Amalan terbaik untuk mengurus dan menganalisis data genomik berskala besar dalam penyelidikan perubatan

Diterbitkan 20 Jun 2026 | Kemas kini terakhir 10 Ogos 2026

Satu penjujukan keseluruhan genom kini menghasilkan lebih banyak jujukan mentah berbanding keseluruhan Projek Genom Manusia yang dikumpulkan sepanjang tiga belas tahun kerja, dan jumlah itulah sebabnya data genomik berskala besar telah menjadi penghalang sebenar bagi pasukan penyelidikan perubatan yang menyediakan manuskrip. Projek 1000 Genom telah membina semula genom 2,504 individu merentasi 26 populasi dan masih hanya mengkatalogkan set rujukan variasi biasa, kira-kira 88 juta varian secara keseluruhan, yang terdiri daripada 84.7 juta polimorfisme nukleotida tunggal, 3.6 juta sisipan dan penghapusan pendek, dan 60,000 varian struktur (Auton et al., 2015). Darabkan skala itu merentasi biobank moden yang terdiri daripada sejuta peserta, dan keputusan penyimpanan, kawalan kualiti dan perkongsian data yang dibuat oleh pasukan penyelidikan sebelum penyerahan mula membentuk sama ada pengulas mempercayai keputusan sama sekali.

Perubatan genomik telah beralih daripada kajian calon-gen kecil kepada penjujukan skala populasi, satu perubahan yang dirangka oleh Francis Collins dan Harold Varmus dalam cadangan 2015 mereka untuk Inisiatif Perubatan Ketepatan kebangsaan yang dibina berdasarkan data genomik, alam sekitar dan gaya hidup yang dipautkan pada skala (Collins & Varmus, 2015). Mendapatkan pautan yang betul, daripada output penjujukan mentah kepada set data sedia penyerahan, kini bergantung pada keputusan tentang format fail, seni bina storan, kawalan kualiti, penyahidentifikasian dan dasar repositori yang kebanyakan penulis terlatih makmal basah tidak pernah pelajari di sekolah siswazah. Berikut ialah panduan praktikal tentang amalan yang memastikan set data genomik boleh digunakan, boleh diaudit dan mematuhi dasar pemberi dana dari generasi hingga penerbitan.

Poin-poin utama

• Projek 1000 Genom telah menjujuk 2,504 individu daripada 26 populasi, mengkatalogkan kira-kira 88 juta varian sebagai rujukan untuk variasi genetik manusia (Auton et al., 2015)
• Keluaran genomik utama pertama Program Penyelidikan All of Us merangkumi 245,388 jujukan genom gred klinikal dan mengenal pasti lebih daripada 1 bilion varian genetik, lebih 275 juta daripadanya tidak dilaporkan sebelum ini (Bick et al., 2024)
• Format fail piawai, FASTQ untuk bacaan mentah, BAM atau CRAM untuk penjajaran dan VCF untuk panggilan varian, memastikan data penjujukan boleh digunakan merentas saluran paip dan institusi
• Data genomik tidak boleh benar-benar dirahsiakan identitinya, hanya dinyahkenal pasti dan dikawal aksesnya, kerana urutan itu sendiri secara semula jadi mengenal pasti dan boleh melibatkan saudara-mara yang tidak pernah bersetuju.
• Dasar Perkongsian Data Genomik NIH memerlukan kajian genomik manusia berskala besar yang dibiayainya untuk mendaftar dalam dbGaP dan mengemukakan pensijilan penggunaan data bersama data itu sendiri

Apa yang Dikira sebagai Data Genomik Berskala Besar dalam Penyelidikan Perubatan Hari Ini

Tiga modaliti penjujukan menjana kebanyakan data genomik yang kini dikemukakan oleh penyelidik perubatan bersama manuskrip. Penjujukan seluruh genom pada dasarnya membaca keseluruhan 3.2 bilion pasangan asas genom manusia dan biasanya menghasilkan antara tiga dan lima juta varian setiap individu berbanding genom rujukan. Penjujukan seluruh eksom mengehadkan bacaan tersebut kepada kira-kira satu hingga dua peratus daripada genom yang mengekod protein, mengurangkan kos dan saiz fail sambil masih mengembalikan 20,000 hingga 30,000 varian setiap sampel. Penjujukan RNA mengukur ekspresi gen dan bukannya urutan DNA secara langsung dan biasanya menghasilkan puluhan juta bacaan pendek setiap pustaka sampel.

