・１４・ 中华医学图书情报杂志２０１７年１０月第２６卷第１０期 Ｃｈｉｎ Ｊ Ｍｅｄ Ｌｉｂｒ Ｉｎｆ Ｓｃｉ，Ｖｏ１．２６ Ｎｏ．１０ Ｏｃｔｏｂｅｒ，２０１７ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１－３９８２．２０１７．１０．００３ ・研究与探讨・ ＮＩＨ生物医学数 据共享 仓储分析 马鹤桐，吴思竹，杨林，郑慧霞 ［摘要］目的：对美国国立卫生研究院（ＮＩＨ）的共享仓储进行分析，为生物医学科学数据领域相关研究和我国医学科学数据共 享仓储建设提供参考和借鉴。方法：对ＵｎｉＰｒｏｔ、Ｐｒｏｔｅｉｎ Ｄａｔａ Ｂａｎｋ、ＧｅｎＢａｎｋ等１０个典型的数据共享仓储进行对比分析，总结 其在数据获取方式、数据管理及共享模式、服务方式等方面的经验。结果：各仓储根据自身特性，设计了符合自身特点的数据 管理链条及流程规范。结论：我国可借鉴美国国立卫生研究院生物医学数据共享仓储的建设经验，设计数据服务工具、开展 半人工半自动模式的数据审核，收集尽可能详尽的元数据，并制定符合自身仓储特点的引用规范等。 ［关键词］科学数据；数据共享仓储；数据管理；数据共享；医学大数据 ［中图分类号］Ｒ３１８．０４；ＴＰ３１１．１３ ［文献标志码］Ａ ［文章编号］１６７１－３９８２（２０１７）１０—００１４—０８ Ａｎａｌｙｓｉｓ ｏｆ ＮＩＨ ｂｉｏｍｅｄｉｃａｌ ｄａｔａ ｓｈａｒｉｎｇ ｒｅｐｏｓｉｔｏｒｙ ＭＡ Ｈｅ－ｔｏｎｇ，ＷＵ Ｓｉ－ｚｈｕ，ＹＡＮＧ Ｌｉｎ，ＺＨＥＮＧ Ｈｕｉ－ｘｉａ （Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ，Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｍｅｄｉｃａｌ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ １００００５，Ｃｈｉｎａ） Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ：ＷＵ Ｓｉ—ｚｈｕ ［Ａｂｓｔｒａｃｔ］０ｂｊｅｃｔｉｖｅ Ｔｏ ａｎａｌｙｚｅ ｔｈｅ ＮＩＨ ｄａｔａ ｓｈａｒｉｎｇ ｒｅｐｏｓｉｔｏｒｙ ｉｎ ｏｒｄｅｒ ｔｏ ｐｒｏｖｉｄｅ ｒｅｆｅｒｅｎｃｅ ｆｏｒ ｔｈｅ ｒｅｌａｔｅｄ ｓｔｕｄ— ｉｅｓ ｉｎ ｂｉｏｍｅｄｉｃａｌ ｄａｔａ ｆｉｅｌｄ ａｎｄ ｆｏｒ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｍｅｄｉｃａｌ ｄａｔａ ｓｈａｒｉｎｇ ｒｅｐｏｓｉｔｏｒｙ ｉｎ Ｃｈｉｎａ．Ｍｅｔｈｏｄｓ Ｔｅｎ ｔｙｐｉ－ ｃａｌ ｄａｔａ ｓｈａｒｉｎｇ ｒｅｐｏｓｉｔｏｒｉｅｓ（ｓｕｃｈ ａｓ ＵｎｉＰｒｏｔ，Ｐｒｏｔｅｉｎ Ｄａｔａ Ｂａｎｋ，ａｎｄ ＧｅｎＢａｎｋ）ｗｅｒｅ ｃｏｍｐａｒｅｄ．Ｔｈｅｉｒ ｄａｔａ ａｃ— ｃｅｓｓ ｍｅｔｈｏｄｓ，ｄａｔａ ｍａｎａｇｅｍｅｎｔ ａｎｄ ｓｈａｒｉｎｇ ｍｏｄｅｌ，ａｎｄ ｓｅｒｖｉｃｅ ｆｏｒｍｓ ｗｅｒｅ ｓｕｍｍａｒｉｚｅｄ．Ｒｅｓｕｌｔｓ Ｔｈｅ ｄａｔａ ｍａｎａｇｅ－ ｍｅｎｔ ｌｉｎｋｓ ａｎｄ ｔｈｅｉｒ ｐｒｏｃｅｓｓ ｓｔａｎｄａｒｄｓ ｗｅｒｅ ｄｅｓｉｇｎｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅｉｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．