随着数据规模的指数级增长，神经科学领域正面临着一个重要抉择：是应该保留所有原始数据，还是集中处理并保留经过筛选的数据集？麻省理工大学麦戈文脑研究所的科学家Nima Dehghani最近就此问题询问了15位实验与理论研究者，试图揭开这一科学数据管理的谜团。
Nima Dehghani是麻省理工大学麦戈文脑研究所的科学家，他的研究涉及神经科学、理论物理学和人工智能的交叉领域。他强调，理解大脑复杂的动态系统及其功能，需要平衡原始数据与处理数据之间的利弊。
现代神经科学技术，如神经像素探针和光片显微镜，已经使得单次实验就能产生数PB的数据量，这远超以往的数据处理能力。这引发了关于数据存储和访问的重要讨论：我们该如何存储和获取所有这些信息？
原始数据被认为是实验最完整且未经筛选的记录，它捕捉了每一个细节，包括那些起初看似无关紧要的部分。对于某些研究来说，原始数据是不可或缺的，尤其是在探索新方法和新见解时。例如，改进的尖峰分类算法可能从当前看似背景噪声的活动中提取出有意义的图示。
然而，处理后的数据同样重要。经过滤波、去卷积等预处理的数据，不仅更便于共享和使用，还能减轻研究人员重复处理数据的负担。这使得研究人员可以将更多精力集中在新的分析或解读上，尤其在神经科学这种协作性强的领域。
尽管理想情况下可以同时保留原始数据和处理后的数据，但高昂的存储成本和访问限制迫使许多实验室不得不做出艰难选择。存储原始数据不仅需要大量的物理存储基础设施，还涉及复杂的数据管理。而访问庞大的数据集也面临挑战，研究者难以高效下载和分析。
Christophe Bernard，艾克斯-马赛大学系统神经科学研究所的研究员，分享了他的经验。他表示，尽管保留原始数据能带来新见解，但共享大数据集支持开放科学面临重重困难。如何在数据保存的需求与数据的可访问性及开放科学原则之间找到平衡，仍是关键挑战。
纽约大学医学院的副教授Zhe Sage Chen则强调，能够访问原始数据和处理后数据，以及配套的元数据文档，对计算神经科学家来说至关重要。他认为，保留两种格式的数据集，并进行对比分析，是一种有效的方法。
神经科学可以从粒子物理学和天文学中学习如何管理大型数据集。这些领域通过精密的集中式仪器和专门的数据处理团队，成功保留了必要的原始数据，支持了长期科研。
对于未来，神经科学或许可以逐步向共享的高级实验资源和集中化的数据处理团队迈进，例如艾伦研究所的“开放视野”项目。标准化的数据采集和处理为高质量数据集提供了广泛的访问途径，使研究人员能够专注于特定的科学问题。
然而，尽管面临挑战，保留原始数据的重要性不可忽视。它具有推动未来技术进步的潜力，并为新分析提供了可能。例如，实验研究者André Fenton表示，他经常在数据收集多年后才发现可以改进之处，而这些改进依赖于原始数据的保存。
信息学家Satrajit Ghosh则指出，尽管所有数据都重要，但需要考虑研究问题、数据质量、多样性和伦理原则，来决定哪些数据应被优先保留。他强调，需要推动改进原始数据和相关元数据的共享基础设施，以确保实验数据的科学价值被最大化。
最后，斯坦福大学神经生物学系教授Lisa Giocomo强调，推动数据共享与基础设施改进非常重要。她认为，这不仅能增强科研的透明性和可重复性，还能确保实验数据的科学价值被最大化。
在开放科学日益普及的今天，神经科学领域正努力寻找最佳的数据管理策略。通过平衡原始数据与处理数据之间的利弊，神经科学家有望在未来取得更多突破。