Program skala populasi menggambarkan apa yang dimaksudkan dengan "besar" sekarang dalam praktiknya. Program Penyelidikan All of Us mengeluarkan jujukan genom gred klinikal untuk 245,388 peserta dalam penurunan data genomik utama pertamanya, dengan 77 peratus peserta diambil dari komuniti yang secara sejarahnya kurang diwakili dalam penyelidikan bioperubatan dan 46 peratus dari minoriti kaum dan etnik yang kurang diwakili. Merentasi kohort itu, program ini mengenal pasti lebih daripada 1 bilion varian genetik, termasuk lebih 275 juta yang tidak pernah dilaporkan sebelum ini dan 3.9 juta dengan akibat pengekodan (Bick et al., 2024). Set data pada skala itu tidak dapat diuruskan seperti cara kajian calon-gen makmal tunggal diuruskan sedekad yang lalu, dan pengulas di jurnal bersebelahan genomik semakin mengharapkan penulis untuk menerangkan saluran paip mereka di bahagian kaedah, bukan hanya penemuan mereka dalam hasilnya. Penyelidik yang menjalankan kajian perkaitan seluruh genom pada kohort sebesar ini, dan pembaca yang mahukan bahagian statistik saluran paip itu, boleh menemui rawatan yang lebih lengkap dalam panduan kami untuk kaedah statistik dalam genomik, daripada GWAS hingga analisis ekspresi gen.

Format Fail Yang Menyeragamkan Data Penjujukan Skala Besar

Output mentah daripada penjujuk hampir tidak berguna kepada sesiapa di luar makmal yang menghasilkannya melainkan ia mengikuti set kecil format fail kongsi. FASTQ menyimpan panggilan asas mentah dan skor kualiti setiap asas yang datang terus daripada penjujuk. Alat penjajaran memetakan bacaan tersebut terhadap genom rujukan dan menulis hasilnya kepada format SAM atau setara binari termampatnya, BAM. CRAM memampatkan data penjajaran yang sama dengan lebih lanjut dengan merujuk urutan genom itu sendiri dan bukannya menyimpan setiap asas dua kali, mengurangkan kos penyimpanan sebanyak kira-kira 30 hingga 60 peratus berbanding BAM untuk data keseluruhan genom biasa apabila dikonfigurasikan dengan betul, tanpa kehilangan maklumat yang berkaitan secara klinikal. Format Panggilan Varian, VCF, kemudian merekodkan kedudukan tertentu di mana sampel berbeza daripada genom rujukan, bersama-sama dengan panggilan genotip dan metrik kualiti, dan telah menjadi format kongsi yang menyokong katalog varian awam sejak keluaran asal Projek 1000 Genom (Auton et al., 2015).

Menerima pakai format ini secara konsisten adalah lebih penting daripada mengejar penjajar terpantas. Manuskrip yang melaporkan varian tanpa menyatakan binaan genom rujukan, pemanggil varian dan versi yang digunakan, dan penapis kualiti yang digunakan tidak memberi pengulas dan pengguna hiliran cara untuk menghasilkan semula hasil atau menggabungkannya dengan set data lain. Pasukan kami melihat jurang ini cukup kerap dalam kaedah biostatistik lanjutan untuk analisis data genomik sehingga ia patut dianggap sebagai item senarai semak dan bukannya perkara sampingan semasa penyediaan manuskrip.

