Praktik terbaik untuk mengelola dan menganalisis data genom skala besar dalam penelitian medis

Satu kali proses pengurutan seluruh genom kini menghasilkan lebih banyak data mentah daripada seluruh Proyek Genom Manusia yang dikumpulkan selama tiga belas tahun, dan volume tersebutlah yang menyebabkan data genomik skala besar menjadi hambatan nyata bagi tim peneliti medis yang sedang mempersiapkan manuskrip. Proyek 1000 Genom merekonstruksi genom 2,504 individu di 26 populasi dan masih hanya mengkatalogkan kumpulan referensi variasi umum, sekitar 88 juta varian secara total, yang terdiri dari 84.7 juta polimorfisme nukleotida tunggal, 3.6 juta insersi dan delesi pendek, dan 60,000 varian struktural (Auton et al., 2015). Kalikan skala tersebut dengan biobank modern yang berisi satu juta peserta, dan keputusan penyimpanan, kontrol kualitas, dan berbagi data yang dibuat oleh tim peneliti sebelum pengajuan mulai menentukan apakah peninjau mempercayai hasilnya sama sekali.

Kedokteran genomik telah melampaui studi gen kandidat skala kecil menuju pengurutan skala populasi, sebuah pergeseran yang diuraikan oleh Francis Collins dan Harold Varmus dalam proposal mereka tahun 2015 untuk Inisiatif Kedokteran Presisi nasional yang dibangun di atas data genomik, lingkungan, dan gaya hidup yang terhubung dalam skala besar (Collins & Varmus, 2015). Memastikan keterkaitan tersebut tepat, dari output sekuenser mentah hingga kumpulan data yang siap untuk diajukan, kini bergantung pada keputusan tentang format file, arsitektur penyimpanan, kontrol kualitas, de-identifikasi, dan kebijakan repositori yang sebagian besar penulis yang terlatih di laboratorium basah tidak pernah pelajari di sekolah pascasarjana. Di bawah ini adalah panduan praktis tentang praktik-praktik yang menjaga agar kumpulan data genomik tetap dapat digunakan, diaudit, dan sesuai dengan kebijakan pemberi dana dari tahap pembuatan hingga publikasi.

Ringkasan Utama

• Proyek 1000 Genomes mengurutkan genom 2,504 individu dari 26 populasi, mengkatalogkan sekitar 88 juta varian sebagai referensi untuk variasi genetik manusia (Auton et al., 2015).
• Rilis genom utama pertama dari Program Penelitian All of Us mencakup 245,388 sekuens genom tingkat klinis dan mengidentifikasi lebih dari 1 miliar varian genetik, lebih dari 275 juta di antaranya belum pernah dilaporkan sebelumnya (Bick et al., 2024).
• Format file yang terstandarisasi, FASTQ untuk data mentah, BAM atau CRAM untuk penyelarasan, dan VCF untuk penentuan varian, menjaga agar data sekuensing tetap dapat digunakan di berbagai alur kerja dan institusi.
• Data genomik tidak dapat sepenuhnya dianonimkan, hanya dihilangkan identitasnya dan aksesnya dikontrol, karena urutan itu sendiri pada dasarnya bersifat identifikasi dan dapat melibatkan kerabat yang tidak pernah memberikan persetujuan.
• Kebijakan Berbagi Data Genomik NIH mewajibkan studi genomik manusia berskala besar yang didanainya untuk mendaftar di dbGaP dan menyerahkan sertifikasi penggunaan data bersamaan dengan data itu sendiri.

Apa yang Dianggap sebagai Data Genomik Skala Besar dalam Penelitian Medis Saat Ini?

Tiga modalitas pengurutan menghasilkan sebagian besar data genomik yang kini dikirimkan oleh peneliti medis bersamaan dengan manuskrip. Pengurutan seluruh genom pada dasarnya membaca seluruh genom manusia yang terdiri dari 3.2 miliar pasangan basa dan biasanya menghasilkan antara tiga hingga lima juta varian per individu relatif terhadap genom referensi. Pengurutan seluruh eksom membatasi pembacaan tersebut pada sekitar satu hingga dua persen genom yang mengkode protein, sehingga mengurangi biaya dan ukuran file sambil tetap menghasilkan 20,000 hingga 30,000 varian per sampel. Pengurutan RNA mengukur ekspresi gen daripada urutan DNA secara langsung dan umumnya menghasilkan puluhan juta pembacaan pendek per pustaka sampel.

