| 一个样本都没测，榨博士生从二手数据中“榨”出新创作创造 |
编译 | 张晴丹
年青的个样科研人员随便堕进一个思惟定式 ：想要做科研 ，必须先本身产生发火数据 ，本都博士数据齐截于经费 ，没测经费齐截于门槛 。生从手数罕有青年学者被困在这个闭环里行动维艰 。据中旧事
资金次要、出新创作创造成本无穷 、科学人脉窘蹙 ，榨这是个样良多人面对的合营困境。可是本都博士 ，有一座被忽视的没测“金矿”就躲在群众数据库中 ，等待着具有新目力目力眼光的生从手数人往发掘 。
一名年青的据中旧事病毒学家Rhys Parry，有时光走上了一条非传统的出新创作创造科研之路 。他没有破钞巨额经费往测序 ，没有耗时数年往采样 ，而是靠着一台笔记本电脑和一双善于创作创造的眼睛 ，从全球悍然可下载的“二手数据”中“榨”出了令人欣喜的科学创作创造。
幻想下场 ，Parry不单发了论文 ，还拿下了国度级项目 ，走出了一条属于深化科研人的包抄之路 。不日 ，他在《天然》杂志的“职业专栏”发文 ，分享本身的经验 。
对全数盼看证实本身却苦于成本窘蹙的科研人员来讲 ，大年夜大年夜约谜底就躲在那些已被储存却鲜被重访的数据傍边 。
Rhys Parry 图源 ：昆士兰除夜学 3000份数据 ，一次不测的创作创造
2018年 ，在澳除夜利亚昆士兰除夜学的考验考验室里 ，博士生Parry正在与埃及伊蚊细胞系打交道 。这是一种罕有的蚊细心胞 ，用于研究蚊媒撒播的疾病 。可是 ，在一次常例的考验考验不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅查询拜访中 ，他创作创造了一个特别很是——细胞系中似乎存在着一种之前从未记实过的病毒 。
这个创作创造本身真实不惊人。理论上 ，虫豸细胞经常携带延续性的 、未被寄看的病毒感染 ，就像老房子里总会有一些不速之客的“住客” 。但真正让这位年青研究者感应猎奇的是 ，这类新病毒没法感染哺乳植物细胞 ，并且出人意表的是，它竟然能过度降低登革热病毒的复制程度 。
这个下场瞬时点亮了全数研究的意义。
登革热 ，一种由蚊子撒播的急性风行症，每年威胁着全球数亿人的安康 。假如有一种虫豸特异性病毒可以烦扰登革热的撒播 ，那将意味着甚么 ？这极有大年夜大年夜约成为人类邃晓甚至阻断蚊媒撒播疾病的关头钥匙 。
博导 、分子病毒学家Sassan Asgari活络地捕获到了这个创作创造的潜力，并鼓舞鼓舞Parry：“往查查我们考验考验室的其他数据集 ，把搜刮局限扩除夜 。”Asgari想晓得，这类病毒在自家考验考验室及其他考验考验室的埃及伊蚊细胞中幻想下场有多普及 。
是以，一场超出全球数据海洋的探险就此最早 。
分化埃及伊蚊的现罕有据集
，辅佐Rhys Parry剖断出了一种新病毒 。图源 ：James Gathany 侥幸的是 ，全球各地从事蚊子研究的科研人员 ，早已将除夜量转录组数据共享 。这些数据散落在不合的数据库中 ，像一颗颗无人捡拾的石头 。Parry下载了除夜约3000个数据集 ，并日复一日地拾掇 、比照、分化 ，在海量信息中抽丝剥茧 ，一点点恢复出这类病毒在全球局限内的分布与退步汗青 。
他没有飞往任何一个国度 ，没有群集一个样本 ，仰仗3000个数据集 、一台笔记本电脑 ，就完成了一次全球局限内的病毒风行病学查询访谒 。而这 ，仅仅是他在二手数据发掘之路上的第一步 。
从“旧数据”中创作创造新气候
博士糊口糊口接近尾声时 ，一次有时的机会 ，他在网上点开了昆士兰除夜学病毒学家Alexander Khromykh考验考验室已宣布的数据集 。Khromykh的研究标的方针是病毒感染时代细胞外囊泡中非编码RNA的感染 ，这是一个听起来相当小众的局限 。
可是 ，就在这些已被分化过 、宣布过的数据中 ，Parry看到了一些“舛错劲”的中心：病毒似乎在以一种前所未见的编制切割细胞RNA 。
这不是原作者“漏损掉落踪落”了甚么 。原作者与Parry的研究问题无缺不合 ，他们的分化框架也无缺不合 。就像一个画家专注于画面的色采 ，而一个建筑师却从中看到了却构 。一样的数据 ，在不合的问题视角下 ，展示出截然不合的脸蛋 。