Amalan Terbaik untuk Penyimpanan dan Pengkomputeran pada Data Genomik Berskala Besar

Storan di premis untuk kohort penjujukan yang besar dengan cepat menjadi tidak praktikal sebaik sahaja projek bergerak melepasi segelintir genom, memandangkan satu genom keseluruhan liputan 30x dalam format FASTQ menjalankan 90 hingga 120 gigabait tanpa mampatan. Platform pengkomputeran awan dan berprestasi tinggi kongsi telah menjadi respons lalai. Platform sedia analisis seperti Platform Analisis Penyelidikan Biobank UK, AnVIL, Terra dan DNAnexus menyimpan data di tempatnya dan membawa pengkomputeran kepadanya dan bukannya memerlukan setiap tapak yang bekerjasama untuk memuat turun salinan penuh, yang turut memudahkan pematuhan memandangkan fail akses terkawal mentah tidak pernah meninggalkan persekitaran yang dikawal.

Rangka kerja pengkomputeran teragih melanjutkan logik yang sama kepada langkah analisis itu sendiri. Sparkhit, yang dibina di atas Apache Spark, mengedarkan tugas pemprosesan data genomik seperti penjajaran baca dan pengiraan k-mer merentasi kluster pengiraan dan telah ditanda aras terhadap alat nod tunggal yang mantap pada set data penjujukan sebenar, menunjukkan penambahbaikan masa jalan yang ketara untuk beban kerja metagenomik dan genomik yang besar sambil kekal serasi dengan format fail standard (Huang, Krüger, & Sczyrba, 2018). Penyiasat yang menganalisis keluaran penjujukan seluruh genom UK Biobank telah menggunakan strategi awan-natif yang serupa, menjalankan pemetaan halus dan klasifikasi varian pembelajaran mesin untuk lokus risiko penyakit arteri koronari secara langsung pada infrastruktur awan platform dan bukannya mengeksport ratusan terabait data penjujukan ke kluster tempatan (Sng et al., 2025). Untuk pandangan yang lebih luas tentang pilihan infrastruktur di sebalik saluran paip ini, lihat panduan kami untuk analitik data raya dalam penyelidikan.

Kos penjujukan yang menurun telah menjadikan rutin skala ini dan bukannya luar biasa. Institut Penyelidikan Genom Manusia Kebangsaan menganggarkan bahawa menjana genom manusia rujukan kedua menggunakan teknologi yang tersedia apabila Projek Genom Manusia selesai pada tahun 2003 akan menelan belanja kira-kira 50 juta dolar, angka yang jatuh di bawah 1,500 dolar setiap genom menjelang akhir tahun 2015 dan terus menurun sejak itu apabila platform telah beralih kepada kimia bacaan pendek berdaya pemprosesan yang lebih tinggi (NHGRI, 2021). Trajektori itulah sebabnya satu kajian kini boleh merekrut beribu-ribu peserta untuk penjujukan seluruh genom di mana dahulunya hanya mampu membeli beberapa dozen.

Kawalan Kualiti dan Pengesahan Sebelum Anda Menyerahkan Penemuan Genomik

Kedalaman penjujukan dan ketepatan panggilan asas menetapkan had untuk semua yang boleh dituntut secara kredibel oleh kajian tentang genom, jadi kawalan kualiti perlu berlaku sebelum tafsiran varian bermula, bukan selepasnya. Inisiatif Genom Perubatan, sebuah konsortium makmal genomik klinikal di seluruh Amerika Syarikat dan Kanada, menerbitkan cadangan konsensus yang merangkumi pengesahan ujian, pemilihan standard rujukan dan metrik prestasi khusus untuk penjujukan keseluruhan genom klinikal yang bertujuan untuk mendiagnosis penyakit germinal yang disyaki, menangani jurang yang dikenal pasti oleh kumpulan dalam panduan terdahulu yang tertumpu terutamanya pada panel gen yang disasarkan dan penjujukan eksom (Marshall et al., 2021).