Program berskala populasi menggambarkan apa arti "besar" dalam praktiknya saat ini. Program Penelitian All of Us merilis urutan genom tingkat klinis untuk 245,388 peserta dalam rilis data genomik utama pertamanya, dengan 77 persen peserta berasal dari komunitas yang secara historis kurang terwakili dalam penelitian biomedis dan 46 persen dari minoritas ras dan etnis yang kurang terwakili. Di seluruh kohort tersebut, program ini mengidentifikasi lebih dari 1 miliar varian genetik, termasuk lebih dari 275 juta yang belum pernah dilaporkan sebelumnya dan 3.9 juta dengan konsekuensi pengkodean (Bick dkk., 2024). Kumpulan data pada skala tersebut tidak dapat dikelola seperti studi gen kandidat laboratorium tunggal satu dekade lalu, dan peninjau di jurnal yang terkait dengan genomik semakin mengharapkan penulis untuk menjelaskan alur kerja mereka di bagian metode, bukan hanya temuan mereka di bagian hasil. Para peneliti yang menjalankan studi asosiasi genom luas pada kohort sebesar ini, dan para pembaca yang menginginkan sisi statistik dari alur kerja tersebut, dapat menemukan pembahasan yang lebih lengkap dalam panduan kami tentang metode statistik dalam genomik, dari GWAS hingga analisis ekspresi gen.

Format File yang Menstandarisasi Data Pengurutan Skala Besar

Output mentah dari sequencer hampir tidak berguna bagi siapa pun di luar laboratorium yang menghasilkannya kecuali jika mengikuti sejumlah kecil format file bersama. FASTQ menyimpan panggilan basa mentah dan skor kualitas per basa yang langsung berasal dari sequencer. Alat penyelarasan memetakan bacaan tersebut terhadap genom referensi dan menulis hasilnya ke format SAM atau ekuivalen biner terkompresinya, BAM. CRAM mengompres data penyelarasan yang sama lebih lanjut dengan merujuk pada urutan genom itu sendiri daripada menyimpan setiap basa dua kali, mengurangi biaya penyimpanan sekitar 30 hingga 60 persen relatif terhadap BAM untuk data genom utuh yang umum bila dikonfigurasi dengan benar, tanpa kehilangan informasi yang relevan secara klinis. Variant Call Format, VCF, kemudian mencatat posisi spesifik di mana sampel berbeda dari genom referensi, bersama dengan panggilan genotipe dan metrik kualitas, dan telah menjadi format bersama yang mendasari katalog varian publik sejak rilis asli Proyek 1000 Genomes (Auton et al., 2015).

Mengadopsi format-format ini secara konsisten lebih penting daripada mengejar perangkat lunak penyelarasan tercepat. Manuskrip yang melaporkan varian tanpa menentukan susunan genom referensi, perangkat lunak pemanggil varian dan versinya, serta filter kualitas yang diterapkan, tidak memberikan cara bagi peninjau dan pengguna selanjutnya untuk mereproduksi hasilnya atau menggabungkannya dengan kumpulan data lain. Tim kami cukup sering melihat celah ini dalam metode biostatistik tingkat lanjut untuk analisis data genomik sehingga layak untuk diperlakukan sebagai poin dalam daftar periksa daripada sebagai pertimbangan tambahan selama persiapan manuskrip.

Praktik Terbaik untuk Penyimpanan dan Komputasi Data Genomik Skala Besar

Penyimpanan lokal untuk kohort sekuensing besar dengan cepat menjadi tidak praktis begitu proyek melampaui beberapa genom, karena satu genom utuh dengan cakupan 30x dalam format FASTQ membutuhkan 90 hingga 120 gigabyte tanpa kompresi. Platform komputasi awan dan komputasi kinerja tinggi bersama telah menjadi solusi standar. Platform yang siap untuk analisis seperti UK Biobank Research Analysis Platform, AnVIL, Terra, dan DNAnexus menyimpan data di tempatnya dan membawa komputasi ke sana, alih-alih mengharuskan setiap situs kolaborasi untuk mengunduh salinan lengkap, yang juga menyederhanakan kepatuhan karena file akses terkontrol mentah tidak pernah meninggalkan lingkungan yang diatur.

