■高 雅 翁彥琴 董文杰

中國科學(xué)院文獻(xiàn)情報(bào)中心，北京市中關(guān)村北四環(huán)西路33號 100190

21世紀(jì)以來，數(shù)字技術(shù)的發(fā)展掀起了出版?zhèn)鞑ヮI(lǐng)域革命性的創(chuàng)新浪潮，對出版媒介的形態(tài)、出版內(nèi)容的形式乃至出版觀念都帶來了前所未有的沖擊和變革。在這個過程中，網(wǎng)絡(luò)出版和數(shù)據(jù)出版等新興出版形態(tài)應(yīng)運(yùn)而生，海量的科學(xué)數(shù)據(jù)不斷被生成和發(fā)布，尤其是大數(shù)據(jù)概念的提出，使得科學(xué)研究變成以數(shù)據(jù)驅(qū)動為主的研究模式［1］。

科學(xué)數(shù)據(jù)的潛在價(jià)值也逐漸喚醒了出版領(lǐng)域?qū)?shù)據(jù)開放與共享的重視。2008年，BioMed Central出版社較早地進(jìn)行了數(shù)據(jù)期刊的探索性實(shí)驗(yàn)，出版了開放獲取期刊BMC Research Notes，以數(shù)據(jù)論文作為其子欄目之一。2009年，由Copernicus Publications出版的Earth System Science Data以發(fā)表數(shù)據(jù)論文為主要形式［2］。2014年5月，自然出版集團(tuán)（Nature Publishing Group，NPG）推出了在線出版的開放獲取數(shù)據(jù)期刊——Scientific Data，該雜志要求作者針對數(shù)據(jù)集進(jìn)行詳細(xì)描述，幫助科研人員發(fā)布、發(fā)現(xiàn)和重用研究數(shù)據(jù)［3］。Nature雜志在2014年10月申明，在其上發(fā)表的論文的計(jì)算機(jī)代碼數(shù)據(jù)將可被訪問，作者需要申明是否提供計(jì)算機(jī)代碼以及所設(shè)置的訪問權(quán)限［4］。面對數(shù)據(jù)出版的蓬勃發(fā)展，科學(xué)數(shù)據(jù)資源不僅被視為科學(xué)研究的成果，同樣成為了支持更為復(fù)雜的創(chuàng)新研究所不可替代的資源存量，具有明顯的可開發(fā)價(jià)值［5］。如何對不同出版平臺上的科學(xué)數(shù)據(jù)進(jìn)行管理、共享、集成和挖掘，讓科學(xué)數(shù)據(jù)實(shí)現(xiàn)價(jià)值的最大化，幫助研究人員和科學(xué)家們更容易地將科學(xué)數(shù)據(jù)運(yùn)用于自己的研究工作中，成為傳統(tǒng)研究機(jī)構(gòu)、出版機(jī)構(gòu)以及廣大研究人員共同關(guān)心的問題［6］。

相關(guān)學(xué)者已經(jīng)對科學(xué)數(shù)據(jù)開放和出版展開了大量的研究。相關(guān)研究主要集中在對科研機(jī)構(gòu)［7］、學(xué)術(shù)期刊［8］等的數(shù)據(jù)政策的調(diào)研與分析，對國內(nèi)外科學(xué)數(shù)據(jù)開放和出版現(xiàn)狀［9-10］、特點(diǎn)［1］以及類型［11］的總結(jié)等方面。本文嘗試從科學(xué)數(shù)據(jù)挖掘和利用的實(shí)踐角度探討如何致力于提高用戶對開放科學(xué)數(shù)據(jù)的利用程度和效果。Nature Publishing Group（NPG）的 ENCODE（the Encyclopedia of DNA Elements）項(xiàng)目在這個方面做了許多有益的嘗試，開創(chuàng)了一種全新的出版模式，實(shí)現(xiàn)了在不同雜志之間進(jìn)行主題線索的交織。因在出版創(chuàng)新方面的突出貢獻(xiàn)，Nature ENCODE項(xiàng)目入圍2013年ALPSP出版創(chuàng)新獎提名［12］。