Satu disiplin berguna yang dipinjam daripada kerja pengesahan klinikal tersebut ialah melayan panggilan varian sebagai saluran paip berbilang peringkat dan bukannya satu langkah. Kualiti penjajaran bacaan, skor kualiti setiap asas, keseragaman liputan merentasi kawasan yang diminati dan kesesuaian dengan kaedah ortogon seperti penjujukan Sanger untuk penemuan calon, semuanya perlu disemak dan dilaporkan, bukan diandaikan. Proses kualiti genomik Program Penyelidikan All of Us sendiri, yang menyokong pengeluaran 245,388 jujukan gred klinikal, menggunakan panggilan varian sendi merentasi kohort penuh bersama-sama dengan pemeriksaan konkordans piawai terhadap bahan rujukan sebelum sebarang set data sampai kepada penyiasat (Bick et al., 2024), skala jaminan kualiti yang patut ditiru dalam bentuk kecil walaupun untuk kajian tapak tunggal yang melibatkan beberapa ratus peserta.

Menghubungkan Genotip dan Fenotip Melalui Rekod Kesihatan Elektronik

Data genomik memperoleh nilai klinikal dan saintifiknya hanya setelah ia berhubung dengan fenotip, dan Rangkaian Rekod Perubatan Elektronik dan Genomik membina templat yang masih diikuti oleh kebanyakan projek perkaitan besar. Disusun oleh Institut Penyelidikan Genom Manusia Kebangsaan bermula pada tahun 2007, Rangkaian eMERGE menggabungkan biorepositori DNA dari pelbagai pusat perubatan Amerika Syarikat dengan data rekod kesihatan elektronik dan, menjelang kitaran pembiayaan keduanya, telah menunjukkan bahawa fenotip yang diperoleh daripada EHR boleh mereplikasi perkaitan genotip-fenotip yang diketahui merentasi tapak bebas di samping membolehkan kerja penemuan yang tidak dapat disokong oleh pendaftaran tapak tunggal sendiri (Gottesman et al., 2013).

Tiga tabiat praktikal menjadikan perkaitan seperti itu boleh digunakan dalam manuskrip. Takrifan fenotip memerlukan kriteria algoritma yang dikawal versi dan bukannya semakan carta teks bebas, supaya tapak lain boleh menggunakan takrifan yang sama pada rekodnya sendiri. Pengecam genomik dan klinikal memerlukan lintasan selamat yang menghalang pengecam langsung daripada dimasukkan ke dalam set data analisis kerja sambil masih membenarkan perkaitan semula yang dibenarkan untuk pertanyaan pembersihan atau pengesahan. Bahasa persetujuan perlu merangkumi secara eksplisit penggunaan sekunder untuk perkaitan khusus yang dilakukan oleh kajian, memandangkan persetujuan biobank yang ditulis untuk satu kawasan penyakit tidak secara automatik dilanjutkan kepada perkaitan EHR-genomik yang lebih luas bertahun-tahun kemudian.

Mengapa Data Genomik Tidak Boleh Dinyatakan Tanpa Nama Seperti Rekod Kesihatan Lain Boleh

Menghapuskan nama dan nombor rekod perubatan dalam hamparan selalunya cukup untuk menyah-identifikasi data klinikal biasa, tetapi genom bertindak lebih seperti cap jari daripada hamparan, dan helah yang sama tidak berkesan. Urutan genetik mentah secara semula jadinya mengenal pasti kerana ia unik kepada individu, dengan pengecualian separa kembar seiras, dan memandangkan pangkalan data rujukan, ia pada prinsipnya boleh dipadankan kembali dengan orang yang dinamakan melalui teknik seperti pencarian keluarga, pendekatan yang sama yang telah digunakan oleh penyiasat untuk mengenal pasti suspek dalam kes-kes sejuk forensik daripada keputusan ujian DNA pengguna saudara jauh. Mengalih keluar nama peserta daripada fail VCF tidak menghapuskan risiko itu, kerana varian itu sendiri membawa maklumat yang mencukupi untuk mengenal pasti semula orang yang mereka berasal.

