神经科学正处于一个十字路口。Neuropixels探针和光片显微镜等电生理和光生理学的最新进展，将我们记录大脑的边界推向了新的高度。这些技术正在产生海量数据——单次实验就能产生PB级数据——远超我们以往的处理能力。这引发了一个关键讨论：我们如何存储和访问所有这些信息？我们应该保留所有原始数据，还是聚焦于处理后的数据集？如果我们不能保留所有数据，如何决定丢弃什么？ 本文基于《The Transmitter》的“大图景”系列，邀请实验学家和理论学家分享他们的观点，系统解析原始数据与处理数据的权衡、存储成本与访问限制、数据标准化与质量控制以及神经科学可以从粒子物理学和天文学中学到什么。
一、原始数据 vs. 处理数据：权衡
| 方面 | 原始数据 | 处理数据 |
|---|---|---|
| 完整性 | 最完整、无过滤的记录 | 已进行预处理（尖峰分选、滤波、反卷积） |
| 新发现潜力 | 当新分析方法出现时，可重新审视发现新见解 | 可能丢失潜在相关信息 |
| 透明度/可重复性 | 使其他研究人员能够验证发现 | 依赖于处理流程的准确性 |
| AI训练 | 人工智能模型的重要训练数据 | 可视为原始数据的“第一级特征提取” |
| 存储成本 | 高（PB级数据） | 低得多 |
| 访问便利性 | 难以下载和分析（1TB数据在100Mbps下约需22小时） | 更容易共享和使用 |
| 协作 | 需要专门的数据管理基础设施 | 使非预处理专家（如理论学家）更容易访问 |
二、数据规模的指数增长
| 技术/时代 | 数据规模 | 示例 |
|---|---|---|
| 1990年代 | KB级 | 窗口鉴别器捕获尖峰计数（16分钟会话约288KB） |
| 2000年代 | MB级 | 四电极配置（约50MB原始数据） |
| 2010年代至今 | GB至TB级 | Neuropixels（约50GB）、钙成像（约30GB）、连续数周记录（约1TB） |
| 前沿 | PB级 | 高带宽行为（0.2-1TB/小时）+ 脑活动（约150GB/小时），连续数周 |
三、存储挑战
| 挑战 | 描述 |
|---|---|
| 物理存储成本 | 64通道硅探针约$1,000 = 64TB高质量存储（约7,000小时原始记录） |
| 访问时间 | 1TB数据在100Mbps连接下下载约需22小时 |
| 长期保存 | 确保数据完整性随时间推移的挑战 |
| 元数据文档 | 关于动物年龄、行为特征、先前经验的元数据文档仍然有限 |
| 机构支持 | 长期数据管理的负担超出了大多数实验室的能力 |
四、数据管理策略
| 策略 | 描述 |
|---|---|
| 全部保留 | 保留所有原始数据；成本低但管理负担高 |
| 分阶段存储 | 原始数据在本地备份到云存储；处理后数据公开发布 |
| 自动淘汰系统 | 例如，数据保留5年；如果在此期间发现其他用途，可延长保留期 |
| 标准化格式 | Neurodata Without Borders、多尺度电生理学数据格式 |
| 共享设施 | 开放Scope（第一个神经科学观测站）——标准化数据收集和处理 |
| 社区标准 | 采用共同的质量控制方法 |
五、专家观点摘要
| 专家 | 核心观点 |
|---|---|
| 实验学家 | 重新审视原始数据常带来新见解；1TB数据下载需22小时；需要平衡保存与可及性 |
| 理论学家 | 原始和处理数据都需要；元数据对数据挖掘至关重要 |
| 实验学家 | 数据预处理成本高；需要优先考虑资源；实验变异性（睡眠、性别、激素）对泛化至关重要 |
| 理论学家 | 预处理可去除伪迹（运动、仪器噪声）；专家预处理对AI训练至关重要 |
| 理论学家 | 低频部分（局部场电位）对神经网络模型至关重要；访问原始数据必不可少 |
| 实验学家 | 多年后可通过重采样或检测时序错误来改进分析；存储成本相对于实验成本微不足道 |
| 存储库维护者 | 数据并非都具有同等价值；需要基于研究问题、质量、多样性的淘汰政策 |
| 实验学家 | 存储成本低但管理负担高；需要机构基础设施和资助 |
| 理论学家 | 开放数据对理论学家具有变革性；减少新实验需求；解决动物研究伦理问题 |
| 实验学家 | 协作数据共享促进思想交叉授粉；单向使用错失科学交流机会 |
| 实验学家 | 原始刺激文件对于重现分析至关重要；现代存储使共享成为可能 |
| 实验学家 | 原始数据可揭示仅在原始采样频率下可见的事件；存储成本相对于实验成本微不足道 |
| 实验学家 | 大规模实验需要稳健、可扩展工具的投资；需要超越个体研究生/博士后项目 |
六、从粒子物理学和天文学中学习
| 领域 | 实践 | 对神经科学的启示 |
|---|---|---|
| CERN | 处理大规模数据量；保存必要原始数据；专用数据处理团队 | 需要共享先进实验资源和集中式数据处理团队 |
| NASA | 长期科学研究；集中式仪器 | 类似OpenScope的神经科学观测站 |
| 教训 | 成功的长期数据管理植根于集中式基础设施 | 需要从自给自足文化转向共同责任 |
七、FAIR数据原则
| 原则 | 描述 |
|---|---|
| 可发现 | 数据应易于搜索（如DANDI） |
| 可访问 | 无需登录或编码即可在秒内下载 |
| 可互操作 | 遵循标准（Neurodata Without Borders） |
| 可重用 | 用重新分析所需的元数据打包 |
八、结论：数据困境没有简单的答案
保留原始数据对于透明度、可重复性和开放科学至关重要。但原始数据的规模和体积增长速度远超过货币成本和物理存储的可行范围。虽然原始数据存储的成本相对较低，但长期管理这些数据的负担超过了大多数实验室的能力。
前进之路：
-
采用标准化格式（Neurodata Without Borders、多尺度电生理学数据）
-
投资于机构基础设施和资助
-
从自给自足文化转向共同责任
-
根据研究问题、数据质量和多样性实施知情决策
-
在实验学家和理论学家之间培育对话
核心信息：
-
原始数据对于新发现、透明度和AI训练至关重要。
-
处理后的数据更易于共享、访问和重用。
-
存储成本相对于实验成本微不足道，但管理负担很高。
-
需要标准化格式和共享基础设施。
-
并非所有数据都具有同等价值——需要知情决策。
-
实验学家和理论学家之间的协作至关重要。
参考来源：
The Transmitter“大图景”系列（2024年11月25日）