大数据：医疗领域转化与工业研究的挑战与机遇

引言：健康与生物技术中的大数据

大数据分析具有潜在的变革性。一些公司（如亚马逊、脸书或优步）的成功完全建立在大数据及其分析的基础上；其他公司，特别是在电信或金融领域的企业，也通过利用大数据彻底改变了其竞争策略。各类行业和机构都可以期望通过收集、生成和分析大数据实现至少以下一个目标：提高效率和绩效，从而增加收入；显著降低流程成本；减少诸如合规缺失以及生产或服务交付等高成本风险。制药和生物医学领域也无法置身于这一过程之外，正面临需要积极应对的数据驱动转型。数据科学家通常将“大数据”描述为具有四个主要特征的数据，即著名的“四个V”：容量、速度、真实性和多样性。

容量 指的是来自多个来源且具有大量数据点的规模化数据。在生物医学科学领域，下一代测序技术正推动数据产出持续增长：样本、组织和患者既可以通过整体测序（从整个组织或细胞培养物中提取核酸），也可以通过单细胞进行测序和重新测序。单细胞测序预计将使产生的数据量进一步激增，因为即使测序深度较低，每个组织或患者都将分析数千个单细胞（波里昂等人，2016；维拉尼等人，2017；王和宋，2017；吴等人，2017）。

大数据领域能够存储拍字节到艾字节级别的数据。1艾字节等于10亿吉字节，而目前的便携式存储卡（例如我们的智能手机平均使用16吉字节的内存）通常以吉字节为单位进行衡量。由于中间数据经常通过质量控制和数据缩减过程被大量修剪和筛选，实际存储的数据量远小于采集过程中产生的数据量，全球采集产生的数据总量达到泽字节级别（实际数据规模）。根据记录的历史增长率，DNA测序（以基因组数量计）的增长速度几乎是摩尔定律预测速度的两倍，即自2008年首次出现Illumina基因组序列以来，每7个月数量就翻一番。

由于这些数据量，基因组学可与其他大数据领域相媲美，例如天文学、物理学和社交媒体（尤其是推特和油管）。研究机构和联盟以前所未有的速度进行基因组测序，收集数千个体的基因组数据，例如英国基因组项目（英国基因组学，2017）或沙特人类基因组计划（沙特基因组项目团队，2015）。仅英国项目就将测序10万个人类基因组，产生超过20拍字节的数据，但许多针对非人类物种的测序计划也将产生巨大影响。在植物界的研究中，受农业应用的推动，成千上万乃至数百万的蔬菜品种（例如水稻）也正在被测序（朱，2012；李等人，2014）。此外，鉴于基因组或外显子组测序对个性化医疗具有重要意义，可以合理地认为，到2025年，世界上相当大一部分人口将接受测序，其规模将比目前的估计高出五个数量级，从而大大超过此前引用的其他大数据领域（Stephens等，2015）的增长。

速度 ，即第二个“V”，指的是高效传输大文件的基础设施速度。面对极端数据量，需要采取极端措施：对于艾字节规模的数据，传统的四轮运输方式（卡车运输）仍然是最快且最安全的方法（ https://aws.amazon.com/snowmobile/）。事实上，通过当今的高速互联网上传100拍字节的数据大约需要30年。

目前，容量和速度对生物医学数据而言尚不成问题：计算能力和存储成本已大幅下降，高容量数据可在同一机构内部轻松生成和存储。数据通常不会频繁地通过互联网来回传输（传输通常是单向的，即从服务提供商到研究人员），较大规模的数据通常通过物理硬盘进行运送。

另外两个“V”更为关键： 真实性和多样性 。真实性指的是数据不确定性。基因组测序数据本身存在偏差，这是由于错误率、实验批次效应以及所采用的不同统计模型自然导致的。 多样性 可能是生物医学数据中影响最大的特征。该领域的数据以多种不同形式出现，生物数据具有高度异质性，从这个角度来看，大数据也意味着来自同一来源的不同信号和检测系统。因此，生物数据的异质性固然是一个挑战，但同时也是促使数据整合变得必要且有趣的因素，再加上利用数据优化数据的技术可能性，以及由此发现涌现特性和不可预测结果的可能性。

在可重复研究（Iqbal等，2016）这一日益重要议题的推动下，关于收集和组织数据以实现快速存储和易于重新处理的重要性意识正在向生物研究领域扩展。数据整合正逐渐成为一门独立的横向学科，并催生了大量多样化项目和资源；本文将对其中一些进行回顾（表1）。