Penyelidik di Jepun mengkaji sikap terhadap masalah yang tepat ini, dan penemuan mereka meluaskan kebimbangan melangkaui peserta individu. Takashima dan rakan sekerja, yang bekerja dengan pesakit kanser dan sukarelawan sihat yang direkrut melalui institusi penyelidikan Jepun, melaporkan bahawa peserta selalunya lebih bimbang tentang implikasi privasi untuk saudara sedarah mereka, yang berkongsi maklumat genetik yang bertindih tetapi tidak pernah bersetuju dengan apa-apa, daripada pendedahan peribadi mereka sendiri. Pasukan Takashima mengesyorkan agar dasar persetujuan dan perkongsian data secara eksplisit menangani risiko peringkat keluarga ini dan bukannya menganggap persetujuan genomik sebagai keputusan individu semata-mata (Takashima et al., 2018). Pendedahan peringkat keluarga adalah sebahagian besar sebab setiap pemberi dana utama kini mewajibkan akses terkawal dan bukannya pelepasan terbuka dan dinyahkenal pasti untuk data genomik peringkat individu secara lalai, satu perbezaan yang diliputi oleh panduan kami untuk teknik penyahnamaan data untuk melindungi privasi peserta dengan lebih mendalam untuk set data bukan genomik.

Repositori Akses Terkawal dan Dasar Perkongsian Data Genomik NIH

Dasar Perkongsian Data Genomik NIH mewajibkan mana-mana kajian genomik manusia berskala besar yang dibiayainya mendaftar dalam pangkalan data Genotip dan Fenotip, dbGaP, dan mengemukakan kedua-dua data asas dan pensijilan penggunaan data yang menyatakan tujuan penyelidikan yang diluluskan untuk set data tersebut. NIH terakhir mengemas kini halaman dasar tersebut pada Ogos 2025, dan ia kekal dibina berdasarkan model akses terkawal berpusatkan dbGaP ini. Data genotip dan jujukan peringkat individu berada di belakang semakan jawatankuasa akses data, manakala keputusan ringkasan genomik agregat biasanya dikeluarkan dengan lebih sedikit sekatan supaya penyiasat lain boleh menilai sama ada set data berkaitan dengan kerja mereka sendiri sebelum memohon akses terkawal.

Dasar tersebut mempunyai rekod prestasi yang cukup lama untuk menunjukkan apa yang sebenarnya dilakukannya dalam praktik. Analisis Dasar Perkongsian Data GWAS yang terdahulu, pendahulu langsung kepada Dasar GDS hari ini, mendapati bahawa dbGaP telah memberikan lebih daripada 2,200 penyiasat akses kepada set data genomik terkawal dalam beberapa tahun pertamanya, bukti bahawa model akses terkawal boleh diskalakan kepada permintaan penggunaan sekunder sebenar dan bukannya hanya mengunci data (Paltoo et al., 2014). Pelayar data dbGaP sendiri kemudiannya menambah akses lihat sahaja kepada maklumat ringkasan peringkat varian tanpa memerlukan aplikasi akses data penuh, sekali gus mengurangkan halangan bagi penyelidik yang hanya perlu menyemak sama ada set data mengandungi varian yang diminati sebelum komited kepada proses permohonan penuh (Wong et al., 2017).

Di luar Amerika Syarikat, logik akses terkawal yang serupa mendasari Arkib Fenom Genom Eropah dan rangka kerja kebangsaan yang dibina di atas protokol Beacon Perikatan Global untuk Genomik dan Kesihatan, yang membolehkan penyelidik membuat pertanyaan sama ada varian tertentu wujud di mana-mana sahaja dalam rangkaian set data bersekutu tanpa memuat turun atau melihat data genotip yang mendasarinya. Pelaksanaan Beacon kebangsaan Portugal, yang dibina untuk berinteraksi dengan inisiatif 1+ Juta Genom Eropah, menggambarkan pendekatan semasa, mendedahkan metadata yang mencukupi untuk menjadikan set data boleh ditemui sambil mengekalkan genotip peringkat individu di sebalik permintaan akses formal, reka bentuk yang dipilih khusus untuk mengimbangi penemuan terhadap risiko pengenalpastian semula daripada pertanyaan peringkat varian (Oliveira et al., 2026).