Ｃｏｎｃｌｕｓｉｏｎ Ｄａｔａ ｓｅｒｖｉｃｅ ｔｏｏｌｓ ｃａｎ ｂｅ ｄｅｓｉｇｎｅｄ，ｓｅｍｉ－ａｒｔｉｉｃｉａｌｆ ａｎｄ ｓｅｍｉ—ａｕｔｏｍａｔｉｃ ｄａｔａ ｃｈｅｃｋ ｃａｎ ｂｅ ｃａｒｒｉｅｄ ｏｕｔ，ｄｅｔａｉｌ ｍｅｔａ—ｄａｔａ ｃａｎ ｂｅ ｃｏｌｌｅｃｔｅｄ，ａｎｄ ｃｉｔａｔｉｏｎ ｒｏｌｅｓ ｃｏｎｆｉｒｍｉｎｇ ｔｏ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｄａｔａ ｓｈａｒｉｎｇ ｒｅｐｏｓｉｔｏｒｙ ｃａｎ ｂｅ ｅｓｔａｂｌｉｓｈｅｄ ｉｎ ｏｕｒ ｃｏｕｎｔｒｙ ｂｙ ｌｅａｒｎｉｎｇ ｔｈｅ ｅｘｐｅｒｉｅｎｃｅｓ ｏｆ ＮＩＨ ｉｎ ｄｅｖｅｌｏｐｉｎｇ ｉｔｓ ｄａｔａ ｓｈａｒｉｎｇ ｒｅｐｏｓｉｔｏｒｙ． ［Ｋｅｙ ｗｏｒｄｓ］Ｓｃｉｅｎｔｉｉｆｃ ｄａｔａ；Ｄａｔａ ｓｈａｒｉｎｇ ｒｅｐｏｓｉｔｏｒｙ；Ｄａｔａ ｍａｎａｇｅｍｅｎｔ；Ｄａｔａ ｓｈａｒｉｎｇ；Ｍｅｄｉｃａｌ ｂｉｇ ｄａｔａ 科学数据的快速增长为科学研究和发展带来了 巨大挑战和机会，对数据重要价值的认知促使各资 期存储、数据内容的描述，并提供检索、查询、调用等 服务 。 助机构、科研院所等争先制定相关数据，促进数 据仓储更有效地利用和共享科学数据。数据仓储 （Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ，ＤＲ）的宗旨是在科学研究领域内， 促进数据转化为知识和再利用。数据仓储的建设需 要完成数据的收缴、数据的质量控制、数据组织与长 国内已有相关文献分析了生命科学领域科研数 据仓储的建设年代、学科领域等分布情况，从宏观角 度分析了代表性数据仓储。本文则聚焦数据仓储建 设，拟以数据上传、下载、管理、访问等方面为切人 点，系统梳理和深入探索美国国立卫生研究院（Ｎａ． ｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅｓ ｏｆ Ｈｅａｌｔｈ，ＮＩＨ）生物医学共享数据仓 ［作者单位］中国医学科学院医学信息研究所，北京１００００５ 储中典型仓储的建设模式，全面了解数据仓储的建 ［作者简介］马鹤桐（１９９０一），女，内蒙古包头人，硕士，研究实习员。 设情况，为我国生物医学科学数据共享仓储的建设 提供可资借鉴的参考。 ［通讯作者］吴思竹（１９８１一），女，河北乐亭人，博士，副研究员，研究 方向为医学知识组织、科学数据管理等。 中华医学图书情报杂志２０１７年１０月第２６卷第１０期 Ｃｈｉｎ Ｊ Ｍｅｄ Ｌｉｂｒ Ｉｎｆ Ｓｃｉｖ。１．２６ Ｎ。．１０ Ｏｃｔｏｂｅｒ．２０１７ ，．１５． １ ＮＩＨ生物医学数据共享仓储概述 数据内容方面，各仓储内容横跨癌症影像、表 型、基因组、序列、生物大分子结构、生物表达信息、 健康相关信息、序列信息等。按照涉及领域划分， ｉＤａｓｈ、ｄｂＧａＰ、ＧｅｎＢａｎｋ、ＦｌｙＢａｓｅ属基因领域，Ｃｌｉｎｉ． ＮＩＨ以列表形式，汇集了７３个生物数据共享仓 储，提供数据存储和共享服务，促进数据复用。该仓 储涵盖癌症、生物纳米技术样本、多肽、眼部等多个 领域。本文根据数据仓储权威性、领域影响力、应用 ｃａｌＴｒｉａｌｓ．ｇｏｖ、ｉＤａｓｈ属健康领域，ＵｎｉＰｒｏｔ、ＰＤＢ属蛋 白领域，ＰｕｂＣｈｅｍ属化合物领域，ＴＣＩＡ属肿瘤领域； 按数据类型划分，ＣｌｉｎｉｅａｌＴｒｉａｌｓ．ｇｏｖ、ＴＣＩＡ均属于数 广泛性和规范性等方面的特点，确保仓储中涵盖内 容格式单一型仓储及内容格式集成型仓储，涵盖前 沿的基因、蛋白、肿瘤领域及传统的生物、技术、模 据类型和内容单一型仓储，ＦｌｙＢａｓｅ、ＵｎｉＰｒｏｔ、ＰＤＢ、 型、临床等领域，并根据对数据管理模式及流程的调 研，筛选具有代表性，详尽、规范及自身特性鲜明的 仓储，最终遴选出Ｐｒｏｔｅｉｎ Ｄａｔａ Ｂａｎｋ（ＰＤＢ）、Ｐｕｂ— Ｃｈｅｍ ＧｅｎＢａｎｋ ＴＣＩＨ ＦｌｙＢａｓｅ ＣａＮａｎｏｌａｂ１ ｉＤａｓｈ１ Ｕｎｉｐｒｏｔ、ｄｂＧａＰ、Ｃｌｉｎｉｃａｈｒｉａｌｓ．