数据如何塑造生命科学与健康

生物医学科学在技术进步的推动下不断发展；生命、健康和疾病正以日益量化的方式被研究。大多数实验室设备产生的数据量都比过去更大，普通实验室中的数据点累积到无法通过电子表格等传统处理方式进行处理的数量。研究人员经常需要在研究的各个阶段应对许多不同类型的数据：实验设计、样本采集与数据收集和清洗、分析、实验结果的量化以及最终的解释。生物学家、技术人员和临床科学专业人员几乎每天都要与分析人员、统计学家或生物信息学家互动，他们需要发展正确且最新的术语，并掌握足够的技能以进行高效协作的任务。生物医学研究人员无需将自己转变为生物信息学家，但必须进行文化转变，接受“信息生物学”这一新领域（布拉萨斯等人，2017）。因此，各种形式的生物信息学和计算生物学技能如今已成为技术先进的研究实验室或研发部门的必备能力：公司、研究机构以及单个实验室也都应促进并组织具备计算技能的人员（张，2015；巴特利特等人，2017）。

基础和临床研究现在充分认识到以整洁数据形式收集和组织数据的价值，即一种既便于人类阅读又便于计算机处理的形式（威克姆，2014）。整个研究领域正变得越来越依赖计算机辅助，许多相当先进的统计方法也经常通过计算机运行，例如机器学习（ML）方法，用于通过数据对样本进行分类和区分。

机器学习（ML）是一类使计算机能够在没有明确编程的情况下学习的方法集合（阿瑟，1959），被认为是人工智能的一个子领域。机器学习可以进一步分为两个对生物医学研究非常有用的子领域：监督学习，用于数据分类和回归；以及无监督学习，用于聚类、降维等方法。推荐。这些方法如今在药物发现和生物标志物优先级排序中被定期使用。

没有任何研究领域能够逃脱这场数据驱动转型。数据正不断渗透到传统的“湿实验”实验学科以及源于数学与计算机科学的领域，同时这些数据也由这些领域产生。这一点在工业生物技术领域尤为明显，传统的实验学科如疫苗开发，以及更多由计算机驱动的学科如网络介导的药物发现，都深受各类数据流及其整合可能性的深刻影响。精准医学、药物设计/再利用以及疫苗的开发，仅仅是众多生物医学科学领域中的三个例子，这些领域均可从结构化、机器学习辅助且集成化的数据使用（无论数据规模大小）中获益良多。

医学、药物和疫苗：从个性化到高清晰度医学

医学一直是一门以观察和数据为支撑的临床科学，但在某些方面，医学正逐渐转变为一门由临床医生支持的数据科学。临床医生应做好准备，处理从大量个体中横向收集的数据，或从单个（或少数）个体的精细、高分辨率、多参数分析中纵向收集的数据。在这两种情况下，大数据的所有注意事项和挑战都存在（布拉萨斯等人，2017），并且与物联网（IoT）领域所遇到的问题相似。物联网被描述为一个由配备软件、传感器和连接功能的电子设备组成的网络，用于收集各种目的的数据。到2020年，40%的物联网设备将与医学和健康相关（迪米特罗夫，2016及其文内参考文献1和2），除了组学技术（如下一代测序）已产生的复杂数据集之外，还将有大量异质性的健康数据可供使用。

这种情景在生命科学中十分典型，其中高数据异质性既是挑战，也是通过数据整合获取具有医学、临床和预测价值的可操作结果的机遇。长期目标是能够测量人体内外的一切：最近的一个例子是斯坦福大学迈克·斯奈德团队开展的研究，该研究对43名个体每天采集25万次测量数据，总计接近20亿个健康数据点。对这些数据的监测、分析和整合有效地在感染实际发生前就检测到了异常，并帮助区分出胰岛素抵抗的参与者，后者是2型糖尿病的前兆（李等人，2017）。学术界和私营部门的其他项目也基于相同的方法设计，但规模更大，涵盖从数千到数百万的监测志愿者（鲍尔等人，2012；马克斯曼，2017）。

进入新世纪的标志是人类基因组的完成（Lander等，2001；Venter等，2001）：自此以后，数据在生物学和医学中占据了主导地位。医学逐渐获得了新的修饰词和特征，例如个性化医疗、精准医学（尤恩斯特等人，2016），以及现在的高清晰度医学。后者是指以高清晰度评估人类健康的能力。由于这种高精细度得益于许多新兴且多样的技术（如下一代测序应用、监测个人生理和参数的传感器、量化行为和生活方式、先进成像），目前常常面临高度异质性的数据流，需要大数据能力来进行整合（托卡马尼等人，2017）。