本文在介紹ENCODE項(xiàng)目背景的基礎(chǔ)上，以出版模式創(chuàng)新的角度，從Nature ENCODE創(chuàng)造的引導(dǎo)工具 Nature ENCODE Explorer和提出的新概念Thread以及開發(fā)的分析工具ENCODE analysis virtual machine三個方面探討項(xiàng)目方案，并以ENCODE Explorer展示界面為例介紹引導(dǎo)工具的效果與呈現(xiàn)，以期展現(xiàn)這種出版模式在科學(xué)數(shù)據(jù)挖掘和利用方面的創(chuàng)新之處，最后簡要總結(jié)該出版模式的特點(diǎn)并展望其后續(xù)發(fā)展?fàn)顩r。

1 ENCODE項(xiàng)目背景與概況

ENCODE是由美國國立人類基因組研究院（US National Human Genome Research Institute，NHGRI）在2003年9月組織并啟動的跨國研究項(xiàng)目。ENCODE項(xiàng)目的一個主要目標(biāo)就是去分析人類的基因組中占98.5%的所謂“垃圾”序列的功能。經(jīng)過項(xiàng)目探索后發(fā)現(xiàn)，在人類基因組中，大約有80%的DNA至少從生物化學(xué)角度來看是有目的或者說是有功能的［13-14］。2012年 12月 21日，ENCODE項(xiàng)目被Science評為年度十大科學(xué)突破之一［15］。

ENCODE項(xiàng)目的價(jià)值不僅僅在于對人類生命科學(xué)領(lǐng)域的重大貢獻(xiàn)。ENCODE項(xiàng)目自2003年啟動之后，吸引了來自美國、英國、西班牙、日本和新加坡五國的32個研究機(jī)構(gòu)的442名科學(xué)家參與，項(xiàng)目于2012年9月基本結(jié)題，并將該項(xiàng)目的階段性研究成果整理成30篇論文，發(fā)表于Nature（6 篇）、Genome Research（6 篇）和Genome Biology（18 篇）三本雜志上［13］。 項(xiàng)目組在研究過程中積累了豐富的數(shù)據(jù)資源，獲得并分析了超過15萬億字節(jié)的原始數(shù)據(jù)。到項(xiàng)目結(jié)項(xiàng)時，共產(chǎn)生了1640個數(shù)據(jù)集，參與ENCODE項(xiàng)目研究的科研人員累計(jì)發(fā)表了400多篇論文，其中，有110多篇論文使用了ENCODE公布的研究數(shù)據(jù)［14］。

為了充分利用如此龐大的數(shù)據(jù)和文獻(xiàn)資源，NHGRI早在2007年9月便投入了資金使ENCODE工程規(guī)?；⒘藬?shù)據(jù)協(xié)調(diào)中心（Data Coordinating Center，DCC）和數(shù)據(jù)分析中心（Data Analysis Center），前者用于追蹤、存儲和公布數(shù)據(jù)，而后者則用來對數(shù)據(jù)進(jìn)行綜合分析［16］。目前，所有ENCODE項(xiàng)目中產(chǎn)生的數(shù)據(jù)會被提交到數(shù)據(jù)協(xié)調(diào)中心進(jìn)行質(zhì)量控制并發(fā)布，發(fā)布后用戶即可通過ENCODE項(xiàng)目注冊的門戶網(wǎng)站（http://www.encodeproject.org）免費(fèi)獲取到。

2 ENCODE的數(shù)據(jù)出版模式

2.1 The Nature ENCODE Explorer

為了科研的需要，幾乎所有的研究人員在面對大量信息和數(shù)據(jù)時，都會對搜集的研究論文、科研報(bào)告或書籍中最感興趣的內(nèi)容進(jìn)行重點(diǎn)標(biāo)記或者整理，從而在腦海中和書面上建立條理清晰的“信息圖譜”。而NPG將這一過程“工具化”了，為了幫助他人瀏覽和分析ENCODE項(xiàng)目產(chǎn)生的30篇公開論文和大量數(shù)據(jù)，NPG充分運(yùn)用數(shù)據(jù)可視化技術(shù)創(chuàng)造了一個互動的形象化引導(dǎo)工具——Nature ENCODE Explorer。NPG為ENCODE項(xiàng)目創(chuàng)建的網(wǎng)站（http://www.nature.com/encode/）通過 Nature ENCODE Explorer把發(fā)表在不同期刊上的30篇相關(guān)論文有效整合在一起。Nature ENCODE Explorer是NPG與After the Flood公司合作完成的一個可視化項(xiàng)目，其作為一個互動的形象化的引導(dǎo)工具，展示了人類基因組相關(guān)論文中主題內(nèi)容之間的關(guān)聯(lián)，為使用者提供了一個與ENCODE項(xiàng)目組論文進(jìn)行交互的方式。使用者在Nature ENCODE Explorer中既可以瀏覽單篇的論文，也可以通過Thread深入探究這些文章中的“原材料”。