Kerangka kerja komputasi terdistribusi memperluas logika yang sama ke langkah analisis itu sendiri. Sparkhit, yang dibangun di atas Apache Spark, mendistribusikan tugas pemrosesan data genomik seperti penyelarasan bacaan dan penghitungan k-mer di seluruh klaster komputasi dan telah diuji kinerjanya terhadap alat node tunggal yang sudah mapan pada dataset sekuensing nyata, menunjukkan peningkatan waktu eksekusi yang substansial untuk beban kerja metagenomik dan genomik yang besar sambil tetap kompatibel dengan format file standar (Huang, Krüger, & Sczyrba, 2018). Para peneliti yang menganalisis rilis sekuensing genom lengkap UK Biobank telah menerapkan strategi cloud-native serupa, menjalankan pemetaan halus dan klasifikasi varian pembelajaran mesin untuk lokus risiko penyakit arteri koroner langsung pada infrastruktur cloud platform daripada mengekspor ratusan terabyte data sekuensing ke klaster lokal (Sng et al., 2025). Untuk melihat lebih luas pilihan infrastruktur di balik pipeline ini, lihat panduan kami tentang analitik big data dalam penelitian.

Menurunnya biaya pengurutan telah membuat skala ini menjadi hal yang rutin, bukan lagi hal yang luar biasa. Institut Penelitian Genom Manusia Nasional memperkirakan bahwa menghasilkan genom manusia referensi kedua menggunakan teknologi yang tersedia ketika Proyek Genom Manusia selesai pada tahun 2003 akan menelan biaya sekitar 50 juta dolar, angka yang turun di bawah 1,500 dolar per genom pada akhir tahun 2015 dan terus menurun sejak saat itu seiring dengan pergeseran platform ke kimia pembacaan pendek dengan throughput lebih tinggi (NHGRI, 2021). Lintasan tersebutlah yang menyebabkan satu studi sekarang dapat merekrut ribuan peserta untuk pengurutan seluruh genom, padahal sebelumnya hanya mampu merekrut beberapa lusin peserta.

Kontrol Kualitas dan Validasi Sebelum Anda Mengirimkan Temuan Genomik

Kedalaman sekuensing dan akurasi penentuan basa menetapkan batasan untuk semua hal yang dapat diklaim secara kredibel oleh suatu penelitian tentang genom, sehingga kontrol kualitas harus dilakukan sebelum interpretasi varian dimulai, bukan setelahnya. Inisiatif Genom Medis, sebuah konsorsium laboratorium genomik klinis di seluruh Amerika Serikat dan Kanada, menerbitkan rekomendasi konsensus yang mencakup validasi tes, pemilihan standar referensi, dan metrik kinerja khusus untuk sekuensing genom utuh klinis yang bertujuan untuk mendiagnosis penyakit germline yang dicurigai, mengatasi kesenjangan yang diidentifikasi kelompok tersebut dalam panduan sebelumnya yang sebagian besar berfokus pada panel gen target dan sekuensing eksom (Marshall et al., 2021).

Disiplin yang bermanfaat yang dipinjam dari pekerjaan validasi klinis tersebut adalah memperlakukan penentuan varian sebagai alur kerja multi-tahap daripada langkah tunggal. Kualitas penyelarasan bacaan, skor kualitas per-basis, keseragaman cakupan di seluruh wilayah yang diminati, dan kesesuaian dengan metode ortogonal seperti pengurutan Sanger untuk temuan kandidat semuanya perlu diperiksa dan dilaporkan, bukan diasumsikan. Proses kualitas genomik Program Penelitian All of Us sendiri, yang mendukung rilis 245,388 sekuens kelas klinis, menerapkan penentuan varian bersama di seluruh kohort bersama dengan pemeriksaan kesesuaian standar terhadap materi referensi sebelum dataset apa pun mencapai peneliti (Bick et al., 2024), skala jaminan kualitas yang layak ditiru dalam skala kecil bahkan untuk studi satu lokasi dengan beberapa ratus peserta.