对健康或患病个体在时间推移过程中的多重精确测量符合“量化自我”范式：即在日常活动、训练中或疾病及治疗进程中进行自我监测的习惯（福西特，2015）。将自我与自我进行比较（“你与你相比”）的做法日益普遍，这种量化自我认知的实践可通过将患者置于行动中心来改变疾病预防模式（米克等人，2017）。类似地，哈佛‐麻省理工学院初创企业下一代简（NextGen‐Jane）致力于更高效地预防大量未被发现的女性健康问题。NextGen‐Jane对月经血这一丰富的生物基质进行分析和数字化，从中提取大量信息数据，用于研究激素水平、子宫肌瘤状况、阴道微生物组以及可能引发癌症的真菌或细菌感染（埃里克森等人，2014；马奇，2014；塔马雷西斯等人，2014）。

电子健康记录

电子健康记录（EHRs）是患者健康信息的数字格式，可应用于住院环境或国家或地区福利系统中。整合使用电子健康记录（EHRs）和NGS数据是发展精准医学的关键过程。

事实上，直接在临床实践中使用NGS数据并不可行，但将电子健康记录整合到能够从分析的NGS数据中提取相关信息的分析流程中，将极大改善临床结果。已有临床数据基础设施的实例，并曾被用于不同目的，例如研究常见疾病的遗传病因（古尔彻等人，1997），或利用现有的基因组和临床数据识别与表型及环境相关的基因（巴特和科哈内，2006）。最近，美国精准医疗计划（PMI）开始规划整合一百万个体的基因组和临床数据，以揭示环境对疾病治疗的影响（柯林斯和瓦穆斯，2015年），此外，由医院网络推动的其他倡议也开始利用共享资源（如电子记录和基因组数据）来实施基于基因组的医学（拉森‐托维克等人，2014）。

电子健康记录（EHRs）主要用于临床（患者护理）和计费/保险目的（延森等人，2012），通常并非以科学和研究为目的而设计。因此，基于电子健康记录（EHRs）的研究在偏差和标准化方面带来了巨大挑战。在这方面，电子健康记录（EHRs）与其他存在整合缺陷的大型生物数据集类似。如前所述，为研究而良好组织甚至从头开始组织的数据，使用机器学习等计算机方法进行处理要容易得多。随着电子健康记录（EHRs）的广泛和标准化采用，数百万个临床数据点来自数千名个体的数据可能变得可用：这些数据是计算表型分析（康威等，2011；霍达普，2016；金等，2017）和构建有序的表型组数据库的主题。因此，首先要解决的问题是采用内部、逻辑且通用的基础设施，以实施标准、通用注释和可互换的识别编号。相比具有不完整或非规范注释的大规模数据集，应优先选择记录数量较少但精确且被广泛接受的标准。电子健康记录（EHRs）中存储的临床信息的丰富性在于其可用性和互操作性，因此电子健康记录（EHRs）中数据的质量和形式对研究有直接影响（韦斯科夫和翁，2013）。

电子病历与基因组学（eMERGE）网络Lemke等，2010；德莱格等，2014；江等，2015项目是一个跨越长期的典型案例，初期工作和成果集中于建立用于组织数据以及收集和共享数据的机构的逻辑与标准。eMERGE的主要目标是将生物样本库与电子病历系统相结合，以推动基因组发现及医学实践中的基因组学应用。作为一个由医院和研究机构组成的网络，eMERGE必须首先确保正确且可用的数据基础设施，然后开始整合和分析临床、表型、基因组数据，并随后提供整合结果。除了发表大量特定疾病的研究论文外，对整个研究领域具有显著影响的两项成果是表型知识库（PheKB），可用于从电子病历中挖掘和发现表型Kirby等，2016，以及全表型组关联扫描目录（PheWAS），该目录汇集了通过遗传数据与电子病历数据结合获得的疾病/表型与基因的关联丹尼等，2010。

数百万患者临床数据的存储与处理将面临挑战，这种情况正如同序列数据所面临的状况一样。除了需要高效的挖掘和汇总方法以实现更佳且更快速的特征化和表型分析外，还必须解决隐私与安全问题。提高可重复性、在合作研究人员或患者群体之间实现安全的数据共享、加强电子健康记录（EHRs）的隐私保护以及实现对电子健康记录的可信去个体化访问，都是极具吸引力的目标，这些目标可以通过不同的技术来达成。鉴于数据共享与隐私所带来的诸多问题以及应对这些问题的技术手段（拉乔杜里和雷，2010；费尔南德斯‐阿莱曼等，2013；奥莫托肖和埃穆伊博法赫，2014），我们想指出的是，正如任何数据密集型学科一样，生物医学研究如今正成为区块链等新兴信息学技术应用的首选领域。区块链，即比特币底层技术，基于分布式账本，是一种公开、安全且去中心化的数据库，用于记录被称为区块的有序事件或记录，这些区块具有时间戳并链接到前一个区块。公开且匿名的交易构成了隐私与可追溯性的基础，这种机制能够很好地适应临床试验对隐私、可追溯性和可信共享的要求（本丘菲和拉沃, 2017）和个人电子健康记录（坎宁安和艾恩斯沃思, 2017）。