ｇｏｖ等１０个典型的数 据共享仓储进行研究。 癌症影像档案库ＴＣＩＡ＿２ 为公众提供大量去识 别化的医学癌症影像的档案资料 Ｊ。ＦｌｙＢａｓｅ＿４ 是 一个果蝇染色体和基因的数据库，包括蛋白质组数 据、微数列等 ；ｃａＮａｎｏＬａｂ＿６ 是旨在促进全球生物 医学纳米技术研究社区的信息共享，以促进并验证 生物医学中的纳米技术的用途 ；ｉＤａｓｈｌ８ 提供数据 仓储、开源软件、架构、模型、算法等资源 ；Ｕｎｉ－ ｐｒｏｔ＿ｌ。。旨在为科学界提供一个全面、高质量和能够 自有获取的蛋白质序列和功能信息资源＿ｌ ；蛋白质 数据库（ＰＤＢ） １２］是关于大型生物分子的３Ｄ结构信 息的单一全球信息库 ；基因型和表型数据库（ｄｂ－ ＧａＰ） １４］是精选和发布由调查基因型和表型间相互 作用的研究所产生的信息的数据仓库¨ ；Ｐｕｂ— Ｃｈｅｍ［１６］提供关于小分子的生物活性的信息Ⅲ ； ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ提供患者及其家属、医疗专家、科 研人员和公众的研究数据的人口【１８］；ＧｅｎＢａｎｋｌ１９］是 基因序列数据库，旨在提供和鼓励科学界获得最新 和全面的ＤＮＡ序列信息Ｅ２Ｏ］。 ２数据共享仓储分析 ＮＩＨ数据仓储中心提供了所有仓储的情况。本 文围绕数据管理系统机制，提出分析框架，从数据提 交、数据管理、数据检索、数据访问、数据下载、数据 引用等层面对这些数据仓储进行深人分析。 ２．１数据提交规范各异 数据提交细化为数据内容、格式规范、提交流 程、质量规定、审核流程和上传方式６个方面。 ＰｕｂＣｈｅｍ属于内容单一的数据类型丰富的仓储， ｉＤａｓｈ则是在内容上较为丰富的集成型仓储。格式 规范方面，多数仓储没有明确数据格式，也有给 出建议格式的，如ＵｎｉＰｒｏｔ建议使用ＵｎｉＰｒｏｔＫＢ／ Ｓｗｉｓｓ—Ｐｒｏｔ格式，ＧｅｎＢａｎｋ、ＰｕｂＣｈｅｍ给出了通用的 格式；ＴＣＩＡ由于主要收集影像资料，格式主要为ＤＩ— ＣＯＭ；ＰＤＢ则对于提交的不同类型规定了不同的格 式。就某一领域，数据的某种格式很可能是通用的， 如基因领域，通用格式是ＦＡＳＴＡ。质量规定方面， ６０％的仓储，如ｃａＮａｎｏＬａｂ等采用人工审核，其中， ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ会为用户提供审查标准供用户自 行检查，再由审核人员控制；２０％的仓储考虑加入自 动审核，如ｄｂＧａＰ自动完成针对数据格式、元数据 核对等一系列质量审核。提交流程方面，多数仓储 仍然采用传统的提交数据、审核、通过后发布的模式 设计流程，并加入与自身仓储特性结合的环节。以 仅将原数据发布作为目标的机构为例，ＴＣＩＡ通过人 员和软件的共同协作实现提交；ｉＤａｓｈ则需要用户先 签订一份提交协议，包括内容和法律条款等，而后提 交数据；ＵｎｉＰｒｏｔ、ｄｂＧａＰ、ＰｕｂＣｈｅｍ、ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ 要求用户注册并填报所需元数据项（表１）。数据审 核方面，除ｄｂＧａＰ仓储采用自动审核的方式外，其 余均为人工审核。值得一提的是，ＰｕｂＣｈｅｍ审核数 据更新情况时，采用半人工半自动的方式。数据上 传方面，多数仓储使用最基本的附件上传方式，其余 上传方式包括批量上传、ＦＴＰ上传等，部分仓储实现 了工具上传，如ＴＣＩＡ、ＧｅｎＢａｎｋ分别使用ＣＴＰ（临床 试验处理器）及Ｓｅｑｕｉｎ程序等工具上传。其中ＣＴＰ 可以在数据提交前根据ＤＩＣＯＭ标准对数据执行去 识别的工作，Ｓｅｑｕｉｎ用于在ＭＡＣ、ＰＣ和ＵＮＩＸ平台 通过ＦＴＰ指导提交过程，ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ则直接输 入数据元素。 ・１６・ 中华医学图书情报杂志２０１７年１０月第２６卷第１０期 Ｃｈｉｎ Ｊ Ｍｅｄ Ｌｉｂｒ Ｉｎｆ Ｓｃｉ，Ｖｏ１．２６ Ｎｏ．１０ Ｏｃｔｏｂｅｒ，２０１７ ＴＣＩＡ 基本数据：包括ＤＩＣＯＭ 主要为ＤＩＣＯＭ 癌患者影像资源及支撑 ２通过 满足数据共享需求；能被 基本数据提交：１填写提交申请表；分析并成为生物标记；能 审核后，安装ＣＴＰ；３数据实现去识别；４ 与其他类型数据对比；能 创建数据集，ＴＣＩＡ发布数据集。 工具 数据； 分析结果：包括诸如肿瘤 分割等 用于全／半自动算法；能 分析结果提交：１选择数据子集并完成分 作为附录集合完成测试、 析；２提供基本信息包括分析后的数据集 ３ ＴＣＩＡ处理请求、发布数 评估分析等任务；数据在 名称、标题等；临床训练中有独特特点 据集并赋予ＤＯＩ 批量、工具 ＦｌｙＢａｓｅ 突变表型、突变等位基因 无 的分子特性、细胞学图、 野生型表达模型、解剖图 ３ 确定出版物是否已被收 １选择出版物；２提供名字、邮箱等信息；录，如未被收录，则提交 提供该出版物中数据类型相关信息；４选 等 引用情况及数据类型信 择出版物中有否关联相关基因，如存在， 息；提供关联基因与出版 需上传相关文件；５完成提交。 物链接基因和报告；提供 出版物中抗体信息 像等 ｃａＮａｎｏ一 ｌａｂ ｉＤａｓｈ 纳米材料与其构成、纳米 无 材料理化方面的特点等 基因组、转录组、临床的、 无 行为学的、社会学的数据 由相关审编人员审核 １用户注册并登录；２提交协议、样例或出 人工 附件等 版物；３提交综合信息、构成和特性信息。 由相关审编人员审核 １填写数据使用协议，包括各类条款、数 人工 据类型、数据权限设定等；２用户签订并 提交协议；３ ＵＣＳＤ审阅并签订；４ｉＤａｓｈ提 供流程指导。 附件 等与健康有关的数据 序列更新、转译后的修 建议改、蛋白质层面上确认部 ＵｎｉＰｒｏｔ一 由人工审核员控制 １注册账号；２填写蛋白质名称、排序方 附件 ＫＢ／Ｓｗｉｓｓ～Ｐｒｏｔ 法、选择完全序列或部分序列并提交相关 文件、有机体情况、引用情况、蛋白质属 性，并选择保密条款后提交；３ＵｎｉＰｒｏｔ的 注释将通过邮件返回提交者。 分ＤＮＡ翻译序列、功能 但非必须 信息等 ＰＤＢ 所有实验确定符合最低 坐标和元数据 生物分子聚合物，包括多 １用户填写邮箱密码、国家、实验方法、勾 人工 要求的生物大分子的结 ＰＤＢｘ／ＭＭＣＩＦ； 附件 肽、多核苷酸、多糖和它 选是否有结构基因组来注册；２如需与 构，包括三维原子坐标、 约束数据目前 们的配合物，需符合相关 ＰＤＢ沟通，填写学科和信息并发送至 结构组成的信息、有关实 没有格式， 具体要求 验资料等 常见格式为 ＮＭＲ—ＳＴＡＲ ｄｂＧａＰ ＰＤＢ；３上传数据。 大规模非人类基因组数 据以及相关数据、大规模 ＣＳＶ、 ｖｃｆｃｎｖ、 系统自动完成质量审核 １注册，包括数据共享计划、机构认证等， （ＨＩＰＡＡ标识符、性别、 填报研究信息；２提交数据：上传表型数 自动 ＡＰＩ、附件 等 ＣＥＬＩＤＡＴＣＮＣＨＰ 人类基因组数据及相关 等 数据及其他信息数据 Ｐｕｂ． Ｃｈｅｍ 谱系、格式错误等），并 据和元数据，上传分子数据等；３创建预 提供预览网站 览网站；４审核预览网；５研究发布 化学物质信息、生物表达 物质类ＳＤＦ、 人工审核控制数据质量， １注册账号并登陆；２创建新的数据提交， 数据提交人 附件、数据 信息及关联信息 ＣＳＶ、ＧＺＩＰ表达 半人工半自动审核数据 选择数据类别，选择上传数据的方式；３ 工，数据更新 向导、兀 类ＸＭＬ、ＡＳＮ、 的更新情况 ＣＳＶ、ＧＺＩＰ 上传数据并挂在库中检查；４数据经确认 半人工半自 批准后将正式传到ＰｕｂＣｈｅｍ；５数据发布 动审核 疾病或病症干预，研究的ＸＭＬ、网页表单 提供筛查标准供用户自 １参阅ＦＤＡＡＡ８０１了解提交内容要求；２ 人工 直接输入 数据元素 标题，描述和设计，参与 形式等 要求，正在进行研究的地 行检查，并在用户提交后 登录协议注册和结果系统（ＰＲＳ）；３更新 集中进行有效性、是否有 协议部分并提交记录；４输入必需的可选 点，联系信息等 意义、逻辑和内部的一致 的结果数据元素；５预览、检查和发布记 性以及格式化人工审核。 