Menghubungkan Genotipe dan Fenotipe Melalui Rekam Medis Elektronik

Data genomik hanya memperoleh nilai klinis dan ilmiahnya setelah terhubung dengan fenotipe, dan Jaringan Rekam Medis Elektronik dan Genomik (eMERGE Network) membangun templat yang masih diikuti oleh sebagian besar proyek keterkaitan besar. Dibentuk oleh Institut Penelitian Genom Manusia Nasional mulai tahun 2007, Jaringan eMERGE menggabungkan biorepositori DNA dari berbagai pusat medis di Amerika Serikat dengan data rekam medis elektronik dan, pada siklus pendanaan keduanya, telah menunjukkan bahwa fenotipe yang berasal dari EHR dapat mereplikasi asosiasi genotipe-fenotipe yang diketahui di berbagai lokasi independen sekaligus memungkinkan pekerjaan penemuan yang tidak dapat didukung oleh registri satu lokasi saja (Gottesman dkk., 2013).

Tiga kebiasaan praktis membuat jenis keterkaitan tersebut dapat digunakan dalam sebuah manuskrip. Definisi fenotipe memerlukan kriteria algoritmik yang dikontrol versinya, bukan tinjauan bagan teks bebas, sehingga situs lain dapat menerapkan definisi yang sama pada catatan mereka sendiri. Pengidentifikasi genomik dan klinis memerlukan penghubung silang yang aman yang menjaga pengidentifikasi langsung agar tidak masuk ke dalam kumpulan data analisis yang sedang dikerjakan, namun tetap memungkinkan penghubungan ulang yang diotorisasi untuk pembersihan atau permintaan validasi. Bahasa persetujuan perlu secara eksplisit mencakup penggunaan sekunder untuk keterkaitan spesifik yang dilakukan suatu studi, karena persetujuan biobank yang ditulis untuk satu area penyakit tidak secara otomatis meluas ke keterkaitan EHR-genomik yang lebih luas beberapa tahun kemudian.

Mengapa Data Genomik Tidak Dapat Dianonimkan Seperti Catatan Kesehatan Lainnya?

Menghapus nama dan nomor rekam medis dari spreadsheet seringkali cukup untuk menghilangkan identitas data klinis biasa, tetapi genom berperilaku lebih seperti sidik jari daripada spreadsheet, dan trik yang sama tidak akan berhasil. Urutan genetik mentah secara inheren bersifat mengidentifikasi karena unik untuk setiap individu, dengan pengecualian sebagian untuk kembar identik, dan dengan basis data referensi, pada prinsipnya dapat dicocokkan kembali dengan orang yang bernama melalui teknik seperti pencarian kekerabatan, pendekatan yang sama yang telah digunakan para penyelidik untuk mengidentifikasi tersangka dalam kasus forensik yang belum terpecahkan dari hasil tes DNA konsumen kerabat jauh. Menghapus nama peserta dari file VCF tidak menghilangkan risiko tersebut, karena varian itu sendiri membawa informasi yang cukup untuk mengidentifikasi kembali orang yang memiliki varian tersebut.

Para peneliti di Jepang mempelajari sikap terhadap masalah ini, dan temuan mereka memperluas kekhawatiran tersebut melampaui partisipan individu. Takashima dan rekan-rekannya, yang bekerja dengan pasien kanker dan sukarelawan sehat yang direkrut melalui lembaga penelitian Jepang, melaporkan bahwa partisipan seringkali lebih khawatir tentang implikasi privasi bagi kerabat sedarah mereka, yang berbagi informasi genetik yang tumpang tindih tetapi tidak pernah memberikan persetujuan apa pun, daripada tentang paparan pribadi mereka sendiri. Tim Takashima merekomendasikan agar kebijakan persetujuan dan berbagi data secara eksplisit membahas risiko tingkat keluarga ini daripada memperlakukan persetujuan genomik sebagai keputusan individu semata (Takashima dkk., 2018). Paparan tingkat keluarga merupakan bagian besar mengapa setiap pendana utama sekarang mewajibkan akses terkontrol daripada rilis terbuka dan tanpa identifikasi untuk data genomik tingkat individu secara default, sebuah perbedaan yang dibahas lebih mendalam dalam panduan kami tentang teknik anonimisasi data untuk melindungi privasi partisipan untuk kumpulan data non-genomik.

