Canada Dataset

今年 1 月，全球最大的生物医学研究公共资助机构美国国立卫生研究院 (NIH) 实施了更新的数据管理和共享(DMS) 政策，要求所有资助申请必须得到详细的 DMS 计划的支持并遵守该计划。DMS计划的关键要求包括数据/元数据的数量和类型，以及数据访问/分析所需的应用标准、工具、软件和代码，以及存储、访问、分发和重用协议。

实施前，NIH 主办了一场多学科研讨会，讨论了数据管理和共享方面的文化转变，研讨会承认，该政策在研究界被视为一种税收和义务，而不是一种有价值的工作。研究人员还对遵守这些新数据管理规范所需 的资源和专业知识的缺乏感到不知所措。

生物医学研究还 巴哈马手机数据 面临着一系列独特的数据管理挑战，必须解决这些挑战才能最大限度地发挥大量复杂、异构、孤立、跨学科和高度监管的数据的价值。此外，生命科学中的数据管理通常被视为一个缓慢而昂贵的过程，会破坏传统的研发工作流程，并且没有直接的投资回报。

然而，良好的数据管理可以为生命科学研究带来连锁效益——无论是对个人团队还是社区。对于研究团队来说，有效的数据管理可以标准化数据、代码和文档。反过来，这可以提高数据质量，实现人工智能驱动的工作流程，并提高研究效率。在更广泛的社区中，它为开放科学奠定了基础，提高了可重用性和可重复性，并确保了研究的完整性。最重要的是，通过实施既定的方法，可以创建一个强大的协作数据管理基础，而不会破坏当前的研究过程或需要重新发明轮子。



生命科学数据管理框架
NIH 定义的关键 DMS 要求涵盖数据管理的职责范围。多年来，各种学科中出现了一系列数据管理，广泛适用于生命科学研究。

然而， 2016 年发布的FAIR 原则（可查找性、可访问性、互操作性和可重用性）首次将科学研究的数据管理学科纳入法典。这些原则从科学家而非 IT 的角度关注科学数据的独特挑战，并适用于研究过程的所有组成部分，包括数据、算法、工具、工作流程和流程。

人们普遍认为，实施 FAIR 原则可以提高生物制药和其他生命科学研发的生产力。然而，挑战在于这些高级原则没有提供具体的技术、标准或实施建议。相反，它们只是提供了评估实施选择的公平性的基准。目前，正在制定框架来协调所有利益相关者之间的 FAIRification，以最大限度地提高互操作性，促进现有资源的再利用，并加速 FAIR 实施中标准和技术的融合。

虽然这是一个好的举措，但请注意，FAIR 原则仅涵盖了数据管理的一小部分。有必要用其他更全面的框架（数据管理或相关框架）的最佳实践来补充 FAIR 原则，因此这里有一些值得一看的。