、合作项目、协议）的相关信息。研究通过图示展示了工作台如何接收DCC提交的资产，经评估后提供给数据矩阵、搜索引擎，并支撑下游工具（如PWB, GeneSetCart等）的运行，形成了一个从数据汇入到知识发现和工具应用的完整工作流。
The CFDE Workbench Submission System
为了高效协同地将资产摄入工作台，DRC实施了一套数据和元数据提交系统。该系统为用户分配不同角色（普通用户、DCC提交者、DCC批准者、DRC审核者），并提供两种用户友好的输入表单：用于上传数据/元数据文件的表单和用于提交代码资产URL及描述的表单。提交的资产会使用FAIRshake工具进行FAIR度评估，评估结果以徽章形式显示，供DCC参考改进。该系统使得DCC能够控制其资产的可见性，并标记最新版本。资产类型主要包括文件资产（如C2M2包、KG断言、XMT、属性表）和代码资产（如ETL脚本、API文档、实体页面模板、PWB元节点、模型等）。
Metadata Packages for Capturing Common Metadata Elements
跨领域元数据模型（C2M2）是确保CF资源间数据可发现性的关键，它使用本体和受控词表（如Uberon用于解剖学，HPO用于表型等）来协调不同DCC及其资产的术语。C2M2包包含大约50个相关表中的元数据项，涉及DCC、项目、样本、文件等。工作台将C2M2的TSV（制表符分隔值）文件摄入数据库，并利用外键约束生成完全扁平化（FFL）表进行索引和快速全文查询。截至2025年12月，工作台包含约206万个生物样本和超过612万个文件记录，并对主要数据字段和DCC贡献情况进行了统计汇总。
The CFDE Workbench Data Matrix
数据矩阵（
https://data.cfde.cloud/matrix ）是数据门户的核心组件，它汇总了来自约18个CF参与项目的可用资产。虽然各个CF DCC仍负责托管其项目产生的原始数据，但数据矩阵使用户能够在一个位置访问来自不同CF项目的、经过标准化和抽象的知识表示。它跟踪来源，对提交的文件进行FAIR评估，并支持与OpenAPI、SmartAPI等社区标准以及PWB元节点、MCP服务器规范等内部CFDE标准的集成。
The CFDE Workbench Data Portal Search Engine
工作台搜索引擎为用户提供了友好的查询界面，可统一搜索CF项目的高处理数据、元数据、工具和分析平台。它支持搜索语法（如AND, OR, 排除等），并能返回C2M2元数据搜索结果和处理数据搜索结果。用户可以对结果进行过滤（按疾病、物种、解剖部位、DCC等），并下载JSON格式的详细信息。搜索结果还链接到下游生物信息学工具，例如，搜索特定人类基因名，会返回可用于进一步分析该基因的CFDE工具卡片，点击后可直达工具界面进行深入分析。
The CFDE Workbench AI Assistant
工作台集成了AI助手（
https://data.cfde.cloud/chat ），它利用OpenAI的Responses API将用户查询发送至LLM（如GPT-4），LLM通过查询与CFDE资源连接的MCP服务器来获取信息并选择适当工具（包括执行PWB工作流）。该助手可以回答关于CF项目、出版物、数据分析方法等问题，并能直接在工作流中可视化结果。通过对多种LLM（如GPT-3.5, GPT-4, GPT-5, Mistral Large等）在回答CFDE相关问题上的表现进行人工盲评，发现GPT-5表现最佳。系统提示词被设计用于减少“幻觉”，要求助手严格使用MCP服务器信息并仅回答与CFDE/CF/DCC相关的问题。
CFDE Workbench Downstream Analysis Tools