Repositori Akses Terkendali dan Kebijakan Berbagi Data Genomik NIH

Kebijakan Berbagi Data Genomik NIH mensyaratkan bahwa setiap studi genomik manusia skala besar yang didanainya harus mendaftar di basis data Genotipe dan Fenotipe, dbGaP, dan menyerahkan data yang mendasarinya serta sertifikasi penggunaan data yang menentukan tujuan penelitian yang disetujui untuk kumpulan data tersebut. NIH terakhir memperbarui halaman kebijakan tersebut pada Agustus 2025, dan tetap dibangun berdasarkan model akses terkontrol yang berpusat pada dbGaP ini. Data genotipe dan urutan tingkat individu berada di balik tinjauan komite akses data, sementara hasil ringkasan genomik agregat biasanya dirilis dengan lebih sedikit batasan sehingga peneliti lain dapat mengevaluasi apakah kumpulan data tersebut relevan dengan pekerjaan mereka sendiri sebelum mengajukan akses terkontrol.

Kebijakan tersebut memiliki rekam jejak yang cukup panjang untuk menunjukkan apa yang sebenarnya dilakukannya dalam praktik. Analisis terhadap Kebijakan Berbagi Data GWAS sebelumnya, pendahulu langsung dari Kebijakan GDS saat ini, menemukan bahwa dbGaP telah memberikan akses kepada lebih dari 2,200 peneliti ke kumpulan data genomik terkontrol dalam beberapa tahun pertamanya, bukti bahwa model akses terkontrol dapat diskalakan untuk memenuhi permintaan penggunaan sekunder yang nyata daripada hanya mengunci data (Paltoo dkk., 2014). Peramban data dbGaP sendiri kemudian menambahkan akses hanya-lihat ke informasi ringkasan tingkat varian tanpa memerlukan aplikasi akses data lengkap, menurunkan hambatan bagi seorang peneliti yang hanya perlu memeriksa apakah suatu kumpulan data berisi varian yang diminati sebelum berkomitmen pada proses aplikasi lengkap (Wong dkk., 2017).

Di luar Amerika Serikat, logika akses terkontrol serupa mendasari Arsip Genom-fenom Eropa dan kerangka kerja nasional yang dibangun berdasarkan protokol Beacon dari Aliansi Global untuk Genomik dan Kesehatan, yang memungkinkan peneliti untuk menanyakan apakah varian tertentu ada di mana pun dalam jaringan dataset terfederasi tanpa mengunduh atau bahkan melihat data genotipe yang mendasarinya. Implementasi Beacon nasional Portugal, yang dibangun untuk beroperasi bersama dengan inisiatif 1+ Juta Genom Eropa, menggambarkan pendekatan saat ini, mengekspos metadata yang cukup untuk membuat dataset dapat ditemukan sambil tetap menjaga genotipe tingkat individu di balik permintaan akses formal, sebuah desain yang dipilih secara khusus untuk menyeimbangkan penemuan dengan risiko identifikasi ulang dari kueri tingkat varian (Oliveira et al., 2026).

Ketegangan yang sama antara keterbukaan dan perlindungan tampak berbeda di berbagai wilayah dengan infrastruktur genomik yang kurang mapan. Para peneliti yang mengoordinasikan konsorsium H3Africa Afrika menggambarkan kesenjangan yang terus-menerus dalam kapasitas pengurutan lokal, bandwidth untuk mentransfer file pengurutan besar, dan tinjauan etika yang terharmonisasi di seluruh negara mitra, dengan alasan bahwa kebijakan berbagi data yang dimodelkan pada repositori yang memiliki sumber daya yang memadai dapat secara tidak sengaja merugikan populasi yang ingin diikutsertakan oleh inisiatif genomik global (Mulder dkk., 2017).