Ketegangan yang sama antara keterbukaan dan perlindungan kelihatan berbeza merentasi rantau dengan infrastruktur genomik yang kurang mantap. Penyelidik yang menyelaras konsortium H3Africa Afrika menggambarkan jurang yang berterusan dalam kapasiti penjujukan tempatan, lebar jalur untuk memindahkan fail penjujukan yang besar dan semakan etika yang diselaraskan merentasi negara rakan kongsi, dengan alasan bahawa dasar perkongsian data yang dimodelkan pada repositori yang mempunyai sumber yang baik secara tidak sengaja boleh merugikan populasi yang ingin disertakan oleh inisiatif genomik global (Mulder et al., 2017).

Apa yang Perlu Dilaporkan oleh Pengarang Apabila Manuskrip Bergantung pada Data Genomik

Pengulas di jurnal bersebelahan genomik semakin menolak atau mengembalikan manuskrip untuk jurang yang tidak ada kaitan dengan penemuan biologi itu sendiri. Bahagian kaedah perlu menamakan binaan genom rujukan, penjajar dan pemanggil varian dengan nombor versi, penapis kualiti yang digunakan pada panggilan varian dan repositori serta nombor aksesi tempat data mentah atau diproses disimpan. Pernyataan ketersediaan data perlu menyatakan sama ada akses terbuka atau dikawal dan, jika dikawal, jawatankuasa mana yang menyemak permintaan dan kira-kira berapa lama semakan itu mengambil masa, memandangkan editor semakin meminta penulis untuk mengesahkan data akan tersedia kepada pengulas, bukan sahaja kepada pembaca, sebelum penerimaan.

Kesilapan biasa yang muncul berulang kali merentasi manuskrip genomik termasuk memetik binaan genom rujukan secara tidak konsisten antara bahagian kaedah dan jadual tambahan, meninggalkan versi pemanggil varian walaupun versi berbeza bagi alat yang sama boleh memanggil varian berbeza daripada bacaan mentah yang sama, dan menggambarkan set data sebagai tanpa nama apabila ia genomik dan oleh itu hanya dinyahkenal pasti dan dikawal akses dan bukannya benar-benar tanpa nama. Setiap jurang ini mudah untuk diperbaiki sebelum penyerahan, dan mengesannya lebih awal adalah jauh lebih murah daripada menjawab bantahan metodologi pengulas selepas berbulan-bulan dalam semakan rakan sebaya. Editor dalam pasukan penulisan manuskrip kami menandakan dengan tepat kelas jurang ini semasa semakan pra-penyerahan, jauh sebelum bahagian kaedah genomik sampai kepada editor jurnal.

Ke Mana Pengurusan Data Genomik Berskala Besar Akan Datang Seterusnya

Analisis bersekutu menggantikan pemindahan data berpusat sebagai model lalai untuk kajian genomik berbilang tapak. Daripada menghantar fail penjujukan mentah antara institusi, semakin banyak konsortium kini menghantar pertanyaan analisis ke mana sahaja data sudah berada, satu pendekatan yang diformalkan oleh spesifikasi GA4GH Beacon v2 dengan menyeragamkan cara permintaan untuk kombinasi varian, sampel atau fenotip tertentu dihantar dan dijawab oleh set data jauh tanpa mendedahkan rekod peringkat individu (Oliveira et al., 2026).

Pembelajaran mesin juga mengubah bahagian tafsiran varian yang masih memerlukan manusia dalam gelung. Kerja perbandingan pada keluaran penjujukan seluruh genom UK Biobank mendapati bahawa pengelas pembelajaran mesin boleh memadankan atau mengatasi alat pemetaan halus konvensional dalam menentukan varian kausal yang paling mungkin dalam lokus berkaitan penyakit, sambil masih memerlukan penjejakan asal, kawalan versi dan pengesahan ortogon yang sama seperti yang diperlukan oleh saluran paip pemanggil varian lain sebelum penemuan dipercayai (Sng et al., 2025). Reka bentuk dua sampel yang dibina berdasarkan statistik ringkasan kajian perkaitan seluruh genom yang diterbitkan semakin banyak menyumbang terus kepada kaedah inferens kausal, aplikasi yang diliputi oleh panduan kami untuk pengacakan Mendel langkah demi langkah.

