“數據封禁”倒逼國內加快科研數據庫建設

“數據庫賬號突然登不進去了？”

4月6日一早，在北京某研究機構做博士后的遺傳學博士韋川收到審稿人來信，要求他補充此前一篇投稿中的數據分析。韋川打開SEER數據庫終端，想要搜尋數據，發現自己的賬號已經無法登錄。導師告訴他，SEER等多個生命科學和醫學領域數據庫已被封禁。

SEER即美國國立癌癥研究所（NCI）管理的“監測、流行病學和結果數據庫”，是全球最具代表性的大型腫瘤登記注冊數據庫之一，收集了大量循證醫學數據，一直以來向全球研究者開放。而SEER只是被切斷的數據庫之一。NCI隸屬美國國立衛生研究院（NIH）。4月2日，NIH發文，稱從2025年4月4日起，禁止包括中國在內的“受關注國家”訪問其管理的21個受控訪問數據庫。

韋川原本還要參與對研究生的SEER數據庫使用培訓，如今也暫時擱置。個人學業之外，中國國內科研整體可能面臨研究受阻、研發推遲等問題。美國數據“斷供”下，國內生命醫學領域研究該如何應對？

依賴受控數據的研究受到沖擊

NIH對受控數據庫的訪問限制看似突然，實則早有鋪墊。

去年2月，美國拜登政府頒布第14117號行政令，旨在限制部分國家獲取美國個人敏感信息以及美國政府信息。基于該行政令，包含個人基因組信息在內的一些生物學數據被列為敏感信息，源于美國境內的數據不能傳到包括中國在內的部分國家。

此后，為了實施該行政令，去年12月，美國司法部發布一項最終規則，要求“防止受關注國家獲取美國敏感個人信息和政府相關數據”，以及“禁止和限制與某些國家或個人的某些數據交易”，今年4月8日起正式生效。

已公布的21個受控數據庫均由NIH直接或間接管理。NIH是全美最高水平醫學與行為學研究機構，也是全球最大的生物醫學研究公共自主機構，下設 27 個研究所和中心，聚焦不同疾病領域。受控數據庫匯集了全球最核心的人類基因組、表型信息和疾病研究數據，其中最受關注的是人類基因型-表型數據庫dbGaP和大型基因組分析云平臺AnVIL。

北京某高校生物信息學教授周卓向《中國新聞周刊》介紹，數據“斷供”對大多數生命科學和醫學領域影響不大，主要影響基因組學、癌癥研究領域。dbGaP存儲的基因組與疾病數據來自全球研究者提交的數據，研究對象覆蓋全球數百萬人，是癌癥治療、罕見病研究等領域的重要數據源。而AnVIL是跨機構協作的重要平臺，支撐著全球三成以上的基因數據分析項目。

多位受訪者表示，在癌癥、基因組學研究領域，NIH旗下數據庫非常重要，特別是在罕見病研究方面，由于單一國家難以獨立獲得足夠樣本，NIH各平臺幾乎是不可或缺的。韋川對SEER最熟悉，他認為，SEER的優勢在于樣本量非常大，目前已覆蓋48％的美國人口，人種分布也很均衡，其癌癥發病率和生存率數據很可能支撐著全球超過70％的癌癥機制研究。

此外，一項研究可能需要多類別數據，而NIH對基因組和癌癥研究領域數據庫的封禁很全面。周卓表示，以癌癥研究為例，研究者可能需要訪問癌癥基因組計劃（TCGA），以尋找某種癌癥類型的基因組學證據，同時也需要訪問基因型-組織表達（GTEx），以獲得健康組織的對比數據。而TCGA是基因數據共享平臺（GDC）的一部分，后者很大程度上依賴dbGaP收集的研究數據。申請GTEx數據也需通過dbGaP進行。dbGaP“斷供”，相當于阻斷了這部分研究的數據源頭。

值得注意的是，部分NIH數據庫包含受控和開放數據庫兩個部分。前者由于具有個人基因組信息等敏感內容，原本就需要注冊使用，在獲得數據庫官方授權后才能訪問。后者目前仍保持開放。韋川指出，TCGA、GDC等數據庫的開放數據如基因表達矩陣目前仍可下載，但原始基因測序數據屬于受控數據，原來研究者只要申請大都能下載，只是時間長短問題。但4月8日之后，中國申請者的申請都將被拒。

一位在上海某高校醫學院研究胸部腫瘤的三年級博士生向《中國新聞周刊》表示，對于普通臨床研究，開放數據庫基本夠用，但當研究進入到篩選癌變點位、尋找藥物靶點等前沿領域，基因層面的數據不可或缺。直觀來說，受到沖擊最大的是那些已經依賴受控數據的研究。同時，與數據挖掘同時進行的實驗室生物組織培養等配套研究，也都成了“沉沒成本”。“數據基礎沒了，養的細胞可能都要扔掉。如果重新尋找基因位點，整個課題可能都要重新設計。”該博士生說。