Apa yang Harus Dilaporkan Penulis Ketika Sebuah Manuskrip Bergantung pada Data Genomik

Para peninjau di jurnal-jurnal yang berkaitan dengan genomika semakin sering menolak atau mengembalikan manuskrip karena adanya celah yang tidak ada hubungannya dengan temuan biologis itu sendiri. Bagian metode perlu menyebutkan susunan genom referensi, perangkat lunak penyelarasan dan pemanggil varian beserta nomor versinya, filter kualitas yang diterapkan pada panggilan varian, dan repositori beserta nomor akses tempat data mentah atau yang telah diproses disimpan. Pernyataan ketersediaan data perlu menentukan apakah akses terbuka atau terkontrol dan, jika terkontrol, komite mana yang meninjau permintaan dan perkiraan berapa lama waktu yang dibutuhkan untuk peninjauan tersebut, karena editor semakin sering meminta penulis untuk mengkonfirmasi bahwa data akan tersedia bagi peninjau, bukan hanya bagi pembaca, sebelum diterima.

Kesalahan umum yang berulang kali muncul dalam manuskrip genomik meliputi pengutipan susunan genom referensi yang tidak konsisten antara bagian metode dan tabel tambahan, menghilangkan versi pemanggil varian meskipun versi berbeda dari alat yang sama dapat memanggil varian yang berbeda dari pembacaan mentah yang identik, dan mendeskripsikan kumpulan data sebagai anonim padahal sebenarnya genomik dan karenanya hanya dianonimkan dan dikontrol aksesnya, bukan benar-benar anonim. Masing-masing celah ini mudah diperbaiki sebelum pengajuan, dan mendeteksinya sejak dini jauh lebih murah daripada menjawab keberatan metodologis dari peninjau setelah berbulan-bulan dalam peninjauan sejawat. Editor di tim penulisan manuskrip kami menandai jenis celah ini selama peninjauan pra-pengajuan, jauh sebelum bagian metode genomik mencapai editor jurnal.

Ke Mana Arah Selanjutnya Manajemen Data Genomik Skala Besar?

Analisis terfederasi menggantikan transfer data terpusat sebagai model standar untuk studi genomik multisitus. Alih-alih mengirimkan file sekuensing mentah antar institusi, semakin banyak konsorsium yang mengirimkan permintaan analisis ke tempat data tersebut berada, sebuah pendekatan yang diformalkan oleh spesifikasi GA4GH Beacon v2 dengan menstandarisasi bagaimana permintaan untuk varian, sampel, atau kombinasi fenotipe tertentu dikirim ke dan dijawab oleh kumpulan data jarak jauh tanpa mengekspos catatan tingkat individu (Oliveira et al., 2026).

Pembelajaran mesin juga mengubah bagian mana dari interpretasi varian yang masih membutuhkan campur tangan manusia. Studi perbandingan pada rilis sekuensing genom lengkap UK Biobank menemukan bahwa pengklasifikasi pembelajaran mesin dapat menyamai atau melampaui alat pemetaan halus konvensional dalam menentukan varian penyebab yang paling mungkin dalam lokus yang terkait dengan penyakit, sementara masih memerlukan pelacakan asal usul, kontrol versi, dan validasi ortogonal yang sama seperti yang dibutuhkan oleh setiap alur kerja penentuan varian lainnya sebelum suatu temuan dapat dipercaya (Sng et al., 2025). Desain dua sampel yang dibangun berdasarkan statistik ringkasan studi asosiasi genom luas yang dipublikasikan semakin banyak digunakan langsung dalam metode inferensi kausal, sebuah aplikasi yang dibahas langkah demi langkah dalam panduan kami tentang randomisasi Mendel.