Tiada satu pun daripada ini yang mengubah disiplin asas yang diperlukan oleh pasukan penyelidikan. Kohort yang lebih besar dan pengelas yang lebih pantas masih bergantung pada format fail piawai, kawalan kualiti yang didokumenkan, strategi penyahidentifikasian yang boleh dipertahankan dan deposit repositori yang sebenarnya boleh disemak oleh pengulas. Amalan tersebut mungkin lebih penting, bukan kurang, kerana set data genomik purata yang dilampirkan pada manuskrip terus berkembang.

Kesimpulan

Data genomik berskala besar memberi ganjaran kepada pasukan penyelidikan yang menganggap pengurusan data sebagai sebahagian daripada sains dan bukannya sebagai pertimbangan pentadbiran. Set data yang dibina berdasarkan format fail piawai, kawalan kualiti yang didokumenkan, strategi penyahidentifikasian yang realistik dan deposit repositori yang mematuhi piawaian, bertahan lebih cepat daripada semakan rakan sebaya dan kekal boleh digunakan oleh penyelidik lain bertahun-tahun selepas manuskrip asal diterbitkan. Program yang dipetik di seluruh panduan ini, daripada Projek 1000 Genom asal hingga keluaran Program Penyelidikan All of Us yang mengandungi lebih daripada 245,000 genom, menunjukkan bahawa amalan teras yang sama berskala daripada kajian rintis tapak tunggal kepada kohort kebangsaan sejuta peserta (Auton et al., 2015; Bick et al., 2024). Mendapatkan asas yang betul lebih awal kekal sebagai cara yang paling boleh dipercayai untuk memastikan penemuan genomik bertahan daripada hubungan dengan pengulas, percubaan replikasi dan penyelidik yang ingin menggunakan semula set data lama selepas pasukan kajian asal telah beralih.

Soalan Lazim

Format fail apakah yang harus saya gunakan untuk berkongsi data varian genomik dalam manuskrip saya?

Depositkan data peringkat varian dalam Format Panggilan Varian, VCF dan tentukan binaan genom rujukan serta pemanggil dan versi yang digunakan untuk menjananya, kerana fail VCF yang sama yang ditafsirkan terhadap binaan rujukan yang berbeza boleh membayangkan hasil yang berbeza dan relevan secara klinikal.

Adakah data genomik yang dinyahkenal pasti sama dengan data tanpa nama?

Tidak. Mengalih keluar nama daripada fail jujukan genetik mengurangkan kebolehidentifikasian tetapi tidak menghapuskannya, kerana varian itu sendiri boleh dipadankan kembali kepada seseorang atau saudara-mara mereka melalui teknik seperti pencarian keluarga. Itulah sebabnya pemberi dana memerlukan akses terkawal dan bukannya pelepasan terbuka untuk data genomik peringkat individu.

Perlukah saya mendaftar dalam dbGaP untuk setiap kajian genomik?

Dasar Perkongsian Data Genomik NIH terpakai khusus untuk kajian genomik manusia berskala besar yang dibiayainya, dan kajian tersebut dijangka mendaftar dalam dbGaP dan mengemukakan kedua-dua data dan pensijilan penggunaan data. Semak skop semasa dasar di laman web Pejabat Dasar Sains NIH sebelum menganggap kajian rintis yang lebih kecil dikecualikan.

Berapakah lebih kecil fail CRAM daripada fail BAM untuk data penjujukan yang sama?

CRAM biasanya mengurangkan saiz storan sebanyak kira-kira 30 hingga 60 peratus berbanding BAM untuk data penjajaran seluruh genom yang sama kerana ia merujuk urutan genom itu sendiri dan bukannya menyimpan setiap asas dua kali, walaupun penjimatan yang tepat bergantung pada kedalaman penjujukan dan tetapan mampatan yang digunakan.

Apakah sebab paling biasa manuskrip genom dihantar kembali untuk semakan berbanding pelaporan data?

Butiran metodologi yang hilang atau tidak konsisten merupakan punca yang paling kerap, biasanya binaan genom rujukan yang tidak ditentukan, versi pemanggil varian yang tidak dilaporkan atau pernyataan ketersediaan data yang tidak menyatakan sama ada akses terbuka atau terkawal. Ketiga-tiganya mudah dibaiki sebelum penyerahan dan lambat dibaiki selepas penilai menandakannya.

