醫學研究部 許家郎助理研究員

一項科學實驗的進行，常受一些不起眼的因素影響，例如操作的人員、儀器的品牌、甚至氣溫濕度等，皆有可能干擾實驗的結果，這些實驗的「過程」與「細節」，宛如一個黑盒子，對於這些因素的疏忽，往往影響到實驗結果是否能夠再度呈現。隨著科學資料造假與研究誠信的新聞，不斷上演，科學研究的「透明度」與「再現性」，引起大家的關注，並思考如何確保研究發表的品質。其中，高通量實驗方法，包含微陣列技術(microarray)、次世代定序與質譜分析等，已漸漸成為各類生醫研究的利器，除了許多因素會影響數據結果外，例如批次效應(batch effect)外，高通量實驗數據，需搭配後續的資料分析或統計方法來確保數據品質，才能獲取有用資訊。然而，不同的分析方法或參數的使用，將影響實驗結論，因此高通量實驗與數據分析的透明度與再現性，特別受到重視。

為了提高高通量實驗與數據分析的透明度與再現性，其中「開放資料 (open data)」是一項可以提高透明度的策略。簡單來說，就是將產出的資料公開與其他人共享。目前，幾個主要的出版社，如果實驗有牽涉到高通量實驗數據時，投稿時會要求須把原始數據公開，供他人檢視。由於資料的公開，各方人馬就可以針對數據重新檢視，探討文章中所使用的分析方法是否恰當。的確，面對「巨量」的資料時，最擔心的莫過於“Garbage in, garbage out”，如果沒有小心的檢視資料，或使用不適當的分析方法時，很容易得到錯誤的結論。過去有一篇發表在頂級期刊的研究，他們分析了許多RNA-seq資料並得到很亮眼的結論。但不久後，有人重新分析同批資料，發現當初資料並未處理好，經過重新處理後，當初所得到的結論根本只是批次效應所造成。另一個近期的例子：有一篇2018年發表在Nature雜誌，利用深度學習(deep learning)來預測餘震的研究[註1]，拜在原始資料與分析編碼皆公開，因此被其他學者發現，研究設計上有數據洩漏(data leakage)的疑慮，造成預測效果特別佳，引來許多討論[註2]。由這幾個例子可知，藉由資料的公開與共享，的確可以提高研究的透明度。

開放資料除了提供檢視研究內容的機會外，所累積下來的龐大資料，也帶來其他的應用面，特別是以資料驅動(data-driven)研究方法為主的生物資訊與系統生物學領域。其實資料驅動的研究方法並非新穎的想法，只是在過去，資料來源主要是經由實驗所產出，或者特地蒐集來，過程費時且費工。但現在這資料爆炸的時代，加上開放資料觀念的驅使，資料取得並得更加容易，創造了更多想像與可能。因此，當心中萌生新的研究想法時，別急著動手做實驗，先找找是否有適當的資料，並經由資料分析來測試假設是否可行；或者收集相關的資料，並將資料整合分析，尋找新的研究標的。這樣的研究策略，確實可以節省不少時間與金錢，前提是需要知道去哪裡找資料以及一位好的生物資訊學/計算生物學家。

資料開放或共享的方式，可藉由存放在個人或實驗室網頁上，或者放置公開的資料庫。目前，如果研究成果牽涉到使用基因體(例如whole-genome sequence (WGS), whole-exome sequence (WES), SNP array, array CGH等)、轉錄體(例如RNA-seq, cDNA microarray等)、蛋白體或其他高通量實驗數據(例如ChIP-seq等)時，期刊通常會要求將原始數據放置公開資料庫，並取得一組獨立序號，才會被接受刊登或進一步的審查工作。有些人也許會擔心，資料尚未發表，資料公開是否會被他人搶先發表。關於這點，大部分的公開資料庫，皆有公開時間的設定，因此當成果尚未發表時，資料將會被設定成隱藏。

資料庫方面，如果先不討論蛋白質體資料，主要有兩大體系，一個是由美國NIH的NCBI(National Center for Biotechnology Information)所管理的系統，另一個則由歐洲EMBL(European Molecular Biology Laboratory)下的EBI (European Bioinformatics Institute)所管理的系統。如果依照資料特性，可以分成管制(access control)與非管制資料。管制資料通常是個人可辨識的基因型與表現型資料，例如WGS, WES和SNP array等，其餘的資料型態則稱為非管制資料。管制型資料，主要存放在NCBI下的dbGAP(The database of Genotypes and Phenotypes)與EBI下的EGA(European Genome-Phenome Archive)兩大資料庫中。由於資料是受到管制，資料取得需經嚴格審查，這過程類似倫理委員會的審查機制，確保資料合乎倫理規範 (圖1)，因此需提出研究計畫書，描述研究目的與如何使用請求的資料等。經審查通過後，即可存取資料。而非管制資料，取得則相對容易，通常經查詢瀏覽後，即可直接下載。針對非管制資料，主要有兩個資料庫儲存此類型資料，分別是NCBI下的GEO (Gene Expression Omnibus) 與EBI下的ArrayExpress。由名子來看，可知當初主要是針對微陣列資料的存取，但隨著不同技術的發展，現在各類型的高通量資料皆可接受。雖是兩個獨立資料庫，但他們已通過資料交換協議，因此不論當初資料是從GEO或ArrayExpress上傳，在兩個資料庫皆查詢的到。另外，GEO上也提供了簡單分析工具，稱作GEO2R，可執行表現差異分析與查詢單基因在不同條件下的表現量(圖2)，對於無任何資料分析基礎的人，可經此線上工具做初步分析。關於蛋白質體資料存放，主要是由ProteomeXchange協會制定規範，並可透過合作夥伴系統進行資料上傳，例如EBI的PRIDE或日本的JPOST(圖3)。資料與資源很多，因此可以多加利用這些資料庫進行探索，將「老」資料重「新」再利用。

註記：

[1]https://www.nature.com/articles/s41586-018-0438-y

[2]https://www.theregister.co.uk/2019/07/03/nature_study_earthquakes/

  

圖1. EGA系統概述。(來源: https://www.ebi.ac.uk/ega/)

圖2. GEO上所提供的簡易的資料分析工具。

圖3. ProteomeXchange協會與夥伴機構。(來源: http://www.proteomexchange.org/)

 TOP  　

---