Semua ini tidak mengubah disiplin dasar yang dibutuhkan tim peneliti. Kohort yang lebih besar dan pengklasifikasi yang lebih cepat tetap bergantung pada format file standar, kontrol kualitas yang terdokumentasi, strategi de-identifikasi yang dapat dipertanggungjawabkan, dan penyimpanan di repositori yang benar-benar dapat diperiksa oleh peninjau. Praktik-praktik tersebut kemungkinan akan semakin penting, bukan sebaliknya, seiring dengan terus bertambahnya ukuran rata-rata dataset genomik yang dilampirkan pada sebuah manuskrip.

Kesimpulan

Data genomik skala besar memberikan keuntungan bagi tim peneliti yang memperlakukan manajemen data sebagai bagian dari sains, bukan sekadar pertimbangan administratif. Kumpulan data yang dibangun berdasarkan format file standar, kontrol kualitas yang terdokumentasi, strategi de-identifikasi yang realistis, dan penyimpanan repositori yang sesuai akan lebih cepat lolos tinjauan sejawat dan tetap dapat digunakan oleh peneliti lain bertahun-tahun setelah manuskrip asli diterbitkan. Program-program yang dikutip dalam panduan ini, mulai dari Proyek 1000 Genomes asli hingga rilis lebih dari 245,000 genom oleh Program Penelitian All of Us, menunjukkan bahwa praktik inti yang sama dapat diterapkan dari studi percontohan satu lokasi hingga kohort nasional dengan satu juta peserta (Auton et al., 2015; Bick et al., 2024). Memastikan dasar-dasar yang tepat sejak awal tetap menjadi cara paling andal untuk memastikan temuan genomik tetap bertahan dari kontak dengan peninjau, upaya replikasi, dan para peneliti yang ingin menggunakan kembali kumpulan data tersebut lama setelah tim studi asli beralih ke studi lain.

Pertanyaan yang Sering Diajukan

Format file apa yang sebaiknya saya gunakan untuk berbagi data varian genomik dalam manuskrip saya?

Unggah data tingkat varian dalam Format Panggilan Varian (Variant Call Format, VCF), dan tentukan susunan genom referensi serta pemanggil dan versi yang digunakan untuk membuatnya, karena file VCF yang sama yang diinterpretasikan terhadap susunan referensi yang berbeda dapat menghasilkan hasil yang berbeda dan relevan secara klinis.

Apakah data genomik yang telah dianonimkan sama dengan data yang telah dihilangkan identitasnya?

Tidak. Menghapus nama dari berkas urutan genetik mengurangi kemampuan identifikasi tetapi tidak menghilangkannya, karena varian itu sendiri dapat dicocokkan kembali dengan seseorang atau kerabatnya melalui teknik seperti pencarian kekerabatan. Itulah mengapa para pemberi dana mensyaratkan akses terkontrol daripada rilis terbuka untuk data genomik tingkat individu.

Apakah saya perlu mendaftar di dbGaP untuk setiap studi genomik?

Kebijakan Berbagi Data Genomik NIH berlaku khusus untuk studi genomik manusia skala besar yang didanainya, dan studi tersebut diharapkan untuk mendaftar di dbGaP dan mengirimkan data serta sertifikasi penggunaan data. Periksa cakupan kebijakan saat ini di situs Kantor Kebijakan Sains NIH sebelum berasumsi bahwa studi percontohan yang lebih kecil dikecualikan.

Seberapa besar perbedaan ukuran file CRAM dibandingkan file BAM untuk data sekuensing yang sama?

CRAM biasanya mengurangi ukuran penyimpanan sekitar 30 hingga 60 persen dibandingkan dengan BAM untuk data penyelarasan seluruh genom yang sama karena CRAM merujuk pada urutan genom itu sendiri alih-alih menyimpan setiap basa dua kali, meskipun penghematan pastinya bergantung pada kedalaman pengurutan dan pengaturan kompresi yang digunakan.

Apa alasan paling umum mengapa manuskrip genomik dikembalikan untuk direvisi dibandingkan dengan pelaporan data?

Kurangnya detail metodologis atau ketidakkonsistenan adalah penyebab paling sering, biasanya berupa susunan genom referensi yang tidak ditentukan, versi pemanggil varian yang tidak dilaporkan, atau pernyataan ketersediaan data yang tidak menyebutkan apakah aksesnya terbuka atau terkontrol. Ketiga hal tersebut mudah diperbaiki sebelum pengajuan dan lambat diperbaiki setelah peninjau menandainya.