录。 Ｇｅｎ． Ｂａｎｋ ｍＲＮＡ序列原核基因真 ＦＡＳＴＡ等 核基因非编码ＲＮＡ等 用户提交数据需要发送 １选择适当的提交工具；２如以Ｓｅｑｕｉｎ创 人工 至ＧｅｎＢａｎｋ工作人员的 建提交：下载程序，提交序列数据文件，将 邮箱中进行审核。 生成的．ｓｑｎ提交文件通过电子邮件发送 ＢａｎｋＩｔ、Ｓｅ． ｑｕｉｎｔｂｌ ２ａｓｎ、提交 到ＧｅｎＢａｎｋ指定邮箱）；３注释提交的序 门户、条码 提交工具 列；４提供来源信息；５将提交发送至 ＧｅｎＢａｎｋ。 中华医学图书情报杂志２０１７年１０月第２６卷第１０期 Ｃｈｉｎ Ｊ Ｍｅｄ Ｌｉｂｒ Ｉｎｆ Ｓｃｉ，Ｖｏ１．２６ Ｎｏ．１０ Ｏｃｔｏｂｅｒ，２０１７ ・１７・ ２．２数据管理规范 理３个方面。 数据管理细化为内容管理、数据管理和版本管 数据共享仓储数据管理规范情况见表２。 表２数据共享仓储数据管理规范 内容方面，ＴＣＩＡ、ＦｌｙＢａｓｅ、ｃａＮａｎｏｌａｂ较为单一， 均包含基因组或蛋白质序列的内容，其细化研究领 如ＦｌｙＢａｓｅ主要涉及果蝇资源，ａＮａｎｏｌａｂ主要涉及纳 米技术；其余仓储数据类型相对丰富，如ｉＤａｓｈ是生 域各有专攻，如ＰＤＢ对生物体、蛋白质、结构测定等 更为关注，ｄｂＧａＰ主要研究个体水平的基因数据汇 编，ＵｎｉＰｒｏｔ专攻蛋白质序列记录及分析等，ＧｅｎＢａｎｋ 则含有更多表达序列标签和基因组序列的信息。 数据管理方面，８０％的仓储将数据发布后，会为 物医学异构数据的集合库，ＰｕｂＣｈｅｍ集成了物质信 息、化合物信息和生物活性等方面的信息数据。就 内容所属领域来说，ＵｎｉＰｒｏｔ、ＰＤＢ、ｄｂＧａＰ、ＧｅｎＢａｎｋ ・１８。 中华医学图书情报杂志２０１７年１０月第２６卷第１０期 Ｃｈｉｎ Ｊ Ｍｅｄ Ｌｉｂｒ Ｉｎｆ Ｓｃｉ，Ｖｏ１．２６ Ｎｏ．１０ Ｏｃｔｏｂｅｒ，２０１７ 用户提供相对统一的元数据项；对于仓储中包含多 种类型数据的情况，会区别对待，如ｃａＮａｎｏｌａｂ，协议 和样品需提供的元数据项是不相同的。另外２０％ 的仓储可能由于内容的不同，如ＦｌｙＢａｓｅ中每种报 告可能含有不同的元数据描述项，ｉＤａｓｈ数据以社区 形式存放，相关说明由数据上传者提供，所以元数据 项无法统一。 版本管理方面，ＦｌｙＢａｓｅ等４个仓储提供数据版 本发布及管理功能，ｄｂＧａＰ设置文件格式版本、汇编 版本、阻止发布版本等版本管理模块；数据更新频率 方面，多数仓储保持每日到数月更新一次的频率。 ２．３数据访问 ６个仓储可无访问和下载，部分设置权限。 如ｄｂＧａＰ出于保护研究参与人员的意愿和隐私考 虑，设置访问权限，并采取其他数据安全措施；ＴＣＩＡ 中部分数据集需特定权限；ｃａＮａｎｏｌａｂ、ｉＤａｓｈ、Ｐｕｂ． Ｃｈｅｍ部分开放。６个仓储提供了详细的数据量数 据。ＴＣＩＡ绝大部分数据集无需登录即可下载； ｃａＮａｎｏｌａｂ则是由数据提交人或审核人决定该数据 是否公开；ｉＤａｓｈ仓储中因包含很多安全、保密的数 据库，故其部分数据集设有权限，用户需要首先 加入数据社区，才能访问该社区内的资源（表３）。 ２．４数据检索规范 各仓储均提供多种检索方式，包括简单检索、高 级检索与关联检索，部分仓储已经将检索工具投入 使用。８０％的仓储实现了高级检索，如ＰＤＢ列出了 包括机体、Ｘ射线分辨率、发布日期、酶分类、蛋白质 对称性等检索类别，提供基于关键词、结构注释、所 有实验类别等方面的筛选条件；ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ提 供研究类型、研究结果、所属单位、年龄、性别、定向 搜索等检索条件。