Nature ENCODE Explorer的設(shè)計(jì)原則:①敏感的顏色層次。在對每個Thread的顏色進(jìn)行編碼的時候，對顏色與顏色之間做足夠的區(qū)分。②重要的顏色被預(yù)留下來并用于關(guān)鍵功能元件。這個程序的關(guān)鍵在于——不僅僅需要做可視化設(shè)計(jì)，也要考慮可視化環(huán)境、可視化控制、與其他網(wǎng)站或應(yīng)用程序的鏈接，并始終把用戶視作界面設(shè)計(jì)過程的中心。

After the Flood公司是這樣評價(jià)ENCODE計(jì)劃的:“NPG在紙版科學(xué)可視化方面有豐富的經(jīng)驗(yàn)，但這次是他們迄今為止最雄心勃勃的數(shù)字可視化項(xiàng)目?！保?7］NPG對計(jì)劃的科學(xué)性、完整性進(jìn)行了測試，并希望系統(tǒng)能在瀏覽器和平板電腦上工作，所以需要非常強(qiáng)大、實(shí)用以及創(chuàng)新的可視化效果。如今，Nature ENCODE Explorer由于它的易用性獲得了科學(xué)界的諸多贊譽(yù)。

2.2 Thread

所謂“Thread”，即“線程”，也稱為“主題線程”（Themed Thread），是ENCODE提出的一個科學(xué)信息出版的新概念，開辟了一種全新的數(shù)據(jù)挖掘程序。

如果孩子稍微慢一點(diǎn)，媽媽就失去了耐心，還給孩子貼上“磨蹭”的標(biāo)簽，會強(qiáng)化孩子磨蹭的心理——你看，我就是這么慢！導(dǎo)致如果是必須做的事情他就慢慢做，如果是可以不做的事情他就拖著不做。

當(dāng)一個大型研究項(xiàng)目長時間內(nèi)產(chǎn)生大量數(shù)據(jù)時，這些數(shù)據(jù)可能涵蓋很多不同層次和主題的信息。ENCODE項(xiàng)目在準(zhǔn)備發(fā)布其第一輪研究結(jié)果時就意識到，他們必須決定哪些信息在傳統(tǒng)的研究論文范圍內(nèi)是最突出和最完整的。為了將這些包含在多個文件中的支離破碎的信息進(jìn)行整合，他們建立了一套“Thread”。Thread是 Nature ENCODE Explorer的核心，是一個探索多篇文章中的共同主題的方式，使得看似普通的研究報(bào)告在數(shù)字世界里以一種整合的形式呈現(xiàn)在讀者面前，滿足了研究人員希望能將每篇文章中最感興趣的關(guān)注點(diǎn)進(jìn)行拼貼匯總的需求。

ENCODE項(xiàng)目的作者除了完成論文的創(chuàng)作之外，還需要做一些額外的工作，即從每篇文章中挑選出他們認(rèn)為能夠引起不同研究領(lǐng)域內(nèi)的科學(xué)家們極大興趣的部分。這個提煉精華的步驟是研究人員們所希望看到的，同時也是科學(xué)信息發(fā)布的過程之一。于是，Nature的編輯們對項(xiàng)目發(fā)表的30篇文章中的相關(guān)段落和圖表進(jìn)行了整合匯總，提煉出了文章中的13個生物主題，形成了13個“Thread”。需要說明的是，這13個Thread并不是含有ENCODE項(xiàng)目原始數(shù)據(jù)的生物主題，而是對文章中的內(nèi)容進(jìn)行的提煉匯總，每個Thread都是由一個特定主題的相關(guān)文章中的段落、數(shù)字和表格組成，其中包含有相關(guān)文章的鏈接，讀者們能夠很方便地在多篇文章之間切換，清楚地了解數(shù)據(jù)之間是如何聯(lián)系起來的。