Bisakah pembelajaran mesin menggantikan kurasi varian manual dalam sebuah studi penelitian?

Tidak sepenuhnya. Studi perbandingan pada data pengurutan genom lengkap UK Biobank menemukan bahwa pengklasifikasi pembelajaran mesin dapat menyamai atau mengungguli metode pemetaan halus konvensional dalam menandai varian penyebab yang paling mungkin, tetapi alur kerja yang mendasarinya masih memerlukan kontrol kualitas, pelacakan versi, dan validasi ortogonal yang sama seperti yang dibutuhkan oleh setiap identifikasi varian sebelum dipublikasikan.

Referensi

1. Auton A, Brooks LD, Durbin RM, dkk. Referensi global untuk variasi genetik manusia. Alam. 2015;526(7571):68-74. doi: 10.1038 / nature15393
2. Collins FS, Varmus H. Sebuah inisiatif baru tentang pengobatan presisi. N Engl J Med. 2015;372(9):793-795. doi: 10.1056/NEJMp1500523
3. Gottesman O, Kuivaniemi H, Tromp G, dkk. Jaringan Rekam Medis Elektronik dan Genomik (eMERGE): masa lalu, masa kini, dan masa depan. Genet Med. 2013;15(10):761-771. doi: 10.1038/gim.2013.72
4. Bick AG, Metcalf GA, Mayo KR, dkk. Data genomik dalam Program Penelitian All of Us. Alam. 2024;627(8003):340-346. doi: 10.1038 / s41586-023-06957-x
5. Marshall CR, Chowdhury S, Taft RJ, dkk. Praktik terbaik untuk validasi analitik pengurutan genom lengkap klinis yang ditujukan untuk diagnosis penyakit germline. NPJ Genom Kedokteran. 2021;5:47. doi: 10.1038/s41525-020-00154-9
6. Paltoo DN, Rodriguez LL, Feolo M, dkk. Penggunaan data berdasarkan Kebijakan Berbagi Data GWAS NIH dan arah masa depan. Nat Genet. 2014;46(9):934-938. doi: 10.1038/ng.3062
7. Wong KM, Langlais K, Tobias GS, dkk. Peramban data dbGaP: alat baru untuk menjelajahi data genomik akses terbatas dbGaP. Asam Nukleat Res. 2017;45(D1):D819-D826. doi: 10.1093/nar/gkw1139
8. Mulder N, Adebamowo CA, Adebamowo SN, dkk. Generasi, analisis, dan berbagi data penelitian genomik – tantangan dalam konteks Afrika. Jurnal Ilmu Data. 2017;16. doi: 10.5334/dsj-2017-049
9. Takashima K, Maru Y, Mori S, Mano H, Noda T, Muto K. Kekhawatiran etis tentang berbagi data genomik termasuk anggota keluarga pasien. Etika Medis BMC. 2018;19(1). doi: 10.1186/s12910-018-0310-5
10. Huang L, Krüger J, Sczyrba A. Menganalisis data genomik skala besar di cloud dengan Sparkhit. Bioinformatika. 2018;34(9):1457-1465. doi: 10.1093/bioinformatika/btx808
11. Sng LMF, Kaphle A, O'Brien MJ, dkk. Mengoptimalkan platform analisis penelitian berbasis cloud UK Biobank untuk memetakan secara detail lokus penyakit arteri koroner dalam data pengurutan genom lengkap. Sci Rep. 2025;15. doi: 10.1038/s41598-025-95286-2
12. Oliveira JS, Sant'Ana S, Santos M, Faria D. Beacon Portugis: berbagi data varian genom dengan aman. Basis data (Oxford). 2026;2026. doi: 10.1093/database/baag012
13. Institut Penelitian Genom Manusia Nasional. Biaya Pengurutan Genom Manusia. Diperbarui 2021. genom.gov
14. Lembaga Kesehatan Nasional, Kantor Kebijakan Sains. Kebijakan Berbagi Data Genomik NIH. Diperbarui Agustus 2025. grants.nih.gov