随着神经科学研究的深入，数据量呈指数级增长，科学家们正面临一个重大抉择：是保留所有原始数据，还是仅关注经过处理的数据集？这一问题引发了广泛的讨论和关注。
麻省理工大学麦戈文脑研究所的科学家Nima Dehghani就此问题采访了15位实验和理论研究领域的专家，旨在探讨如何在数据管理中找到最佳平衡点。
Dehghani指出，神经科学正处于一个十字路口。随着神经像素探针和光片显微镜等技术的进步，单次实验就能产生高达数PB的数据量，这对数据存储和分析提出了前所未有的挑战。
实验研究者Christophe Bernard表示，他们实验室在处理如此庞大的数据集时，不得不设计专门的数据传输和存储系统。他认为，保留原始数据对于未来可能的新分析方法至关重要，但数据的可访问性和开放科学原则也是必须考虑的因素。
理论研究者Zhe Sage Chen则强调了访问原始数据和处理后数据的重要性。他认为，检查原始数据中的所有信号和噪声，以及利用处理后数据进行标准化比较，对于开发新的分析工具至关重要。
然而，存储原始数据成本高昂，且访问大型数据集对研究者来说也是一个挑战。实验研究者Liset M. de la Prida指出，实验室需要投入大量精力来确保数据的全面文档记录和元数据生成，以便数据能够被独立重复使用和共享。
数据预处理也是一项复杂且耗时的任务。实验研究者Anna Devor指出，原始实验数据中常常存在“瑕疵”，如运动伪影、仪器噪声等，这些都需要通过预处理来去除。她认为，熟悉数据采集本质的专家进行预处理是确保数据有效性的关键。
理论研究者Gaute Einevoll则强调，访问原始数据对于探索数据集的所有可能应用至关重要。他指出，任何对原始数据的处理都会去除信息，因此优先获取原始数据总是更为理想。
信息学家Satrajit Ghosh则从数据管理的角度提出了挑战。他指出，神经科学原始数据和元数据的复杂性给数据生产者带来了巨大的资源挑战。他认为，在决定保留哪些数据时，需要考虑研究问题、数据质量、多样性和伦理原则。
实验研究者Lisa Giocomo则强调了推动数据共享和基础设施改进的重要性。她认为，发布处理后数据的同时，将原始数据存储在本地服务器上并备份到云存储设施，可以确保实验数据的科学价值被最大化。
总之，神经科学领域的数据管理是一个复杂而重要的问题。科学家们需要在保留原始数据和关注处理后数据集之间找到最佳平衡点，以确保数据的透明性、可重复性和科学价值。