盡管Thread至今還沒有一個標(biāo)準(zhǔn)的定義，也不能被數(shù)據(jù)庫檢索，但這種方式提供了一個從不同角度探索文章中信息的工具，力求使文章的價(jià)值最大化。與ENCODE項(xiàng)目的作者們共事的Nature雜志編輯Skipper曾說過:“研究者們喜歡線程的原因是其視覺吸引力和內(nèi)容富有價(jià)值。未來的一個理想狀態(tài)是能夠自動生成任何主題的線程?！保?8］

2.3 分析工具——虛擬計(jì)算機(jī)

除了Thread的概念以外，ENCODE項(xiàng)目還同時引入了另一項(xiàng)科技創(chuàng)新技術(shù)——虛擬計(jì)算機(jī)（ENCODE analysis virtualmachine），幫助用戶對文章中的數(shù)據(jù)集進(jìn)行重用和計(jì)算。在Nature發(fā)表的這30篇文章中，有一篇ENCODE項(xiàng)目的概述文章中的“supplementary information（補(bǔ)充信息）”部分，包含了一套代碼包，這套代碼包提供與文章相關(guān)的分析方法的腳本和處理步驟。分析團(tuán)隊(duì)基于這套代碼包建立了一個ENCODE分析虛擬機(jī)，其中每個分析程序都已經(jīng)進(jìn)行了運(yùn)行測試，并且實(shí)現(xiàn)了一部分的實(shí)例提供給使用者，方便其決定是否或者如何建模分析。

ENCODE項(xiàng)目團(tuán)隊(duì)一直強(qiáng)調(diào)“透明度”。首先，虛擬計(jì)算機(jī)對使用者是免費(fèi)提供的;其次，使用者可以隨意運(yùn)用相關(guān)軟件對ENCODE的數(shù)據(jù)進(jìn)行數(shù)據(jù)集計(jì)算。既可以進(jìn)行數(shù)據(jù)的調(diào)閱、拼接、分析、整合和預(yù)測，也可以對文章中某些特定內(nèi)容進(jìn)一步分析研究，通過調(diào)整某些具體的參數(shù)，發(fā)現(xiàn)原作者沒有發(fā)現(xiàn)的現(xiàn)象或規(guī)律。項(xiàng)目的成員還開發(fā)和訓(xùn)練了諸多軟件工具，例如用于對多種數(shù)據(jù)類型進(jìn)行綜合分析的軟件等。

這種看似復(fù)雜的多樣性的分析方法對于從事研究工作的科學(xué)家們并不陌生，但也許會令缺少大數(shù)據(jù)處理經(jīng)驗(yàn)的人感到困惑。然而，設(shè)計(jì)分析工具的目的不是提供易于使用的程序，或強(qiáng)大的工程解決方案，而是使得分析結(jié)果更具科學(xué)透明度。

另外需要說明的是，為了保證用于分析挖掘的科學(xué)數(shù)據(jù)的數(shù)量和質(zhì)量，ENCODE制定了其數(shù)據(jù)發(fā)布政策，并定期更新。最新的ENCODE數(shù)據(jù)發(fā)布政策發(fā)布于2014年3月，以便研究者自由下載、分析和發(fā)布基于ENCODE數(shù)據(jù)的研究結(jié)果。首先，ENCODE項(xiàng)目組鼓勵盡可能廣泛地使用數(shù)據(jù)集，生產(chǎn)的所有數(shù)據(jù)在被釋放到公共數(shù)據(jù)庫之后，便可被不受限制地使用。其次，鼓勵使用未發(fā)布的ENCODE數(shù)據(jù)的研究人員與該數(shù)據(jù)的提供者協(xié)商，合作發(fā)表出版物。當(dāng)然這是非強(qiáng)制性的建議。再次，政策要求研究者在出版物或發(fā)言中使用ENCODE的數(shù)據(jù)集（發(fā)布的和未發(fā)布的）時，要以一定的形式援引ENCODE聯(lián)盟，例如引用聯(lián)盟最新的綜合出版物，或者提及ENCODE數(shù)據(jù)協(xié)調(diào)中心（DCC），或數(shù)據(jù)集在GEO數(shù)據(jù)庫里的唯一識別號，或者承認(rèn)是由ENCODE聯(lián)盟和實(shí)驗(yàn)室產(chǎn)生了特定的數(shù)據(jù)集。