大数据用于系统药理学与药物再利用

如果更多的数据能够服务于更有效预防的目的，全面反映健康状况，那么更多的数据以及快速处理、优先排序和分析这些数据的能力，对于药品生产商而言也将是一个显著优势，尤其是那些重点关注药物再利用的生产商。

研发一种药物有多复杂？这一过程的复杂性和耗时直接体现在数据上：开发一种新药平均需要10到15年，仅有<12%进入临床试验的药物最终被批准成为药品。包括失败成本在内的研发成本从20世纪80年代的4.13亿美元飙升至2000年代的26亿美元，而同期行业在研究上的投入则从20亿美元增长至500亿美元（来源：美国食品药品监督管理局）。这些数据表明，研究将成果转化为药物开发分析流程的效率下降了4倍，因此迫切需要寻找替代性研发途径。对现有药物进行再利用或重新定位，即寻找其新的治疗用途，是一种可行策略。经过再利用的药物无需全新的研究过程，因其已通过临床前阶段和/或I期临床试验的审批。获得美国食品药品监督管理局对再利用药物的批准总成本仅为4000万至8000万美元，相比之下，开发一种全新药物平均需要花费10亿至20亿美元（Scannell et al., 2012）。

药物再利用已成为许多计算机驱动研究的重点（March-Vila etal., 2017）。科学与制药研究对计算机辅助研究并不陌生，对于计算方法的过度乐观以及随之而来的失败也同样不陌生。在20世纪80年代，计算机辅助药物发现（CADD）曾被媒体以极为热情的口吻报道和欢迎：所谓的合理药物设计似乎预示着一场工业革命（Bartusiak,1981），但这场革命实际上并未发生。鉴于这些文化和历史上的‘抗体’，科学界如今应更有准备地将计算能力更好地融入研发过程。当今的计算机在处理能力、内存容量以及所运行的软件和算法方面均有显著提升，且药物发现领域现已拥有更先进的分析手段和方法，例如自由能微扰分析和量子力学建模。

然而，新药候选物失败的主要原因在于一个非常简单的事实：人类生物学极其复杂。脱靶效应或机制性毒性通常是由于不可预测的相互作用或药物处理与递送过程中产生的常见结果。

基于网络的方法

基于网络的方法被用于更全面地观察复杂系统。网络是描述分子和生化相互作用的便捷方式，无论是经过实验验证的还是预测的；药物与疾病关系也已通过这些方法进行了研究。网络指标（Yildirim等，2007）或预测现有药物的新靶点（贝格尔和艾扬格尔，2009；吴等，2013）。

网络是对看似无结构但相互作用的实体的描述，根据所连接实体的数量及其注释属性，网络可被视为大数据。许多图形显示所提供的网络视觉化团块具有强烈的视觉冲击力，能够展示相互作用的复杂性和数量，但对于高度连接的网络（如层级结构和上下游效应（激活、抑制））的错综复杂性，仍需精确指标来加以解析。这些指标大多是在图论背景下发展起来的，通常用于以便捷的方式总结复杂性。一些指标提供有关单个节点（网络中的实体）的信息，另一些则提供有关边（实体之间的连接）的信息。例如，中心性指标可识别网络中最重要的节点，即最具影响力的节点，而节点影响力指标则用于衡量每个节点在网络中的影响力（多罗戈夫采夫和门德斯，2013）。

在系统药理学领域，通过整合蛋白质‐蛋白质相互作用或基因调控数据与多种药物的信息获得的全局药物网络已被用于定义可成药靶点。这可能是最通用的方法，能够描述寻找候选靶点的边界范围。一种典型的方法是寻找枢纽，即高度连接的节点：此类节点可能在调控多个生物过程中发挥关键作用（郑等，2000，2001）。配体的化学相似性是可用于定义药物靶点（节点）之间边的另一性质：生物化学重要性质在网络介导的发现过程中发挥作用（赫特等，2008）。

为了更精确的聚焦，可通过在生物数据集和药物信息之外添加疾病信息来构建疾病‐基因网络，以寻找特定疗法的可能靶点。相互作用的蛋白质通常参与共同的生物过程（罗等，2007），或参与疾病过程（吴高等人，2007年；奥兹古尔等，2008；高和崔，2012）：为此，已构建并挖掘针对特定疾病过程的网络，以发现新的候选药物靶点（科勒等，2008；陈等，2009）。

