杨啸林，杨 晟，潘虹洁，王 哲，王志刚，何勇群

(1 中国医学科学院基础医学研究所，北京 100005，yangxl@pumc.edu.cn；2 密歇根大学医学院, 密歇根州 48109)

1 数据驱动的科学研究给数据管理带来的挑战

近二十年来，数据的积累已经成为科学研究领域一个重要特征。数据驱动的科学发现广泛——被称为科学研究的第四范式[1]，在从天文、地理、生物医学等诸多学科领域的广泛使用。从基因组学、蛋白质组学等单一组学的研究，到现今的多组学研究；从单一病种癌症的研究到泛癌症的研究。多种高通量实验方法产生了大量数据，使得从不同尺度研究生命的奥秘成为可能。

与此同时，数据所承载的责任也越来越大。一方面，数据是科学研究重要的产出之一，监管机构和社会需要用公开透明的数据来证明科学研究的可再现性和可重复性。随着AI和计算机计算能力的增强，对于数据的全自动化应用以及与高速计算无缝对接的需求也越来越高。国家、社会和科研人员也要求，对高成本投入产生的各类科学数据能从不同角度重复利用，以达到价值最大化。所以，提升科学数据的可再利用性是数据管理的核心目标。

科学研究数据在近些年迅速发展，在诸多学科成为发展的重要推动力。例如，TCGA数据库，存储了33类癌症患者的测序数据、病史资料和病理图像数据等。为癌症发生机制、分子分型、预后影响因素研究，以及人工智能病理读片技术等多个领域的发展提供了重要支持[2]。然而，截至目前仍存在多种障碍阻碍用户对于大量现存的科学数据的再利用。……