在韋川看來，盡可能完整翔實的數據是研究的根基，尤其是罕見病研究，如果靠個人或單位去零散的醫療機構收集發病率萬分之一以下的病例，將十分困難。很多團隊用公共數據篩選基因位點，如果轉回實驗室從頭開始一個個位點進行試錯，課題成本將飆升2—3倍。

周卓指出，尋找替代數據或自行收集大規模樣本，將顯著增加科研成本和不確定性。對癌癥研究來說，如果無法獲取相關基因突變數據，就無法篩選患者入組，試驗周期將無限拉長，甚至陷入停滯。依賴NIH數據驗證療效的藥物研發也將顯著受阻。

此外，周卓分析說，在NIH數據已成為“標配”的研究領域，替代數據的權威性會受到審稿人質疑，向《自然》《科學》等國際頂刊投稿的道路將更加坎坷，尋求國際合作也將更困難?！邦I域內學術競爭力的下降，可能是國內相關團隊要面臨的最大挑戰?！?/p>

多位高校教師向《中國新聞周刊》表示，未來，隨著歐美政府向著國家安全、隱私保護的政策方向傾斜，針對中國學術界的訪問限制只會越來越多。周卓分析，原本開源的基因分析工具包GATK也跟隨數據平臺被封禁，國產測序工具的兼容性和效能還很難完全匹敵。PubMed這樣的工具也難免有風險，但不太可能全線封禁，更可能會添加數據分級、進行有針對性的搜索權限發放和審批。

應打造深度數據共享平臺

為應對“數據危機”，國內研究者已開始自救，調整科研策略。韋川發現，生物信息學專業的學生相對而言更好轉向，因為他們的研究受到的限制更小，可以使用NIH旗下依然開放訪問的功能基因組學數據庫GEO，或者轉向歐洲的UK bioBank數據庫。后者相比于dbGaP和TCGA擁有更多用戶。

但基因組學等前沿領域研究者的轉型就沒那么容易了，因為他們迫切需要特定領域的數據。韋川指出，數據庫會記錄研究者獲取數據的時間，即使想方設法在4月4日后獲取到了受控數據，也會被質疑數據源的合法性，以致無法公開使用。“但總會有繞過限制的手段，比如轉向海外聯合研究項目，以及尋找海外合作者共同署名。”

多位受訪者認為，數據封禁很可能倒逼國內加快生物醫學數據基礎設施建設，減少對外依賴。

2019年，國家生物信息中心（CNCB）和國家基因組科學數據中心（NGDC）相繼成立。目前，NGDC數據庫覆蓋DNA、RNA、宏基因組、單細胞等多類數據，同時也備份了十余個NCBI數據庫。CNCB-NGDC主要任務是構建檔案平臺和信息系統，開發算法和工具，在周卓看來，這是一套技術邏輯完整、標準逐步完善的“國家級數據中樞”，對標NCBI生態。去年11月，CNCB還成功研發了DNA數據存儲系統“畢昇一號”，大大降低了存儲成本。

此外，越來越多醫院和科研所開始構建自己的樣本庫和數據庫，例如北京協和醫院的罕見病基因庫、上海瑞金醫院的腫瘤表觀組學平臺等。周卓分析說，對使用者而言，國內數據基于中國本土人群，在東亞人遺傳變異、罕見病等領域具有獨特優勢。

但問題也顯而易見。據相應官網信息，CNCB目前歸檔的國內數據為70.4PB，國外數據為7.75PB，而NIH下屬NCBI的歸檔數據就超過100PB。總體而言，國內自主數據庫的數據量約為美國的1/3，且國際認可度尚待建立。周卓指出，以CNCB為代表的國內數據庫存儲的數據總量可能超過400PB，可供科研調用的結構化數據只有一小部分。數據清洗、標準化存儲的工作還有待持續推進。

此外，前述癌癥中心研究員表示，國內仍存在大量“數據孤島”，估計有超過90％的腫瘤樣本數據分散在各地醫療和科研機構之中，共享程度很低，未來還需要系統性整合。但目前，國內仍缺乏腫瘤生物樣本的大數據平臺。

CNCB每日更新數據共享排行榜，截至發稿前，榜上共有3829組數據。以審核周期、處理率和通過率進行共享度評分，滿分5分，超過4分的數據有260余條，僅占6.2％。

多位受訪者指出，要從根源上提升學術競爭力，就需要構建國家層面的深度共享數據庫。周卓認為，國內數據庫應聚焦中國高發癌種，如肺癌、結腸直腸癌等，優先建立本土化研究隊列。同時，通過國家戰略統籌方式，設立專項、成立相應領域的數據管理中心，將“孤島”數據整合，形成大平臺。這可能需要進一步的立法保障，明確數據所有權、使用權、安全分級和收益分配機制。

“更多的數據還沒被分享出來?！表f川說，“愿意分享辛苦做出的數據的團隊還是少數，畢竟有好的數據在手，都希望自己先分析、出成果、發論文。如果沒有有競爭力的分享激勵機制，數據共享從何談起呢？”

（文中韋川、周卓為化名）