1
00:00:00,032 --> 00:00:06,512
这里有一个小例子：某个人生病了，或者身体出了某种问题。

2
00:00:06,512 --> 00:00:12,852
我们取了样本，做了 RNA 测序，再处理数据、查看结果。

3
00:00:12,852 --> 00:00:20,162
于是，我们有了最初生成的原始数据文件，也有了处理后的文件。

4
00:00:20,162 --> 00:00:24,962
但还需要许多配套信息，例如实际使用的分析流程。

5
00:00:24,962 --> 00:00:28,982
也就是，你怎样从原始数据得到处理后的数据？

6
00:00:28,982 --> 00:00:34,652
还有实验室操作流程，说明实验是如何完成的。

7
00:00:34,652 --> 00:00:38,222
包括实验中做了什么，以及样本的注释信息。

8
00:00:38,222 --> 00:00:45,722
例如，这个人是谁、有什么问题，为什么要取这个样本？

9
00:00:45,722 --> 00:00:51,302
这些信息交代研究的生物学背景，以及实验目标。

10
00:00:51,302 --> 00:01:00,382
还有我们想研究的主要实验因素和变量。如果要向 EBI 数据库提交数据，

11
00:01:00,382 --> 00:01:04,672
还需要说明是谁提交的。

12
00:01:04,672 --> 00:01:07,572
谁生成了这些数据？如何联系他们？

13
00:01:07,572 --> 00:01:16,802
如果想进一步了解这个数据集，该找谁？是否有相关论文？

14
00:01:16,802 --> 00:01:21,062
我可以访问原始数据，也可以访问处理后的文件。

15
00:01:21,062 --> 00:01:25,832
有没有配套论文，让我了解研究人员得出了什么结论，

16
00:01:25,832 --> 00:01:34,002
以及取得了什么结果？所有这些信息放在一起，可能显得有些杂乱。

17
00:01:34,002 --> 00:01:39,822
因为可以添加的元数据很多。

18
00:01:39,822 --> 00:01:45,192
但这些信息很重要，因为它们让数据更便于其他人使用。

19
00:01:45,370 --> 00:01:51,580
未来使用这些数据的人，需要准确了解你当时想做什么，以及样本的情况。

20
00:01:51,580 --> 00:01:58,390
还需要了解实验具体做了什么。这些都是重要信息，

21
00:01:58,390 --> 00:02:04,251
能帮助别人更深入地理解你提供的数据集。

22
00:02:04,328 --> 00:02:08,318
因此，要考虑如何组织这些信息。

23
00:02:08,318 --> 00:02:15,558
这里是一个可以在 ArrayExpress 中找到的数据集。

24
00:02:15,558 --> 00:02:19,088
这是它的 ArrayExpress 编号；这是 GEO 编号，因为数据来自那里。

25
00:02:19,088 --> 00:02:23,599
还有一篇相关论文。这里展示的是最初提供的数据形式。

26
00:02:24,864 --> 00:02:28,974
包括随数据一起提交的全部信息，例如来源名称，

27
00:02:28,974 --> 00:02:32,344
特征以及相应的描述。

28
00:02:32,344 --> 00:02:39,324
这些配套元数据交代了它是什么、发生了什么，

29
00:02:39,324 --> 00:02:46,884
以及我们在看什么，却全都挤在一行里。这让后续使用变得很困难。

30
00:02:46,884 --> 00:02:53,124
如果稍微调整结构，就能更容易地检索这些内容。

31
00:02:53,124 --> 00:02:58,194
你可以浏览这些数据，梳理其中的信息，

32
00:02:58,194 --> 00:03:02,004
再查看自己具体关心的部分。

33
00:03:02,004 --> 00:03:06,054
说到元数据及其组织方式，

34
00:03:06,054 --> 00:03:08,604
就会涉及标准。

35
00:03:08,654 --> 00:03:14,634
最麻烦的是到了提交时，才回头搜集、整理全部元数据。

36
00:03:14,634 --> 00:03:18,104
所以，应该从一开始就考虑需要哪些数据。

37
00:03:18,104 --> 00:03:22,974
也要考虑需要哪些元数据，确保有结构地收集它们。

38
00:03:22,974 --> 00:03:24,274
你很可能已经收集了这些信息，

39
00:03:24,274 --> 00:03:32,104
但它们是否处于可用的形式，是另一回事。你还可以使用受控词表。

40
00:03:32,104 --> 00:03:40,014
在接收数据提交时，我们会用受控词表，也会用本体来帮助描述数据。

41
00:03:40,014 --> 00:03:42,324
所以受控词表会很有帮助。

42
00:03:42,324 --> 00:03:50,840
这里提到 ENA 的 Nicole Silvester 的一篇论文，研究人们有多少种方式表达 female（女性／雌性）。