整合来自CF项目集合的数据、元数据和API，促进了能够结合多个CF数据集和工具进行假设生成的下游分析工具的诞生。这些工具包括Playbook Workflow Builder (PWB)、GeneSetCart、CFDE基因集富集分析（CFDE-GSE）、基因与药物着陆页聚合器（GDLPA）、FAIRshake以及CFDE数据精炼知识图谱用户界面（CFDE-DD-KG-UI）等。工作台设有专门版块展示利用这些工具创建的25个应用案例。CFDE-GSE和GeneSetCart的功能也被嵌入数据门户，用户可直接进行基因集富集分析或交叉分析。
The CFDE Workbench Gene Set Enrichment (CFDE-GSE) Tool
为了进一步促进跨CF项目的发现，DRC系统地将CF数据集处理成基因集库，并通过CFDE-GSE（
https://gse.cfde.cloud ）提供服务。CFDE-GSE将来自8个CF项目（LINCS, GTEx, Metabolomics, IDG, GlyGen, KOMP2, MoTrPAC, HuBMAP）的10个基因集库存储在Neo4j图数据库中，提供基于Fisher精确检验的富集分析功能，并能查询基因、药物、代谢物、组织等实体在整合CF知识中的关联。
Use Case 1: Finding Drugs to Modify Disease Genes that Change in Expression with Age
通过结合LINCS和GTEx等CF项目的数据，以及GWAS Catalog、ClinVar等来源的疾病基因信息，工作台工具可用于优先考虑潜在生物标志物和新型疗法。以阿尔茨海默病（AD）为例，研究人员将alzGene数据库中的70个AD相关基因提交至CFDE-GSE，针对GTEx衰老基因集库进行富集分析，发现了6个在血液中随年龄增长表达变化的基因（如PLAU）。随后，通过CFDE AI助手查询LINCS数据，找到了能最大程度降低PLAU表达的候选药物NXY-059，展示了平台在发现潜在疗法方面的能力。
Use Case 2: Discovering Unique Information About a Gene from Common Fund Datasets
工作台通过整理、协调和处理来自众多CF项目的基因和蛋白质数据，提供了关于所有人类基因和蛋白质的经过消化和清理的见解。以IDH1基因为例，在数据门户搜索引擎中查询“IDH1”，可以找到来自多个CF项目（如Metabolomics Workbench, LINCS, IDG, GlyGen）的C2M2文件、基因集以及指向IDH1基因页面的链接。该基因页面链接到PWB等工具，可以生成关于IDH1的综合报告，包含其在GTEx组织中的表达、LINCS扰动数据、KOMP2小鼠表型、MW代谢物关联、GlyGen糖基化位点等信息。AI助手也能回答关于IDH1的特定问题，如其在GTEx组织中的表达谱或能调节其表达的LINCS药物。
The CFDE Workbench Cloud Infrastructure
CFDE工作台的基础设施托管在亚马逊AWS云账户中。工作台的不同组件（如信息门户、数据门户、聊天机器人）由不同的Docker容器提供服务，并通过Kubernetes进行编排管理。
CONCLUSIONS AND FUTURE DIRECTIONS
CFDE工作台通过结合数据和信息门户，成为一个综合性资源，使用户能够收集CFDE和CF的资源信息与数据，并能跨协调一致的（元）数据查询疾病、基因、药物等生物实体。研究表明，该工作台有效支持了生物医学研究中的队列选择，并促进了跨程序知识发现。未来，工作台将在多个方面持续改进，例如增强AI就绪性（如通过API提供数据框）、扩展C2M2以包含患者元数据（如BMI、吸烟状况）、增加数据门户中链接的分析工具数量、将C2M2数据转换为知识图谱数据库（如Neo4j）、加强信息门户的协作与内容提交功能等。此外，工作台已开始与GEO、CPTAC、Harmonizome、UniProt等外部公共数据资源和工具实现互操作。总之，CFDE工作台是一个符合FAIR原则的资源，实现了CF数据和元数据的发现、访问与分析，并正成为推动跨CF项目FAIR数据分析和生物医学发现的重要平台。