除了关注特定的病理领域外，另一种对药物重定位有益的方法是引入新的或改进的网络指标，能够以更无偏的方式捕捉潜在药物靶点的本质。传统指标依赖于已描述的连接组的实际拓扑结构，例如靶标之间的最短路径（Lee et al., 2012；Zhao and Li, 2012）或药物之间的共同靶点（达米内利等，2012）。这类方法可能因文献中已有详细描述的已知相互作用组而产生偏差，从而偏向于研究最多的基因或蛋白质。因此，巴拉巴西团队最近提出了一种新的无监督网络指标，基于疾病基因倾向于聚集在同一网络邻域中的观察结果。因此，他们推断，靶标蛋白与疾病模块的直接邻近区域可作为药物有效性的代理指标，通过这些靶点。他们引入了一种接近度指数，用于量化药物与疾病蛋白之间的拓扑关系，并利用该指数研究了药物靶点与疾病蛋白之间的关系（Sharma等，2015；Guney等，2016）。数千个在文献中报道或尚未发现的药物‐疾病关联被归类整理，总共超过3.6万个关联。已知和未知的药物‐疾病关联均通过接近度指数方法进行了测试，结果发现药物并不作用于整个疾病模块，而仅作用于其中的一小部分分子。接近度度量还被用于发现药物间的相似性，所覆盖的关联数量大于其他方法，并用于挖掘罕见病的潜在再利用候选药物（Guney等，2016）。

大数据：医疗领域转化与工业研究的挑战与机遇

物理化学在药理学中的应用

药物的制备从设计上就十分复杂。用于药物设计的计算方法（计算机辅助药物设计，或称CADD）主要分为两类：基于分子力学（MM）和量子力学（QM）的方法。第一类方法主要用于确定分子结构及其构象与原子排列的势能。这些方法中所研究的基本粒子是原子整体，不考虑电子的贡献。相反，第二类方法则考虑电子，其系统行为被研究为原子核与电子的集合体。

因此，分子力学将分子描述为相互成键的原子：由于不考虑电子运动，分子力学需要关于化学键和结构的精确且明确的信息。量子力学能够计算作为电子和原子核（而不仅仅是原子位置）函数的系统能量，并包含量子纠缠等物理原理，这指的是粒子或粒子群的关联相互作用，从而提供了化学键概念的量子视角（Tapia，2014）。这一特性在研究药物与酶活性位点的相互作用时尤为有用（Lipkowitz，1995；Chakraborty和Saha，2016）。

通过量子力学方法，可以计算出一些实验手段无法获得的关键系统性质：振动频率、平衡分子结构、偶极矩（Atkins和DePaula，2006）。这些性质在计算机模型中非常有用，可用于预测特定化合物如何与目标靶点相互作用，例如一种药物与参与某种疾病的酶的口袋之间的相互作用。

传统上，这通过建模和分子对接实现，但这些方法更适用于在筛选数百万种化合物时进行数据降维，且对模型的高可靠性要求不高。当候选化合物数量较少（例如仅数百种）并需要进一步筛选至10种时，模型必须具备极高的准确性，而现有技术尚不足以满足这一需求。为了实现更高的准确性，机器学习和量子力学方法均被引入以提供支持。

在最近的一项原理验证研究中，Ash和Fourches研究了在多种癌症中起关键作用的ERK2激酶以及87种ERK2配体，以寻找新的激酶抑制剂。他们将分子动力学结果纳入预测通过机器学习生成的模型，并利用分子动力学描述符获得了一种高度预测性的计算机模型，能够区分最有效的ERK2结合剂（Ash和Fourches，2017）。现代具有强大处理能力的计算机，尤其是GPU加速计算机的普及，使得针对更多蛋白质进行更长时间的模拟成为可能。

“魔法子弹”概念（Strebhardt和Ullrich，2008年），即药物结合单一分子疾病靶点，可能只是少数情况。由于小分子药物仍占据当今制药市场治疗手段的主体，因此为它们寻找新靶点是一个备受追捧的机会，即使几乎不可能找到完全没有脱靶效应的小分子药物。这主要是因为研究关注点传统上集中在细节层面，且研究通常不在基因组规模上进行。

由于蛋白质‐配体相互作用的复杂性，从基因组尺度进行观察可能会带来显著差异：在完全不同的基因组背景下，一个脱靶效应可能反而使药物具有可再利用的潜力。因此，在基因组尺度上研究的同时，还能关注分子细节和单个生化特性，是当今药理学面临的主要挑战之一。

这种广阔的视野是系统生物学方法的典型特征，通常在网络和相互作用数据库中得到更广泛的应用。Paolini等（2006）分析了所有已知的药物‐靶点相互作用，构建了一个人类药理学相互作用网络，将共享一种或多种化学结合物的蛋白质连接起来。Mestres等（2009）整合了七个药物‐靶点相互作用数据库，发现药物平均与六个不同的靶点发生相互作用。在机器学习背景下将量子力学应用于药物发现，可显著扩大该过程的规模。尽管这种方法的应用需要巨大的计算努力以及处理和分析大数据的能力，但现在已有数千种仿制药通过计算方法被筛选其相互作用，而脱靶效应则为潜在的新用途药物提供了新的机遇。