Bolehkah pembelajaran mesin menggantikan kurasi varian manual dalam kajian penyelidikan?

Tidak sepenuhnya. Kerja perbandingan pada data penjujukan seluruh genom UK Biobank mendapati pengelas pembelajaran mesin boleh memadankan atau mengatasi kaedah pemetaan halus konvensional dalam menandakan varian kausal yang paling mungkin, tetapi saluran paip yang mendasari masih memerlukan kawalan kualiti, penjejakan versi dan pengesahan ortogon yang sama seperti yang diperlukan oleh sebarang panggilan varian sebelum penerbitan.

Rujukan

1. Auton A, Brooks LD, Durbin RM, dsb. Rujukan global untuk variasi genetik manusia. Alam. 2015;526(7571):68-74. doi: 10.1038 / nature15393
2. Collins FS, Varmus H. Satu inisiatif baharu mengenai perubatan jitu. N Engl J Med. 2015;372(9):793-795. doi: 10.1056/NEJMp1500523
3. Gottesman O, Kuivaniemi H, Tromp G, dkk. Rangkaian Rekod Perubatan Elektronik dan Genomik (eMERGE): masa lalu, sekarang 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 Penyelidikan All of Us. Alam. 2024;627(8003):340-346. doi: 10.1038 / s41586-023-06957-x
5. Marshall CR, Chowdhury S, Taft RJ, dsb. Amalan terbaik untuk pengesahan analitikal penjujukan keseluruhan genom klinikal yang bertujuan untuk diagnosis penyakit germinal. NPJ Genom Med. 2021;5:47. doi: 10.1038/s41525-020-00154-9
6. Paltoo DN, Rodriguez LL, Feolo M, dsb. Penggunaan data di bawah Dasar Perkongsian Data NIH GWAS dan hala tuju masa hadapan. Nat Genet. 2014;46(9):934-938. doi: 10.1038/ng.3062
7. Wong KM, Langlais K, Tobias GS, dkk. Pelayar data dbGaP: alat baharu untuk melayari data genomik akses terkawal dbGaP. Asid Nukleat Res. 2017;45(D1):D819-D826. doi: 10.1093/nar/gkw1139
8. Mulder N, Adebamowo CA, Adebamowo SN, dkk. Penjanaan, analisis dan perkongsian data penyelidikan genomik – cabaran dalam persekitaran Afrika. Sains Data J. 2017;16. doi: 10.5334/dsj-2017-049
9. Takashima K, Maru Y, Mori S, Mano H, Noda T, Muto K. Kebimbangan etika mengenai perkongsian data genomik termasuk ahli keluarga pesakit. Etika Perubatan BMC. 2018;19(1). doi: 10.1186/s12910-018-0310-5
10. Huang L, Krüger J, Sczyrba A. Menganalisis data genomik berskala besar di awan dengan Sparkhit. Bioinformatik. 2018;34(9):1457-1465. doi: 10.1093/bioinformatik/btx808
11. Sng LMF, Kaphle A, O'Brien MJ, dkk. Mengoptimumkan platform analisis penyelidikan berasaskan awan UK Biobank untuk memetakan lokus penyakit arteri koronari dengan lebih terperinci dalam data penjujukan genom keseluruhan. Rep Rep. 2025;15. doi: 10.1038/s41598-025-95286-2
12. Oliveira JS, Sant'Ana S, Santos M, Faria D. The Portuguese Beacon: berkongsi data varian genomik dengan selamat. Pangkalan Data (Oxford). 2026;2026. doi: 10.1093/pangkalan data/baag012
13. Institut Penyelidikan Genom Manusia Kebangsaan. Kos Penjujukan Genom Manusia. Dikemas kini 2021. genome.gov
14. Institut Kesihatan Kebangsaan, Dasar Pejabat Sains. Dasar Perkongsian Data Genomik NIH. Dikemas kini Ogos 2025. geran.nih.gov