４０％的仓储提供了检索工具，如 ＦｌｙＢａｓｅ提供的检索工具ＱｕｅｒｙＢｕｉｌｄｅｒ允许用户使 用模板查询、导人保存的查询或者构建新查询，自动 创建与查询匹配的记录交叉引用的记录集，从单个 页面提供到仓储中所有相关记录的链接；ＵｎｉＰｒｏｔ提 供的检索工具ＢＬＡＳＴ可以查找序列之间的局部相 似性区域并推测序列之间的功能及进化关系，Ｇｅｎ— Ｂａｎｋ提供的基本局部比对搜索工具ＢＬＡＳＴ等 ¨和 ＰｕｂＣｈｅｍ提供的基于结构相似度的物质聚类工具、 识别结构活性关系并检查化合物的靶选择性和特异 性的工具、支持快速搜索和检索单个生物测定记录 的测试结果的工具以及用于检查和比较多个生物测 试中的生物学结果的工具等（表３）。 ２．５数据下载规范 各仓储下载方式包括链接直接下载、ＦＴＰ下载、 ＡＰＩ下载、批量下载等。多数仓储提供直接下载和 ＦＴＰ下载，ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ只提供在线搜索查看。 其中有些仓储是以某个数据版本打包下载的，如 Ｕｎｉｐｒｏｔ；也有以提供数据资源列表方式支持下载的， 如ＴＣＩＡ。权限方面，４个仓储提供公开的数据集服 务，４个仓储部分数据提供公开服务，２个仓储需要 相关访问权限。其中，ｄｂＧａＰ则需要申请访问权限 并符合相关，ＧｅｎＢａｎｋ则做出了关于数据权限 的说明。格式方面，除了ＴＣＩＡ格式较为单一外，其 余仓储多含有通用格式及其他格式，具体信息参见 表４。 ２．６数据引用规范 ７０％的仓储提供用户引用时的推荐格式，其中 ｃａＮａｎｏｌａｂ还针对普通引用、已发布的数据引用和未 发布的数据引用做出区分。个别仓储未标明引用样 例格式，但给出了相关要求，包括ｄｂＧａＰ遵循ＤＵＣ 协议，ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ给出了引用时需标明的几点 要求，ｉＤａｓｈ需要发表引用声明。引用协议方面，各 仓储均根据自身情况引用了相关协议，如ＴＣＩＡ从 促进数据共享与复用的强烈意愿为出发点，使用ＣＣ ＢＹ ３．０的引用协议。该协议标明用户可以自由共 享或演绎，但必须署名，提供许可协议链接，如有修 改需标明。ｉＤａｓｈ由于包含较多保密数据，因此要求 用户遵循ＨＩＰＡＡ法案。ＨＩＰＡＡ法案（健康保险携 带与责任法案）在卫生信息化环境下如何保护个人 隐私的问题上开展了较为深入的探索 引。ＵｎｉＰｒｏｔ 要求遵循Ｃｒｅａｔｉｖｅ Ｃｏｍｍｏｎｓ Ａｔｔｒｉｂｕｔｉｏｎ—ＮｏＤｅｒｉｖｓ协 议 。该协议允许用户共享，前提是用户必须给出 适当的信用值，提供许可链接，并指明是否进行了更 改；如果对内容进行各种形式的重构，则不能分发结 果。ＰＤＢ以数据共享为出发点，数据完全开放＿２４］， 部分内容遵循ＣＣ—ＢＹ一４．０协议。该协议旨在无限 制地允许用户进行共享和重构，用户同样需要遵循 相关条件。其余数据仓储需遵循ＮＩＨ相应管理政 策。数据共享仓储下载与引用规范见表４。 表４数据共享仓储数据下载与引用规范 ３结语 检索，积极开展个性化检索工具的尝试与应用。仓 储提供多种下载方式和数据格式，对于需要引用数 据的用户，提供多种引用规范格式或样例，或做出声 明，制定符合自身仓储特点的引用规范，并采用符合 自身仓储特点、与行业标准、国家标准与相符合 的数据引用协议（如ＣＣ协议）。 由于时间与精力，本文未对ＮＩＨ生物医学 ＮＩＨ生物医学数据共享仓储的如下特点值得我 们参考和借鉴。 数据提交方面，根据领域给出元数据内容要求， 不数据格式。在附件上传的基础上，设计及应 用了上传工具便于用户上传数据。为更好地进行数 据核验，保留对数据资源人工审核质量的模式，个别 仓储对半人工半自动或自动质量审核模式进行了探 索。