疫苗的诞生

疫苗是改善生活质量、预防危及生命疾病的最成功的公共卫生干预措施之一。天花的根除以及脊髓灰质炎、肝炎、麻疹、腮腺炎、白喉、破伤风和脑膜炎发病率的显著下降充分表明，疫苗接种是一种非常具有成本效益的方法，可用于预防、控制甚至根除疾病。据估计，在2011年至2020年期间，大约避免了2000万人的死亡（Kellokumpu‐Lehtinen和Halme，1990）。在过去，传统的疫苗开发方式本质上是一种经验性方法，即培养微生物，将其灭活后注射到动物体内，然后通过多种免疫测定方法仔细分析所引发的免疫反应，以识别有希望成为疫苗靶点的候选成分。选择疫苗中包含的免疫原性抗原需要经过漫长的筛选过程，这一过程耗时、成本高昂，并且常常伴随着较高的失败率。然而，如今人们普遍认为疫苗开发该过程是一个相当复杂的流程，需要整合来自多个异质领域和技术的信息。这些信息包括对疫苗所针对病原体的生物学、基因组学和流行病学知识及其感染机制的理解，以及对自然感染过程中引发的细胞免疫反应和体液免疫反应与保护性免疫相关性的认识。一旦确定，还需阐明疫苗靶分子的生物学功能。此外，影响疫苗有效性的其他重要方面涉及疫苗配方中典型成分的作用机制，如佐剂、共刺激分子或递送系统。

最后，关于疫苗反应原性和安全性的考量也极大地影响了开发过程。在过去的二十年中，由于组学和高通量技术的发展产生了大量数据，人们对应对这种高度复杂性表现出日益增长的兴趣。事实上，高通量蛋白质组学、高分辨率基因组学和转录组学、结构生物学以及先进的生物信息学工具与多参数细胞免疫学相结合，为深入理解疫苗介导的保护背后的分子机制提供了重要机遇。更强大的是整合多种组学的方法，这一过程也被称为系统生物学，它为合理化疫苗靶点识别和加速临床前疫苗研究开辟了新的前景。

关于疫苗靶标的选择，越来越多的证据明确表明，潜在候选抗原应属于以下多个类别：（i）分泌或膜相关抗原。当抗体是疫苗诱导免疫的主要介质时，这一点尤为重要；（ii）高表达；对于传染病疫苗而言，这种表达应在病原体的自然生命周期中保持相对恒定，特别是在宿主侵袭期间；（iii）在流行病学相关的血清群中保守；（iv）参与重要的生物过程；对于病原体而言，优先选择毒素或毒力因子作为抗原。大约20年前，基因组测序真正改变了疫苗学，使得疫苗靶标的选择可以直接从细菌基因组信息出发。这一策略被称为反向疫苗学（拉普利, 2001；格兰迪和扎古尔斯基, 2004），由拉普利R.及其合作者率先提出，他们建立了一个真正的疫苗发现平台：结合基因组学和生物信息学技术，识别细菌表面暴露/分泌蛋白，并对其进行克隆、纯化，然后在替代性的体外研究中进行测试，以预测是否能引发保护性免疫反应。该方法首次应用于针对脑膜炎奈瑟菌B群（MenB）的疫苗研发，MenB是儿童和年轻人中细菌性败血症和脑膜炎的主要病因之一。Bexxero是由此研究发展而来的一种多组分广谱疫苗，已在多个国家获批并商业化。此后，在不同的疫苗研究项目中，反向疫苗学进一步与蛋白质组学技术相结合，例如应用于B族链球菌（迈奥内等, 2005），A族链球菌（本西等, 2012）以及沙眼衣原体（芬科等人，2011年），有助于进一步优化潜在疫苗候选抗原的选择，并合理减少后续昂贵的体内有效性检测。一项有趣的研究表明，该方法也可用于识别能够刺激T细胞反应的抗原（芬科等人，2011年）。在这项研究中，首先通过生物信息学方法筛选膜相关蛋白，再结合来自感染不同强毒血清型个体的人血清进行蛋白质阵列筛选，以鉴定免疫原性抗原。此外，还使用质谱分析来鉴定不同致病性血清型中在细菌表面表达的抗原，这一信息有助于提高引发广谱免疫反应的可能性。

