1. 平台工程导论

在生物实验室里，数据与计算长期是两条平行线：湿实验产生的原始数据（测序下机文件、酶标仪读数、显微图像、流式 FCS 文件）被手工导出、改名、拷贝到个人电脑，再由分析人员用脚本或商业软件处理，结果以截图或 Excel 形式回传。这条链路里，样本编号在三次转手中可能被改写，参数散落在聊天记录里，同一批数据换个人就复现不出来。生物实验数据与计算协同平台要解决的，正是这条链路的断裂问题：它把样本、原始数据、分析流程、参数、结果与结论组织成一条可追溯、可复现、可协作的工程化通路。

一、定义：平台不是“数据盘 + 分析脚本”的拼装

生物实验数据与计算协同平台，是指以样本为最小追溯单元，将实验产生的原始数据、计算流程、运行参数、中间产物与最终结论统一登记、统一调度、统一留痕的软件系统。它至少包含四个不可分割的能力层：数据接入与登记、流程编排与计算执行、元数据与版本管理、协作与权限控制。缺少任何一层，系统就退化为文件服务器或脚本集合，无法支撑“协同”二字。

判断一个系统是否算得上协同平台，可以用三个问题检验：给定一个结论图表，能否在五分钟内回溯到它的原始数据文件、所用流程版本和全部参数？换一名分析人员，能否用同样的输入得到数值一致的结果？样本从接收、建库、上机到分析，状态变更是否由系统而非口头传递？三个问题都能回答“是”，才具备平台的基本形态。

二、核心价值：把“人记得住”变成“系统管得住”

平台的价值可以归纳为四条主线。第一是可追溯：每个结果都绑定数据来源、流程版本与参数快照，审计时不需要翻找个人目录。第二是可复现：流程与参数以版本化方式固化，同一输入在相同版本下产生一致输出，这是生物信息分析可信度的底线。第三是可协作：样本、数据、流程、结果以统一标识共享，湿实验人员与分析人员在同一对象上对话，而不是靠文件互传。第四是可扩展：新仪器、新流程、新算法以插件或流程包形式接入，不必推翻既有结构。

三、典型应用场景

场景一：测序项目全流程协同。从样本接收登记、文库构建、上机下机，到 FastQ 质控、比对、变异检出，每个环节的产物自动登记到同一样本 ID 下，分析人员按流程模板发起计算，结果回写样本视图。

场景二：多组学联合分析。同一批样本同时产生转录组与蛋白组数据，平台以样本为锚点对齐两类数据，避免靠文件名手工匹配。

场景三：方法开发与参数扫描。同一份数据用不同参数组合批量运行，平台记录每次运行的参数与指标，便于横向比较而非人工记录。

场景四：跨机构数据共享与合规审计。通过权限与脱敏策略，让合作方只看到授权范围内的数据与结果，同时保留完整访问日志。

四、整体架构概览

平台在逻辑上分为五层，自下而上依次为：基础设施层（计算节点、存储、容器运行时）、数据接入层（仪器对接、文件登记、元数据抽取）、流程与计算层（流程定义、调度、执行、日志）、数据与元数据管理层（样本库、数据集、版本、血缘）、应用与协作层（样本视图、结果看板、权限、审计）。数据自下而上流动，控制与权限自上而下约束，血缘关系横向贯穿各层。

理解这张架构图的关键在于两条方向相反的流：数据流自下而上，原始文件经接入层登记后，由计算层处理，产物与元数据进入管理层，最终在应用层呈现；控制流自上而下，权限、流程模板、资源配额由应用层下发，约束下层行为。血缘关系则横向贯穿，把某一层产生的对象与它的上游输入、下游产物连接起来。

五、一个最小可用的追溯示例

假设样本 S-2024-0317 完成一次 RNA-seq 分析。平台中会形成如下记录链：接入层登记原始文件 raw/S-2024-0317_R1.fastq.gz，记录校验和与文件大小；计算层以流程 rnaseq-qc v1.3 发起运行，参数文件记录接头序列、最小读长等；管理层保存运行 ID、参数快照与输出目录；应用层在样本视图下展示质控通过率与比对率。当有人质疑某个比对率时，从图表点回运行 ID，即可看到当时的参数与输入文件校验和，判断是数据问题还是参数问题。

六、建设平台时最容易走偏的三件事

第一，把平台做成“网盘 + 权限”，只解决存储与共享，不解决流程与参数留痕，结果是数据集中了但复现仍然困难。第二，过早追求全自动化，忽略湿实验环节的状态登记，导致样本在进入计算前就已失去追溯。第三，元数据字段设计过粗，只记录文件名与日期，不记录仪器型号、试剂批次、关键参数，使后续排查缺少依据。

因此，平台建设的第一步不是选型，而是明确追溯单元与必录字段：以样本 ID 为追溯单元，至少登记样本来源、处理环节、仪器、关键参数、操作人与时间。字段一旦确定，后续的接入、流程、权限设计才有共同的语言。这也是本课程后续各章展开的基线。