另外，在数据提交的过程中，ｉＤａｓｈ强调法律权 益及版权方面的问题，因此事先拟定了要签署的协 数据共享仓储下的所有仓储进行全面调研，但通过 对典型仓储进行分析比较及特点总结，希望能够为 我国开展生物医学数据共享仓储建设提供一定的经 验和启示。 【参考文献】 ［１］ＮＩＨ ｄａｔａ ｓｈａｒｉｎｇ ｒｅｐｏｓｉｔｏｒｉｅｓ［ＥＢ／ＯＬ］．［２０１７—０９—１８］．ｈｔｔｐｓ：／／ ｗｗｗ．ｎｌｍ．ｎｉｈ．ｇｏｖ／ＮＩＨｂｍｉｃ／ｎｉｈｄａｔａ ｓｈａｒｉｎｇｒｅｐｏｓｉｔｏｒｉｅｓ．ｈｔｍ１． 议，值得借鉴。 数据管理方面，各仓储内容不同，但均尽可能收 集详细全面的元数据，并总结和发布相对统一的元 数据项，同时提供数据的分析统计。仓储具有较好 的版本管理规范，并定期对数据进行更新与检查。 —数据服务方面，多数检索提供简单检索和高级 ［２］Ｔｈｅ ｃａｎｃｅｒ ｉｍａｇｉｎｇ ａｒｃｈｉｖｅ［ＥＢ／ＯＬ］．［２０１６－０９—１４］．ｈｔｔｐ：／／ ｗｗ．ｃａｎｃｅｒｉｍａｇｉｎｇａｒｃｈｉｖｅ．ｎｅｔ／ａｂｏｕｔ－ｔｈｅ－ｃａｎｃｅｒ－ｉｍａｇｉｎｇ—ａｒ－ 中华医学图书情报杂志２０１７年１０月第２６卷第１０期 ｃｈｉｖｅ－ｔｅｉａ／． Ｃｈｉｎ Ｊ Ｍｅｄ Ｌｉｂｒ Ｉｎｆ ＳｃｉＶ０１．２６ Ｎｏ．１０ Ｏｃｔ０ｂ ｅｒ．２０１７ 。．２１． Ｄ３５６． ［３］ Ｐｒｉｏｒ ＦＷ，Ｃｌａｒｋ Ｋ，Ｃｏｍｍｅａｎ Ｐ，ｅｔ ａ１．ＴＣＩＡ：ａｎ ｉｎｆｏｒｍａｔｉｏｎ ｒｅ— ［１４］ ｄｂＧａｐ［ＥＢ／ＯＬ］．［２０１７—０３—１７］．ｈｔｔｐｓ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ． ｇｏｖ／ｇａｐ． ｓｏｕｒｃｅ ｔｏ ｅｎａｂｌｅ ｏｐｅｎ ｓｃｉｅｎｃｅ［Ｃ］／／Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ａｎｄ Ｂｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ（ＥＭＢＣ），２０１３ ３５ｔｈ Ａｎｎｕｍ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ— ｅｎｃｅ ｏｆ ｔｈｅ ＩＥＥＥ．ＩＥＥＥ，２０１３：１２８２—１２８５． ［１５］ Ｔｒｙｋａ ＫＡ，Ｈａｏ Ｌ，Ｓｔｕｒｃｋｅ Ａ，ｅｔ ａ１．ＮＣＢＩ Ｓ ｄａｔａｂａｓｅ ｏｆ ｇｅｎｏ— ｔｙｐｅｓ ａｎｄ ｐｈｅｎｏｔｙｐｅｓ：ｄｂＧａＰ［Ｊ］．Ｎｕｃｌｅｉｃ ａｃｉｄｓ ｒｅｓｅａｒｃｈ，２０１３， Ｄｌ（４２）：Ｄ９７５一Ｄ９７９． ［４］ ＦｌｙＢａｓｅ［ＥＢ／ＯＬ］．［２０１６－０９－１４］．ｈｔｔｐ：／／ｆｌｙｂａｓｅ．ｏｒ＃． ［５］ Ｄｒｙｓｄａｌｅ ＲＡ，ＦｌｙＢａｓｅ Ｃｏｎｓｏｒｔｉｕｍ，Ｃｒｏｓｂｙ ＭＡ，ｅｔ ａ１．ＦｌｙＢａｓｅ： ［１６］ ＰｕｂＣｈｅｍ［ＥＢ／ＯＬ］．［２０１７—０３—１７］．ｈｔｔｐｓ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ． ｎｉｈ．ｇｏｖ／ｐｃｃｏｍｐｏｕｎｄ／． ｇｅｎｅｓ ａｎｄ ｇｅｎｅ ｍｏｄｅｌｓ［Ｊ］．Ｎｕｃｌｅｉｃ ａｃｉｄｓ ｒｅｓｅａｒｃｈ，２００５，３３ （ｓ１）：Ｄ３９０一Ｄ３９５． ［１７］ Ｗａｎｇ Ｙ，Ｓｕｚｅｋ Ｔ，Ｚｈａｎｇ Ｊ，ｅｔ ａ１．ＰｕｂＣｈｅｍ ｂｉｏａｓｓａｙ：２０１４ ｕｐ・ ｄａｔｅ［Ｊ］．Ｎｕｃｌｅｉｃ ａｃｉｄｓ ｒｅｓｅａｒｃｈ，２０１３，Ｄ１（４２）：Ｄ１０７５一 ［６］ Ｃａｎｃｅｒ Ｎａｎｏｔｅｅｈｎｏｌｏｇｙ Ｌａｂｏｒａｔｏｒｙ［ＥＢ／ＯＬ］．［２０１６—０９—１４］．