题图
（题图示意）

今早在一个生信群里，有人分享了一场关于大队列研究的研讨会直播链接，并问及：这些国家大队列的数据，公开程度到底怎么样？能拿到数据吗？

答案不用猜，大家心照不宣。于是，一场关于数据共享的讨论就这么聊开了，越聊越热闹，也越聊越现实。这篇就把这场讨论里我自己的一些想法整理出来。

先说现状：数据是越来越难拿了。

目前主流的做法是受控访问（controlled access）。以国家生物信息中心（NGDC）为例，受控访问数据集的访问权限，由数据提交者自己创建的数据管理委员会（Data Access Committee, DAC）来设置，NGDC 本身并不负责对数据访问进行授权。翻译成大白话就是：一份数据能不能给、给谁、什么时候给，最终都是数据拥有方说了算。这其实是很合理的。但合理归合理，真到了实操层面，就不一定是这么回事了。

群里有朋友提到，国家生物信息中心那边也在吐槽：国内很多课题组把数据传上来，却根本不对外分享，最后锅都是他们平台背。也有群友说，自己找熟人要一套已经发表了的转录组数据，对方开口就要共同通讯作者。数据有价值，这不可否认。可拿一份本已承诺公开的数据坐地起价，多少有些说不过去。

这也不只是国内的现象。以前向 EGA（European Genome-phenome Archive）申请数据，还能要到；现在作者们直接拿政策出来回绝。群里一位常和国外实验室打交道的人感叹，现在跟欧美要数据，也是越来越要不到了。

这其实并不奇怪。国家层面正在强调“数据要素”作为重要资产，数据的版权和安全性只会越来越被重视，而数据本身，也会随之不可避免地走向孤岛化。 一套数据一旦被定义为“资产”，性质就变了：它不再只是公共知识的一部分，而是可以计价、增值、主张权利的东西。谁握有数据，谁就握有议价权，议价的结果往往就是交换——要数据可以，共通讯？合作？付费？

群里有人说，学术界的数据大多是用公共经费做出来的，发表文章时也承诺过公开共享，按理说就该公开给大家用。这话道理上没错，可惜现实完全是另一回事。一套数据可以有无数种挖掘角度，数据拥有方完全可以以“数据的公开会损害我后续发表成果的价值”为由，把公开的时间无限期往后拖。 这种事没有确切边界，扯起皮来很难有定论。要得到一份数据，与其说是走流程，不如说是在谈一笔生意。

在这场博弈里，平台的位置其实相当尴尬。

NGDC 的受控访问机制，把授权这件事“外包”给了提交者自己组建的 DAC。当初做出这个设计，大概率是权衡之后的妥协：不少重要期刊都把数据共享作为论文发表的前提，作者的数据总得有地方承接；而有些数据受隐私等限制无法完全公开，只能以受控访问的形式提交。平台为了尽可能多地收集有价值的数据，对这些受控数据也照单全收，代价就是在访问权限上向数据拥有方让步。群友说，平台那边现在也在想对策，但我总觉得很难：平台想管，管不着；真管了，又怕平白担上不必要的责任。

这里还有一个更值得追问的问题：数据上传到平台之后，数据拥有方事后还有没有权限把它删掉？ 如果答案是“能”，隐含的风险就大了。论文发表时承诺“数据可获取”，转头就把数据撤了，这个承诺就变成了一个笑话。所以群里有人建议，数据是否允许下载，不应该由作者本人决定，而应该由第三方来评估。这话听着有理，可“第三方”是谁呢？评估一份数据申请，既要懂行（能判断申请方拿数据要做什么、有没有资格处理敏感数据），又要超脱（不受数据拥有方、申请方和资助方任何一方的利益牵绊）。这样的人和机构恐怕并不好找：平台不愿担责，基金各有立场，同行彼此竞争。建议归建议，可“第三方”究竟由谁来当，恐怕才是这个问题真正难解的地方。

顺着“政策”这个话题，我多说几句。

政策，是数据共享问题里最简单粗暴、也最有效的拒绝理由。 用它来回绝别人，既体面又无懈可击，而且还在愈演愈烈——东西方在这件事上的撕裂和对立，正在被各种政策一点点加固。

但要说这是新问题，也不尽然。无论是最早的北大生物信息中心（它维护了大量老牌数据库和网站镜像），还是现在的 NGDC，建库的理由之一都带着这方面的考量——这个传统可以追溯到二三十年前，比如应考虑极端情况下完全无法访问外网时，国内的研究该怎么继续。数据共享从来就不只是一个技术问题，也不只是一个伦理问题，它从一开始就带着地缘政治的色彩。

所以，也别指望靠某家基金来主持公道。群里有人出主意，说每篇文章都写明了经费来源，只要这些基金联合起来，就能把数据的所有权收回去，由基金负责单位统一公开，一举破除数据孤岛的乱象。想法很好，但数据共享太敏感了，基金背后的负责人未必愿意，也未必担得起这个责任。真要担责，也该由“机构”来担，而机构恰恰是最怕担责、最求稳的存在。连 NCI 这样的顶级资助方，很多时候都不愿意共享自己资助项目的数据。更何况，一篇论文往往挂着好几个基金，一个基金也资助着大量论文，署名关系交错混乱——基金自己都未必说得清每个项目的研究详情。这条路的阻力，比想象中大得多。

聊到这里，话题似乎无解。不过，我倒是想到一个或许能反向推动数据公开的由头：查造假。

数据拥有方拒绝公开原始数据，理由其实很正当：患者隐私、伦理审查、知情同意书，哪个拿出来都站得住脚。这些理由我并不认为是托辞。怕泄漏患者隐私，这个担忧是真实的。但也正因为它们如此正当，让“数据不可得”这件事变得几乎无法质疑。

可问题在于，未来的造假手段只会越来越隐蔽。最近耿同学学术打假，就暴露了不少用简单检查方法就能识破的明显造假。但造假者同样看得到这些方法，往后必然把痕迹藏得更深。一篇论文的结果，别人在其他数据集上无法复现，顶多只能说“无法重复”，却无法证明作者是不是在原始数据上动了手脚。不公开原始数据（哪怕只面向特定人群公开），造假几乎无法被追溯和确认。 反过来想，这恰恰会形成一股推动数据公开的现实压力：不公开，就永远说不清。当审稿人、期刊和基金方都开始要求原始数据可查证时，公开就不再是道德呼吁，而是自证清白的必要手段。

回到开头那个问题：国家大队列的数据，能拿到吗？

我的判断是，短期内只会越来越难。数据要素的资产化导向、隐私伦理这道正当防线、平台机制的历史包袱，再加上东西方之间的互不信任，这些因素叠在一起，短时间内很难看出松动的迹象。

但我依然愿意相信数据公开的长期价值。用公共经费做出来的数据，本质上就该是公共产品；数据孤岛化的尽头，是学术共同体共同的损失。 从前年写《我对知识开放的理解和态度》时起，这个判断我就一直没变过。数据共享这道题，短期无解，长期却非解不可；至于怎么解，或许绕不开那句朴素的话：数据要流动，才有价值。

--- END ---