2. 计算生物学数据对象与生命周期

计算生物学数据平台面对的不是单一类型的数据，而是序列、结构、组学、影像、临床等多模态对象。它们从产生到销毁，经历着不同的流转路径、存储介质与合规约束。理解这些对象的生命周期，是设计数据模型、存储分层与治理策略的前提。

一、五类核心数据对象的特征

序列数据以 FASTQ、BAM、CRAM、VCF 为代表。FASTQ 是测序仪直接产出的原始读段，包含碱基质量值；BAM/CRAM 是比对到参考基因组后的结果，CRAM 通过参考序列压缩可显著减小体积；VCF 记录变异位点。序列数据的特点是体量大、增长快、可重复分析价值高，但原始 FASTQ 在比对完成后往往可以降级归档。

结构数据包括 PDB、mmCIF、冷冻电镜密度图等。它们描述大分子的三维坐标、分辨率、配体结合等信息。结构数据体量相对可控，但版本更新频繁，需要记录实验方法、分辨率与验证指标。

组学数据涵盖转录组、蛋白组、代谢组、表观组等。表达矩阵、峰图、质谱谱图是常见形态。组学数据通常经过标准化处理，衍生出多层次的中间结果，需要追踪从原始谱图到定量矩阵的完整加工链。

影像数据如病理切片 WSI、CT/MRI 体数据、荧光显微图像。它们以像素/体素为核心，单例可达 GB 级，且常伴随标注、分割掩膜与特征向量。影像数据的访问模式偏向随机读取，对存储 IO 有特殊要求。

临床数据包括电子病历、随访记录、用药与检验结果。它体量小但敏感度最高，受隐私法规严格约束，通常需要去标识化后才能进入分析环境。

二、生命周期各阶段的流转与治理

多模态数据的生命周期可归纳为产生、流转、归档、销毁四个阶段，但不同模态在各阶段的处理重点差异明显。

产生阶段：测序仪产出 FASTQ 并写入暂存区；质谱仪输出原始谱图；影像设备生成 DICOM 序列；临床系统通过接口导出结构化记录。此阶段的关键是元数据同步采集——样本编号、批次、仪器型号、采集时间必须与数据文件绑定，否则后续无法追溯。

流转阶段：数据从暂存区进入分析平台，经历质控、比对、定量、注释等加工。每一次加工都产生新的衍生对象，需要记录输入输出关系。例如 FASTQ → BAM → VCF 构成一条血缘链；WSI → 切片 → 特征矩阵构成另一条。平台应维护对象间的派生关系，使任一结果都能回溯到原始数据。

归档阶段：完成分析且短期内不再频繁访问的数据转入低成本存储。序列原始数据可压缩为 CRAM 并迁移至对象存储冷层；影像数据保留诊断级副本，研究级副本可降采样归档；临床数据在去标识化后进入受控归档区。归档策略需明确保留期限、访问审批流程与恢复时间目标。

销毁阶段：超过保留期限或经伦理审查确认无保留价值的数据，应按合规流程销毁。销毁不仅是删除文件，还需清理索引、缓存、备份副本与衍生对象，并留存销毁记录。对于临床数据，销毁操作必须可审计。

三、多模态数据的关联与统一视图

同一患者或样本可能同时拥有序列、影像、临床等多类数据。平台需要以样本/患者为主键，建立跨模态关联。例如，一个样本 ID 可关联到 WES 的 VCF、病理 WSI 的切片编号、以及临床随访表中的用药记录。这种统一视图使研究者能够按样本维度检索全部相关对象，而不是在多个孤立系统中分别查找。

实现上，通常采用元数据目录（Catalog）记录对象标识、类型、存储位置、血缘关系与访问策略，实际数据仍存放在各自的存储系统中。目录只保存指针与描述信息，避免数据搬移带来的成本与一致性风险。

四、生命周期治理的关键控制点

要让上述流转可控，平台需要在几个关键位置设置控制点。第一是入口校验：数据进入平台时检查元数据完整性，缺少样本编号或采集时间的对象应被拒绝或标记待补。第二是血缘记录：每次加工生成新对象时，自动写入输入对象 ID、工具版本与参数，形成可追溯的派生链。第三是保留策略：按数据类型与项目阶段设定不同的保留期限，例如原始 FASTQ 保留 1 年、VCF 保留 10 年、临床数据按伦理协议执行。第四是销毁审计：销毁操作需记录操作人、时间、对象清单与审批依据，确保合规可查。

多模态数据的生命周期管理，本质上是把“数据从哪来、经过什么、现在在哪、何时该走”这四个问题，用元数据目录和策略引擎固化下来。序列、结构、组学、影像、临床各有其物理形态与合规要求，但在平台层面，它们共享同一套对象标识、血缘追踪与状态机。理解这一点，后续的存储分层、计算调度与安全审计才有统一的锚点。