最近，整合了来自多个组学和先进生物信息学方法的数据的系统生物学方法已被成功用于不仅进行疫苗抗原鉴定，而且还可预测与保护性免疫相关的特异性免疫反应。这样一来，需要管理的数据量急剧增加。在启动疫苗开发项目之前，一个必须解决的关键方面是理解自然感染机制以及能够有效清除病原体并诱导长期保护以防止再感染的免疫反应。由于某些病原体能够操纵宿主免疫系统，因此选择能够克服这些干扰机制的疫苗显得尤为重要。此外，特别重要的是疫苗接种后数天甚至数小时内引发的早期基因特征，这些特征可被用作新的保护性相关指标，或揭示在引发适当免疫反应中起关键作用的机制，并可能优化疫苗接种方案。已有许多研究探讨了这些方面。例如，一项对涉及77种不同宿主‐病原体相互作用的已发表转录谱数据集的系统分析，识别出不同细胞类型在应对不同病原体时产生的共有宿主特征以及特异性反应（詹纳和杨，2005年）。该研究还描述了抗原呈递细胞在病毒或细菌感染期间相关的早期和晚期转录特征（詹纳和杨，2005年）。其他具有代表性的研究包括关于流感疫苗的研究。近期已有综述总结了有症状的流感病毒感染背后的免疫生物学事件和分子谱，以及可预测疫苗免疫原性的特征（戈麦斯·洛伦佐和芬顿，2013年）。转录组学数据已被用于描述减毒活疫苗和三价灭活流感疫苗的特异性免疫特征（朱等人，2010年；布卡萨斯等人，2011年；中谷等人，2011年）。此外，已鉴定出使用不同流感疫苗配方接种后引发的早期基因特征（中谷等人，2011年）。类似的方法也已应用于黄热病以及引起重大传染病的病原体，如恶性疟原虫、人类免疫缺陷病毒（HIV），结核分枝杆菌（综述见马尔茨多夫等人，2015年）。

利用下一代测序（NGS）、定量质谱和新型单细胞分选技术所产生的数据，为理解潜在的复杂细胞和分子相互作用提供了独特的机会，这些相互作用是B细胞和T细胞反应产生的基础。此外，质谱流式细胞术（CyTOF）技术能够将多组学数据与不同免疫细胞亚群的表型信息进行整合。这些整体性方法已被用于描述感染或疫苗接种后诱导产生的完整B细胞库和T细胞谱型。对于通过诱导病原体特异性抗体来提供保护性免疫的疫苗（这类疫苗占已获批疫苗的绝大多数），分离和表征抗原特异性B细胞产生的抗体库已变得至关重要。该过程还能够准确概述抗体成熟过程，并有助于制定有效的策略，在体细胞突变开始之前启动表达种系编码抗体的B细胞前体。此外，该过程在生成具有治疗特性的功能性单克隆抗体方面也起到了关键作用（Galson等，2014），并总体上助力新疫苗的设计。例如，针对破伤风类毒素疫苗，已揭示了与血清抗体反应相关的B细胞特异性库模式（Lavinder等，2014）。通过保护性免疫接种诱导的B细胞库解析，结合抗原特异性B细胞的单细胞分选以及重组抗体技术，为生成功能活性的重组人源抗体提供了一个强大的平台（Rappuoli等，2016）。此外，强有力的手段还包括结构蛋白质组学技术，如X射线晶体学和冷冻电子显微镜。整合这些技术生成的高分辨率数据，有助于识别诱导功能性抗体的保护性抗原/表位构象，从而重新指导或优化疫苗设计过程。此类方法的相关研究成果已被用于人类免疫缺陷病毒（HIV）和呼吸道合胞病毒（RSV）疫苗抗原的最优设计（综述见，Rappuoli等，2016）。最后，另一个有趣的研究疫苗诱导抗体反应特征的方法是将血清蛋白质组学与多种功能/生化检测相结合，这种方法可以解析疫苗接种所诱导的多克隆体液免疫反应，Chung等人在HIV疫苗研究中已采用此方法（Chung等，2015）。

新型疫苗的理性开发还需要深入了解其作用机制。事实上，解析先天免疫和适应性免疫之间的相互作用网络，有助于开发能够选择性地靶向所需免疫反应且预期反应原性更低的疫苗。这一点对于大多数采用高度纯化的病原体亚单位或重组抗原的现代疫苗尤为重要，因为这些疫苗需要使用佐剂或适当的递送系统来增强和延长所需的免疫反应。已有多种系统生物学方法被用于理解已获批用于人类疫苗所诱导特异性免疫激活的机制（Pulendran，2014）。最近，这些方法已被用于研究和比较不同佐剂的作用机制，从而鉴定出疫苗接种后血液中迅速诱导产生的早期分子特征，这些分子特征与保护性免疫反应相关并可预测免疫效果，或与更好的疫苗安全性相关（综述见，Olafsdottir等，2015）。一个直接的比较不同佐剂（无论是已获批的还是处于临床和临床前开发阶段的），确定了它们共有的或特有的分子特征、通路和网络（马尔茨多夫等人，2015年；奥拉夫斯多蒂等人，2016）。此外，还有研究致力于了解基于病毒载体的递送系统相关的细胞病变效应，这些病毒载体已使用数十年来递送异源抗原，因其能够诱导效应CD8T细胞，例如减毒痘苗病毒或痘病毒以及腺病毒（综述见，马尔茨多夫等人，2015年）。