ｈｔ． ｔｐｓ：／／ｅａｎａｎｏｌａｂ．ｎｃｉ．ｎｉｈ．ｇｏｖ／ｅａＮａｎｏＬａｂ／ｉｎｄｅｘ．ｈｔｍｌ＃／． ［７］ Ｇａｈｅｅｎ Ｓ，Ｈｉｎｋａｌ ＧＷ，Ｍｏｒｒｉｓ ＳＡ，ｅｔ ａ１．ｃａＮａｎｏＬａｂ：Ｄａｔａ ｓｈａ． ｒｉｎｇ ｔｏ ｅｘｐｅｄｉｔｅ ｔｈｅ ｕｓｅ ｏｆ ｎａｎｏｔｅｃｈｎｏｌｏｇｙ ｉｎ ｂｉｏｍｅｄｉｃｉｎｅ［Ｊ］． Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｃｉｅｎｃｅ＆Ｄｉｓｃｏｖｅｒｙ，２０１３，６（１）：０１４０１０． ［８］ Ｉｎｔｅｇｒａｔｉｎｇ ｄａｔａ ｆｏｒ ａｎａｌｙｓｉｓ，ａｎｏｎｙｍｉｚａｔｉｏｎ，ａｎｄ ｓｈａｒｉｎｇ［ＥＢ／ ＯＬ］．［２０１６－０９－１４］．ｈｔｔｐｓ：／／ｉｄａｓｈ．ｕｃｓｄ．ｅｄｕｆｉｄａｓｈ—ｌｅａｄｉｎｇ— ｗａｙ－ｈｅａｌｔｈｉｅｒ－ｗｏｒｌｄ． ［９］ Ｏｈｎｏ—Ｍａｃｈａｄｏ Ｌ，Ｂａｆｎａ Ｖ，Ｂｏｘｗａｌａ ＡＡ，ｅｔ ａ１．ｉＤＡＳＨ：ｉｎｔｅｇｒａ— ｔｉｎｇ ｄａｔａ ｆｏｒ ａｎａｌｙｓｉｓ，ａｎｏｎｙｍｉｚａｔｉｏｎ，ａｎｄ ｓｈａｒｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ Ａｓｓｏｃｉａｔｉｏｎ，２０１１，１９（２）：１９６ －２０１． ［１Ｏ］ ＵｎｉＰｒｏｔ［ＥＢ／ＯＬ］．［２０１７—０３－１７］．ｈｔｔｐ：／／ｗｗｗ．ｕｎｉｐｒｏｔ．ｏｒｇ／． ［１１］ Ｃｏｎｓｏｒｔｉｕｍ ＵＰ．ＵｎｉＰｒｏｔ：Ａ ｈｕｂ ｆｏｒ ｐｒｏｔｅｉｎ ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．Ｎｕ－ ｅｌｅｉｅ Ａｃｉｄｓ Ｒｅｓｅａｒｃｈ，２０１５，Ｄ１（４３）：Ｄ２０４－Ｄ２１２． ［１２］ ＰＤＢ（Ｐｒｏｔｅｉｎ Ｄａｔａ Ｂａｎｋ）［ＥＢ／ＯＬ］．［２０１７—０３—１７］．ｈｔｔｐ：／／ ｗｗｗ．ｒｃｓｂ．ｏｒｇ／ｐｄｂ／ｈｏｍｅ／ｈｏｍｅ．ｄｏ． ［１３］ Ｒｏｓｅ ＰＷ，Ｐｒｌｉ ｅ Ａ，Ｂｉ Ｃ，ｅｔ ａ１．Ｔｈｅ ＲＣＳＢ Ｐｒｏｔｅｉｎ Ｄａｔａ Ｂａｎｋ： ｖｉｅｗｓ ｏｆ ｓｔｒｕｃｔｕｒａｌ ｂｉｏｌｏｇｙ ｆｏｒ ｂａｓｉｃ ａｎｄ ａｐｐｌｉｅｄ ｒｅｓｅａｒｃｈ ａｎｄ ｅｄｕ— ｃａｔｉｏｎ［Ｊ］．Ｎｕｃｌｅｉｃ ａｃｉｄｓ ｒｅｓｅａｒｃｈ，２０１４，Ｄ１（４３）：Ｄ３４５一 Ｄ１０８２． ［１８］ ＣｌｉｎｉｅａｌＴｒｉｌａｓ．ｇｏｖ［ＥＢ／ＯＬ］．［２０１７—０３—１７］．ｈｔｔｐｓ：／／ｃｌｉｎｉｃａｌ－ ｔｒｉｌａｓ． ． ［１９］ ＧｅｎＢａｎｋ［ＥＢ／ＯＬ］．［２０１７—０３—１７］．ｈｔｔｐｓ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ． ｎｉｈ．ｇｏｖ／ｇｅｎｂａｎｋ／． ［２０］ Ｂｅｎｓｏｎ ＤＡ，Ｃａｖａｎａｕｇｈ Ｍ，Ｃｌｒａｋ Ｋ，ｅｔ ａ１．ＧｅｎＢａｎｋ［Ｊ］．Ｎｕｃｌｅ・ ｉｃ ａｃｉｄｓ ｒｅｓｅａｒｃｈ，２０１２，Ｄ１（４１）：Ｄ３６一ＩＭ２． ［２１］ 李轶．ＧｅｎＢａｎｋ数据库检索及其应用：Ｅｎｔｒｅｚ检索功能［Ｊ］． 中华医学图书情报杂志，２００８，１７（５）：４９—５１． ［２２］ 王冰倩，李亚子，李娟，等．ＨＩＰＡＡ演变分析及其启示［Ｊ］． 医学信息学杂志，２０１６，３７（２）：４７—５１． ［２３］ 司莉，邢文明．国外科学数据管理与共享调查及对我 国的启示［Ｊ］．情报资料工作，２０１３（１）：６１—６６． ［２４］ 邹丽雪，欧阳峥峥，王辉，等．生命科学领域科研数据仓储 特点及服务分析［Ｊ］．图书情报工作，２０１６，６０（７）：５９—６６． ［收稿日期：２０１７—０８—３１］ ［本文编辑：孙雪］