是以 ，Parry给Khromykh写了一封邮件引见本身的新创作创造 ，并奏效了 。一封邮件换来了一次扳谈 ，然后促进了单方的一项合作 。如今 ，他和Khromykh已成为一个国度搀扶赞助项方针合营研究者 ，而阿谁项方针基石恰是从“旧数据”中创作创造的“新气候”。
Parry展示 ：“屈就我的经验 ，除夜除夜都研究人员都很快活看到他们的数据被多么独霸 。我发出的一些邮件促进了合作，此外一些则让作者分享了原始宣布论文中未包含的元数据 。有时 ，原作者具有你所不具有的样本或设备 ，可以以你没法完成的编制对下场举办验证；他们顺手做的一个小考验考验，大年夜大年夜约就可以证实某种联络相干 ，进而成为你下一份央求的末尾数据 。”
发掘“二手数据”不是“次等科学”
这个故事的中心 ，指向一个让人诧异的理论 ：海量的群众数据正在被闲置 。
以美国国立卫生研究院手下的国度生物技能信息中心治理的序列读段档案库（SRA）为例 ，其具有超出50PB的数据 ，而个中除夜部分在被存储此后 ，很少被再次独霸 。2022年 ，一个名为Serratus的项目将这些海量读数与病毒参考基因组举办比对，辨认出数千个新的病毒序列 ，将已知RNA病毒的多样性扩大年夜大年夜大年夜大年夜了一个数量级 。
Parry朴实 ，数千个新病毒从旧数据中创作创造 。这些草创性的戮力 ，展示了当人们真正正视并深耕二手数据分化时，它所撬动的大年夜大年夜约性远超我们的想象 。
这类编制并不是基因组学局限独有 。放眼全数科学界，临床履行数据集 、生态学查询访谒记实 、医学记忆档案……除夜量高质量成本都可在网上悍然掉落踪掉落踪 ，正等待着被从头“拾取” 。而尽除夜除夜都已宣布的分化但凡只是触及了数据所能揭穿信息的外不雅 ，就像只读了小说的第一章 ，却感应晓得了全数故事。
搀扶赞助机构和出版商请求研究人员回档数据 ，初志是为了确保下场的可几回性和可验证性。但回档数据的用处远不止于此 。每个数据集都包含超出其生成者所创作创造以外局限的联络相干 。Parry认为 ，新编制会展示，新假定会出现 ，研究局限的变迁大年夜大年夜约让旧数据焕发更生 。“我们无机会为现罕有据带来新的视角 ，创作创造新的联络相干，并在志向气候下验证它们 。”
最滑稽的从头分化经常触及整合不合圭表类型的数据，比如蛋白质组学与转录组学，或卫星图象与查询访谒数据 。Parry建议 ，从那些你邃晓其根本科学事理的数据集最早 ，但要能提出原作者不曾提出的问题 。不过第一步永远是要搜检元数据 。假定需求辛苦发掘才调剂解相干络统 、措置编制 、时分点、几回考验考验和考验考验平台 ，那么从头分化这些数据大年夜大年夜约真实不值得 。
当然，并不是所罕有据集或悉数分化都能产出新对象。Parry本身也招认 ：“我下载了数千个数据集 ，幻想下场一无所得 。”但搜刮的成本很低，而阴性下场和阳性下场一样能供给信息 。一次奉行出色的二次分化可以宣布 、被援引 ，并作为末尾数据独霸 ，与任何其他科学产出职位相当 。
为了嘉奖在严谨的二次数据分化局限作出卓异供献的研究者 ，一个名为“研究寄生虫奖”的奖项出世了——它由美国宾夕法尼亚除夜学支撑并在2025年由GigaScience和GigaByte期刊布施 。但Parry认为“寄生虫”这个类比真实不安妥 。
关于“研究寄生虫奖”的引见 图源
：PSB “当一名研究人员存进数据以支撑可几回性 ，而此外一小我独霸这些数据创作创造了新对象，这不是抽剥 ，而是科学在按预期编制运作 。并且单方都受害 ：二次分化者宣布了论文 ，而原始数据的生成者则掉落踪掉落踪了新的援引 、埋伏的合作者 ，和其工作影响力的新证据 。”Parry说 。
当然，Parry也展示 ，他真实不是建议用从头分化庖代原始数据的生成。但对那些没法掉落踪掉落踪人脉群集和除夜量成本的年青科研人员来讲 ，已宣布的数据是一座“金矿”，可感应他们供给一种以极低甚至零成本来宣布论文和央求搀扶赞助生成数据的编制 。“只需求一个问题 、一台拆卸了R或Python编程言语的笔记本电脑，和一双宁愿赞成从头核阅旧数据的眼睛。”
参考链接 ：
https://www.nature.com/articles/d41586-026-00434-x
https://doi.org/10.1128/JVI.00224-18
关注微信
