《Communications Biology》：Advancing FAIR data towards comparable, organized, predictive AI-ready data for community validation
编辑推荐：
对生物与环境系统中数据的探究已变得日益复杂。幸运的是，各研究群体正在针对单个数据集采纳FAIR（Findable, Accessible, Interoperable, Reusable）数据原则，并持续开发特定领域的机器可操作标准。然而，跨数据资源整合FAI
对生物与环境系统中数据的探究已变得日益复杂。幸运的是，各研究群体正在针对单个数据集采纳FAIR（Findable, Accessible, Interoperable, Reusable）数据原则，并持续开发特定领域的机器可操作标准。然而，跨数据资源整合FAIR数据以进行荟萃分析仍具挑战。理解不同数据集如何组织仍是一个手动且耗时的过程。更新FAIR数据库以反映知识变化的速度缓慢，使得陈旧注释与错误关系得以传播，并被收割数据的人工智能（Artificial Intelligence, AI）系统放大。在FAIR基础上，研究人员认为数据应当被迭代更新与改进。FAIR?+?COPE（Comparable, Organized, Predictive, Engaged）将FAIR数据转化为可比的数据，快速组织（应用/更新标准）以供预测模型使用，并由参与的社区进行验证与改进。研究人员提供了FAIR?+?COPE资源与科学用例示例，突显了FAIR?+?COPE在科学研究中的重要性。
该研究发表于《Communications Biology》。当前生物与环境系统数据探究日趋复杂，尽管学界已广泛采纳FAIR（Findable, Accessible, Interoperable, Reusable）数据原则并发展出领域特定的机器可操作标准，但跨资源整合FAIR数据进行荟萃分析依然困难。理解异构数据集的组织结构仍依赖手动且耗时的流程，FAIR数据库因更新滞后导致陈旧注释与错误关系传播，并被人工智能（Artificial Intelligence, AI）数据收割系统进一步放大。现有FAIR原则主要针对静态数据集，无法保证跨源数据集能直接整合用于领域特异性预测建模或AI驱动分析，数据集间缺乏可比性、组织性以及社区参与的迭代验证机制。为解决上述问题，研究人员提出在FAIR基础上扩展COPE框架，即Comparable（可比）、Organized（有组织）、Predictive（可预测）、Engaged（社区参与），旨在将静态FAIR数据转化为迭代更新、AI就绪且具备社区验证能力的动态数据生态。研究通过综述现有资源与实证案例，论证COPE作为嵌入科学全周期的主动迭代过程，能够自动化应用评估单位、参数、标准与数据库更新，并利用领域感知AI工具减少人工协调成本，最终实现跨时空、跨尺度数据的可信整合与预测推断。
研究人员开展本研究用到的几个主要关键技术方法包括：基于持久标识符（Persistent Identifiers, PIDs）连接人员、组织与研究产物的数据关联架构；采用本体驱动的标准化标注体系如单位本体（Units Ontology）、微生物表型本体（Ontology of Microbial Phenotypes）及OBO Foundry与BioPortal注册本体进行语义互操作；利用大型语言模型（Large Language Models, LLMs）与动态检索增强生成（Dynamic Retrieval Augmented Generation of ontologies using artificial intelligence, DRAGON-AI）技术实现标准化标签自动施加与上下文相关研究产出识别；依托版本化、可追溯的分析工作流与对象化数据模型（如KBase）实现溯源记录；以及通过数据竞赛（如Critical Assessment of Metagenome Interpretation, CAMI）与社区反馈回路实现人机回环（human-in-the-loop）验证。样本队列来源涵盖INSDC（International Nucleotide Sequence Database Collaboration）基因组数据、BacDive表型测量、Fitness Browser的RB-TnSeq基因必要性数据、UniRef同源分组及GTDB（Genome Taxonomy Database）分类赋值等多源FAIR数据。
研究结果部分保留原文小标题并依原文浓缩如下：
