面向实验核磁共振数据的可扩展网络基础设施（NAN）：推动生物医学与材料科学数据标准化与开放共享

《Scientific Data》：Scalable cyberinfrastructure for experimental NMR data

本文针对核磁共振（NMR）数据共享与利用的壁垒，介绍了先进核磁共振网络（NAN）这一分布式网络基础设施的研究。该研究构建了包含自动化数据采集（NDTS）、富元数据归档及交互式数据浏览工具在内的网络平台，旨在实现NMR数据的FAIR（可发现、可访问、可互操作、可重用）原则，促进开放、可重复的科学发现。

　　

核磁共振（NMR）波谱学是研究物质组成、结构和动力学的强大分析工具，其应用遍及化学、材料科学和生命科学等多个领域。然而，尽管NMR技术功能强大，但其广泛应用却面临着高昂的仪器成本、复杂的实验操作流程以及数据分析的艰巨挑战。更关键的是，缺乏标准化的数据共享基础设施，使得实验数据的保存、查找和再利用变得异常困难，严重阻碍了科学研究的可重复性和进一步创新。许多研究人员，尤其是非NMR专家，难以接触到前沿的NMR资源和技术。为了打破这些壁垒，推动NMR技术的民主化和开放科学实践，一个由美国国家科学基金会（NSF）支持的跨机构研究团队在《Scientific Data》上发表了他们的研究成果，详细介绍了他们构建的“先进核磁共振网络”（Network for Advanced NMR, NAN）。

为了应对上述挑战，研究人员设计并实现了NAN这一可扩展的网络基础设施。其核心目标是为NMR数据建立一个集数据采集、管理、共享与分析于一体的平台。研究团队开发了几个关键技术组件来达成这一目标：首先是NAN数据运输系统（NDTS），它能够自动从连接的NMR谱仪工作站采集原始时域数据及相关文件（如参数文件、脉冲程序等），并确保数据安全传输至中央归档系统。其次是构建了包含丰富元数据的NAN数据库和文件存储系统，支持对实验条件、样本信息（通过详细的样本定义工具录入）、仪器参数等进行标准化描述。此外，还开发了交互式网络门户（Web Portal），提供数据浏览器和样本浏览器，方便用户浏览、搜索、编辑元数据、管理权限以及发布数据。整个系统还配备了虚拟NAN运营中心（vNOC）用于实时监控网络状态和生成使用统计报告。

数据采集与传输（NDTS）

NDTS是NAN实现自动化数据采集的关键。部署在NMR谱仪工作站上的NDTS守护进程（Daemon）能够智能检测实验的完成，并自动将实验目录下的所有必要文件（如FID数据、参数文件、脉冲程序等）打包传输。它支持多种厂商软件（如Bruker TopSpin, VnmrJ）和操作系统环境。NDTS图形用户界面（GUI）允许用户在数据采集时或之后关联NAN用户、项目、研究和样本等元数据，并支持手动上传历史数据。数据通过设施网关（Gateway）安全地传输到NAN数据中心的接收器（Receiver）和解析器（Parser），解析器会提取并标准化元数据，存入数据库。该系统设计了冗余数据处理机制，并能确保在网络中断时数据不会丢失。

元数据管理与样本定义

NAN特别强调元数据的丰富性和标准化，这是实现数据可发现和可重用的基础。除了自动从仪器参数文件解析出的元数据（如脉冲程序名、维数、检测核等）外，用户需要通过网络门户提供的样本定义工具详细描述样本信息。该工具采用表单形式，涵盖样本基本属性、容器信息（如NMR管或转子）、样本组成（支持多种生物大分子、小分子、添加剂等类型的详细定义）以及样本性质（如pH值、温度等）。通过使用受控词汇表和标准化单位，确保了元数据的一致性和可搜索性。此外，系统还支持样本克隆和批量创建功能，方便处理系列样本（如滴定实验或代谢组学研究）。

数据组织、浏览与共享

NAN数据浏览器是用户与归档数据交互的主要界面。它以表格形式展示用户有权限访问的所有数据集（包括自己的、所在实验室的、合作者的以及公开的数据），并提供强大的排序、筛选和搜索功能。用户可以根据数十个NMR特定的元数据标签进行高级搜索，并保存搜索条件。数据集可以与项目（Project）、研究（Study）和集合（Collection）关联，形成层次化的数据组织结构。用户可以对数据集进行多种操作，如下载、链接样本、添加补充数据（如处理脚本、外部数据库ID）、标记标签和注释等。权限管理模型精细，由首席研究员（PI）或设施管理员控制数据的访问和编辑权限。

数据发布与长期保存

NAN区分“公开”（Public）和“发布”（Publish）两种状态。数据集在采集三年后（可延期）会自动变为公开，允许任何人通过浏览器查看。而“发布”则会为数据集创建一个带有持久标识符（ARK）的不可变版本，适用于论文发表或满足资助机构要求。所有数据集及其元数据变更都有溯源记录（Provenance Tracking）保障其完整性。数据存储采用多副本和灾备策略，包括主存储、写一次读多次（WORM）的灾备存储以及独立的管理员备份，确保数据安全。

系统部署与初步成果

目前，NAN已完成建设阶段，并开始向更多机构扩展。截至论文撰写时，系统已成功采集了超过36万个数据集，涵盖了大量的脉冲程序，注册用户数量可观。其中已有部分数据集被设为公开或已发布，并有相当数量的数据集被传输到NMRbox平台进行后续分析。虚拟运营中心（vNOC）为不同角色的用户（如普通用户、PI、设施管理员、系统管理员）提供了定制化的仪表盘，用于监控设施状态和统计实验数据。

该研究的成功实施表明，构建一个跨设施的、自动化的NMR数据采集与共享基础设施在技术上是可行且可扩展的。NAN通过其综合性的网络基础设施，有效地降低了NMR数据的访问和使用门槛。它不仅为研究人员提供了管理自己数据的强大工具，更重要的是，通过推动数据的标准化和开放共享，为未来大规模计算分析、机器学习应用以及科学发现的可重复性奠定了坚实基础。随着更多NMR设施节点的加入和数据量的持续增长，NAN有望成为首个大规模、公开的时域NMR数据仓库，极大地推动生物医学、化学和材料科学等领域的数据驱动研究。未来的工作重点包括继续扩展网络、完善门户体验、开发程序化访问接口（Python SDK）以及增强数据自动处理和分析能力。