3 效果與呈現(xiàn)

在Nature ENCODE的網(wǎng)站（http://www.nature.com/encode/）上，匯集了ENCODE計(jì)劃的主要研究成果——同時發(fā)表在 Nature，Genome Research和Genome Biology上的30篇相關(guān)論文和眾多的綜合分析。網(wǎng)站首頁上方嵌入了Nature ENCODE Explorer的展示界面，簡潔明了地提示用戶需要做什么，即從13個Thread中任選其一，點(diǎn)擊查看（參見圖1）。

當(dāng)一個Thread被觸發(fā)時，會呈現(xiàn)對該Thread的概述（Thread Overview），并且與該Thread相關(guān)聯(lián)的論文會高亮突出顯示。任意選擇一篇相關(guān)論文，界面右側(cè)將會呈現(xiàn)這篇文章的基本信息，包括文章作者、題目、發(fā)表刊物、刊期，并提供一個閱讀全文的鏈接（如圖2所示）。值得一提的是，界面還會提示用戶該文章所屬的其他主題，用戶可隨意點(diǎn)擊其編號進(jìn)行主題的切換，查看文章所屬的其他主題。如前文所述，Nature ENCODE Explorer為用戶匯總了13個特定的科學(xué)主題，用戶點(diǎn)擊“Read Thread”按鈕，即可深入探究一個特定主題線程的詳情，包含了從發(fā)表的ENCODE論文中提取的相關(guān)章節(jié)、圖表等內(nèi)容（如圖3所示）。

圖2 Nature ENCODE Explorer的 Thread［20］

圖3 某個Thread的詳情［21］

4 總結(jié)與展望

ENCODE促發(fā)了一種新的出版模式的出現(xiàn)，這種出版模式在科學(xué)數(shù)據(jù)挖掘和利用方面的創(chuàng)新之處可以總結(jié)為以下兩點(diǎn):第一，項(xiàng)目創(chuàng)建的Nature ENCODE Explorer可以把不同期刊上相關(guān)論文的內(nèi)容歸類，基于可視化技術(shù)和數(shù)據(jù)挖掘技術(shù)，創(chuàng)造易于使用的可視化工具，對項(xiàng)目成果進(jìn)行了有效整合;第二，ENCODE注重科學(xué)數(shù)據(jù)的重用，引入分析工具有效提升科學(xué)數(shù)據(jù)的再生價(jià)值。

然而在推廣這種模式的過程中，也會面臨一些障礙。首先，目前的文本挖掘工具還有些滯后，例如還不能充分提取相關(guān)的數(shù)據(jù)或條目。其次，整合不同期刊上的論文建立在不同出版商合作關(guān)系的基礎(chǔ)之上，還可能受到論文的開放獲取方式和相關(guān)版權(quán)協(xié)議的制約，如果出版商拒絕合作，“Thread”將難以組織而失去意義;再次，虛擬計(jì)算機(jī)的運(yùn)行需要組織得當(dāng)?shù)?、完全開放的數(shù)據(jù)，這也將是一項(xiàng)困難的工作。盡管面臨這些實(shí)際問題，項(xiàng)目組在結(jié)題之后的幾年中并沒有停止成果產(chǎn)出，期間不斷有科研論文問世，項(xiàng)目產(chǎn)生的數(shù)據(jù)集也在不斷增加。

開放共享已經(jīng)成為信息社會發(fā)展的必然趨勢，伴隨著大數(shù)據(jù)技術(shù)在出版領(lǐng)域的逐步滲透和數(shù)據(jù)開放步伐的加快，科學(xué)家們獲得了比以往更多的可支配數(shù)據(jù)。對于科技期刊來說，如果能夠克服政策和技術(shù)的障礙，允許對期刊論文（數(shù)據(jù)）進(jìn)行重用，把不同出版平臺上的論文（數(shù)據(jù)）以一定的標(biāo)準(zhǔn)整合在一起，由學(xué)界將各自研究領(lǐng)域中感興趣的內(nèi)容進(jìn)行歸類和整合，再配合數(shù)據(jù)可視化技術(shù)充分展現(xiàn)數(shù)據(jù)背后的精彩，將會營造一個更加開放、互動性更強(qiáng)、科研成果更豐富的學(xué)術(shù)環(huán)境，相信這將是科學(xué)家和研究人員們所期許的。