The COPE process for data integration goes beyond the FAIR principles。COPE过程对数据整合超越FAIR原则。研究人员指出FAIR原则虽为高阶基础，但不保证跨源数据集可直接整合用于预测建模。FAIR?+?COPE将链接扩展至领域相关元数据（如采样条件、实验方法、单位），以评估可比性并建立组织关系。当前COPE常属手动、范围受限且难复现。预测断言不仅来自可比有组织数据的分析输出，还包括支撑可比性与组织性的标签或模型更新。FAIR?+?COPE不指定预测模型类型，仅要求标签与单位显性化、版本化并保留与原始FAIR数据的链接。通过嵌入领域感知AI工具，可将FAIR转化为更自动化的FAIR?+?COPE，减少努力同时最大化跨数据源协同，生成伴随不确定性估计的可复现预测分析，并由社区进行人机回环测试验证。
COPE is operationalized by integrating community engagement。COPE通过整合社区参与实现操作化。FAIR已被生命科学界接纳，但FAIR数据集发布后极少因新生物学知识而更新。FAIR?+?COPE将参与嵌入可比性、组织性与预测分析每一步，形成数据与模型持续改进的迭代循环。参与通过数据生产者、消费者与标准制定社区间的界定反馈结构操作化，例如CAMI数据竞赛、MOMSI（Multi-Omics Metadata Standards Integration Working Group）标准调查、SeqCode非培养微生物命名法规及GTDB分类数据库等。FAIR?+?COPE将参与提升为数据全生命周期的必要组件，超越传统的提案与出版评审，发展出迭代互动文化，在AI时代尤为关键以通过人机验证测试AI生成预测。
Ever increasing data complexity has already launched FAIR?+?COPE efforts。日益增长的数据复杂性已启动FAIR?+?COPE努力。生物科学拥有平台与标准随社区需求演进的长久历史，从INSDC、ProteomeXchange到GNPS（Global Natural Products Social Molecular Networking），数据平台已从静态档案演变为知识库平台，其中动态机器可操作FAIR记录包含起源细节及与样本、协议、数据产物、分析与出版物的链接。FAIR?+?COPE放大这些集成研究产物，从静态数据集扩展至支持搜索、探索、分析、可视化与出版的互动跨项目模态。研究人员列举了Australian BioCommons、BV-BRC（Bacterial and Viral Bioinformatics Resource Center）、KBase、ELIXIR、ESS-DIVE、GBIF（Global Biodiversity Information Facility）、INSDC、MGnify、UniProtKB、NMDC（National Microbiome Data Collaborative）、OSDR（Open Science Data Repository）、Planet Microbe等代表性FAIR?+?COPE资源说明其已在实践。
Adoption of FAIR?+?COPE increases the value of scientific data。采纳FAIR?+?COPE提升科学数据价值。采纳可以是增量的。研究人员以微生物基因型—表型预测转化为例说明：从多FAIR源整合数据（INSDC基因组、BacDive表型、Fitness Browser基因必要性、UniRef同源、GTDB分类）后，依次执行COPE四步——Comparable：归一化测量单位至共同单位（Units Ontology或Unified Code for Units of Measure）与条件（Ontology of Microbial Phenotypes及METPO），映射基因功能至更新数据库与共享标识符，标准化分类标签至当前版本并记录工具/版本；Organized：链接基因组—基因—同源群—功能、表型—基因组—环境条件、基因必要性—基因—表型，记录注释流程工具/版本；Predictive：基因调用、功能注释、同源分组与分类指派皆为预测断言，链接证据与方法，代谢模型或机器学习（Machine Learning, ML）工具将表型作为预测应用于缺测量基因组，识别预测与实测差异以揭示模型局限；Engaged：社区评估（如数据竞赛）识别误预测并追溯至数据库误注释基因家族，靶向实验提供经验证据修订注释并触发数据门户更新。研究人员指出这些阶段尚未完全自动化且碎片化，成功衡量指标包括FAIR?+?COPE快速迭代应用增加、社区评估催生新标准或跨域本体连接、AI辅助发现可实验验证的新空白、加速数据库更新促使模型重跑或参数调整并透明更新置信度测量。未来评估应延伸现有FAIR评估工具至COPE特定需求，验证标准注册、归一化方法、不确定性计算方法及物理样本—数据—方法—工作流溯源及其与预测模型链接，并确保可发现重用与恰当署名。