致謝：感謝中國科學(xué)院文獻(xiàn)情報(bào)中心編輯出版中心動態(tài)研究組以及馬建華老師的精心指導(dǎo)。

［1］李志芳，鄧仲華.國內(nèi)開放科學(xué)數(shù)據(jù)的分布及其特點(diǎn)分析［J］.情報(bào)科學(xué)，2015（3）:45-49.

［2］歐陽崢崢，青秀玲，顧立平，等.國際數(shù)據(jù)期刊出版的案例分析及其特征［J］.中國科技期刊研究， 2015，26（5）:437-444.

［3］Welcome to Scientific Data［EB/OL］.［2015-07-01］.http://www.nature.com/sdata/about.

［4］Code Share［EB/OL］.［2015-07-01］.http://www.nature.com/news/code-share-1.16232.

［5］左建安，陳雅.基于大數(shù)據(jù)環(huán)境的科學(xué)數(shù)據(jù)共享模式研究［J］.情報(bào)雜志， 2013，32（12）:151-154.

［6］黃如花，邱春艷.國外科學(xué)數(shù)據(jù)共享研究綜述［J］.情報(bào)資料工作，2013（4）:24-30.

［7］楊云秀，顧立平，張瑤，等.國外科研教育機(jī)構(gòu)數(shù)據(jù)政策的調(diào)研與分析——以英國10所高校為例［J］.圖書情報(bào)工作，2015，59（3）:53-60.

［8］劉晶晶，顧立平.數(shù)據(jù)期刊的政策調(diào)研與分析——以Scientific Data為例［J］.中國科技期刊研究，2015，26（4）:331-339.

［9］吳立宗，王亮緒，南卓銅，等.科學(xué)數(shù)據(jù)出版現(xiàn)狀及其體系框架［J］.遙感技術(shù)與應(yīng)用，2013，28（3）:383-389.

［10］黃永文，張建勇，黃金霞，等.國外開放科學(xué)數(shù)據(jù)研究綜述［J］.數(shù)字圖書館， 2013（5）:21-27.

［11］劉鳳紅，崔金鐘，韓芳橋，等.數(shù)據(jù)論文:大數(shù)據(jù)時代新興學(xué)術(shù)論文出版類型探討［J］.中國科技期刊研究，2014，25（12）:1451-1456.

［12］ALPSPAwards2013-theWinners［EB/OL］.［2015-07-01］.http://www.alpsp.org/Ebusiness/AboutALPSP/ALPSPStatements/Statementdetails.aspx？ID=500.

［13］ENCODE:The Human Encyclopaedia［EB/OL］.［2015-07-01］.http://www.nature.com/news/encode-the-human-encyclopaedia-1.11312.

［14］Elizabeth Pennisi.ENCODE ProjectWrites Eulogy for Junk DNA［J］.Science， 2012， 337（6099）:1159-1161.

［15］Science年度十大科學(xué)突破公布［EB/OL］.［2015-07-01］.http://www.ebiotrade.com/newsf/2012-12/201212191739 17404.htm.

［16］The ENCODE Project:ENCyclopedia Of DNA Elements.［EB/OL］.［2015-07-01］.http://www.genome.gov/10005107.

［17］Encode Explorer. ［EB/OL］. ［2015-07-01］.http://aftertheflood.co/projects/encode-explorer.

［18］ENCODE's Threads. ［EB/OL］. ［2015-07-01］.http://biomedicalcomputationreview.org/content/encodes-threads.

［19］Nature Encode.［EB/OL］.［2015-07-01］.http://www.nature.com/encode/.

［20］Thread Overview.［EB/OL］.［2015-07-01］.http://www.nature.com/encode//threads/characterization-of-network-topology/long-range-interaction-landscape-of-gene-promoters.

［21］Characterization of Network Topology.［EB/OL］. ［2015-07-01］.http://www.nature.com/encode/threads/characterizationof-network-topology.