Real-world demonstration of impact: Predicting bacterial phenotypic traits。现实世界影响演示：预测细菌表型性状。Koblitz et al.研究提供已发表ML（Machine Learning）研究作为FAIR?+?COPE用例：以BacDive为表型标签源，但为使数据集可比有组织仍需大量手动COPE过程——预选性状、过滤基因组并借一致分类标识符与质量标准链接至菌株、移除矛盾表型记录。可比性需求在非二元或机制异质性状中尤显：氧需求文献矛盾致7.1%菌株具多氧态，促重组为两个独立模型（AEROBE/ANAEROBE）；运动性初始二元模型因89%误判为滑行菌株失效，需迭代重工程输入标签以对齐生物学机制；连续性状如生长温度因单值与范围混合需额外过滤与类别边界定义。Engaged层面，预测色素产生时发现“pigment-producing”与“no pigment”内部不一致，报告后数据库快速修正。说明FAIR?+?COPE是迭代科学探究，更新FAIR数据节省时间：受控词表与验证规则强制特征/值一致性（Comparable/Organized），数据用户与策展人间结构化反馈回路（Engaged）将FAIR记录转为FAIR?+?COPE的AI就绪数据集。
Real-world demonstration of impact: Community river microbiome catalogue。现实世界影响演示：社区河流微生物组目录。GROWdb（Genome Resolved Open Watershed database）始于多研究合作项目初期协调采样设计、分析工作流与元数据报告结构，定义最小元数据、核心环境测量与质控预期，使数据可比性及聚合分析统计效力超越单项目典型成就。GROWdb广泛用标准与本体术语标注，显式连接微生物生物观察与其环境生态系统背景，样本—数据—环境链接支持快速查询、重组与直接建模ML工作流。预测包括：微生物功能对氧、营养与水文变化的响应预报；微生物对流域生物地球化学通量贡献估算；保守功能对共享环境压力响应识别。社区参与贯穿生成与发布，如与新兴样本元数据报告指引对齐识别缺口、改进变量定义、获更完整元数据；与湖泊分析等特定项目互动确保数据结构支持多样重用。虽需额外协调，但减少下游事后清理与重新解释努力，形成更一致可扩展广泛重用数据库。GROWdb已被多研究组重用，将站点观察实验置于更广流域与跨系统背景，说明FAIR?+?COPE研究助微生物组研究跨尺度从单研究至区域综合。
Building towards a FAIR?+?COPE future。迈向FAIR?+?COPE未来。研究人员旨在将FAIR?+?COPE具现为过程，参与非原则而是嵌入使数据可比、有组织、可预测每阶段的进程，跨数据集协调、本体对齐与可复现建模均需研究者、标准机构、库与工具开发者间持续结构化协作。FAIR?+?COPE将参与形式化为由可衡量建议与策略支持的核心操作过程。实施不易，因数据生成已耗资源且许多COPE就绪资源尚未普适采纳，但标准有效应用已促成变革发现（如AlphaFold得益于PDB（Protein Data Bank）标准）。显式化参与可提高意识并创培训机会支持标准采纳（如NASA Open Science 101、AWGs、NMDC Ambassadors）。学界可通过要求资助者、组织与出版方支持跨平台FAIR数据协调、资助合规工具共建、提供免费开源培训、正式认可奖励研究者产出与改进FAIR?+?COPE数据集来支援。将FAIR?+?COPE加入研究文化将使人与机器更可靠组装探索集成数据以获取可行动洞见。
讨论与结论翻译总结：研究人员在讨论中重申FAIR为必要基础但不足，FAIR?+?COPE通过将参与嵌入数据全生命周期的迭代过程，操作化地实现数据可比性、组织性与预测性，借助自动化评估与领域感知AI减少手动成本，并通过社区结构化反馈与人机回环验证确保预测推断更新与复用。结论指出，FAIR?+?COPE将静态FAIR数据集转化为动态、AI就绪且具社区验证能力的研究产物，其成功可由迭代应用增加、新标准与本体连接涌现、AI辅助发现可验证知识空白及数据库加速更新触发模型重估来衡量；未来需依托资助与出版政策、开源工具与培训、正式贡献认定来推动文化转变，使跨机构基础设施中的数据生成者、管理者与使用者共同维护可比较、有组织、可预测且高度参与的科研数据生态，从而支撑可靠的跨研究大规模整合与AI驱动建模。
要不要我帮你把这篇论文解读里的关键专业术语（如COPE各维度、FAIR原则、本体名称等）整理成一个带简要解释的术语对照表，方便你后续查阅？