计算方法不仅有助于疫苗研发过程，还为研究其他参数对疫苗应答的影响开辟了途径，例如环境和生活方式因素、预先存在的免疫状态、慢性感染、代谢、地理定位或其他非经典因素（曼尼克等人，2014；Pulendran，2014；里斯等人，2016）。例如，已发现预先存在的免疫力、性别或年龄相关因素会影响对乙型肝炎疫苗和流感疫苗的反应（弗尔曼等人，2014；富瓦里等人，2016）。微生物群也是影响疫苗接种所引发免疫反应的重要因素（沃克，2016）。对这些参数的分析进一步增加了在疫苗开发过程中需要管理、整合并合理解释的数据的多样性和规模，推动了个性化疫苗策略的发展。

总体而言，整合大数据的系统生物学方法已经彻底改变了疫苗学研究，并提供了新工具来指导和加速研发过程。然而，仍有一些领域需要进一步努力。例如疟疾、结核病和Chlamydia感染等疾病的疫苗，其保护性免疫并不依赖于功能性抗体的产生，而是基于抗原特异性CD8和CD8T细胞以及不同的T淋巴细胞亚群。造成这一知识空白的一个可能原因在于，出于伦理和可行性原因，大多数研究通常仅分析血液中的免疫反应，而功能性T细胞主要存在于发挥其保护功能的组织中。对于这些情况，当条件允许时，合理利用感染动物模型有助于识别具有保护作用的分子和细胞特征。此外，充分挖掘临床试验数据是另一个未来可改进的方向。应结合高通量技术，以实现对与保护性疫苗接种相关联的分子特征进行建模，从而建立可靠的保护性关联指标，预测疫苗效果并监测安全性。这些方法可综合考虑多种生物标志物、免疫学读数以及可能影响特定人群亚群疫苗接种效果的生活方式和环境变量参数。对来自遗传学、转录组学、蛋白质组学、单细胞分析、免疫原性、毒理学和有效性研究的数据进行正确整合与解释，将切实加快疫苗开发进程并降低成本，同时反向优化初始疫苗设计过程。为实现这一目标，一个重要挑战在于如何协调、处理和分析来自异质技术和数据来源的大数据。从而提供有用的解释。事实上，从一开始，组学方法就伴随着生物信息学工具和数据库的发展，以支持疫苗选择。这些工具包括用于序列分析、抗原拓扑结构和表位预测的工具（何等人，2010a）。例如，Vaxign是首个基于反向疫苗学策略的基于网络的疫苗设计程序（何等人，2010b）。目前正持续开发各种方法和数据库，用于存储、挖掘和查询从组学和文献注释中积累的大数据，以支持疫苗研究。收集的数据包括基因组学、转录组学、蛋白质组学、代谢组学、功能免疫学，以及有关保护性抗原、DNA疫苗等方面的大量信息。除了这些面向研究的数据来源外，其他重要的疫苗相关数据库还收集来自上市后疫苗的疫苗安全性和疫苗不良事件（VAE）报告（如可在www.vaers.hhs.gov获取的疫苗不良事件报告系统），有助于建立特定不良事件与特定疫苗接种之间的关联。其他研究数据库也有助于克服疫苗学中的瓶颈（综述见何，2014）。

结论

生物医学数据从定义上就具有高多样性和异质性；可能的测量多样性直接取决于生物学研究的多个层次。产生这些数据的生物学层次包括基因组学、转录组学、蛋白质组学（来自较为传统的组学方面）、组织或单细胞特异性、成像以及对大量参数的临床量化，且通常随时间重复进行。与生物学相关联的是表型层，即影响健康状况、疾病和个体特征的一系列生理读数。个人临床参数也被收集并通常存储在电子健康记录（EHRs）中，同时还有其他任何医疗处理信息。传统上属于实验学科的生命科学领域，即几年前还完全依赖湿性实验工作的领域，如今已被数据所淹没，几乎所有的实验室技术都已实现数字化，并可进行数值量化。我们正在持续产生和收集越来越多且形式多样的数据，因此除了4V之外，必须增加另一个“V”：价值。

拥抱大数据范式是否真的有价值？数据并非因其规模大就是好数据，因此大数据本身并不具备价值。只有在通过合理努力从海量数据中提取出简单、易于理解且可能新颖并具有可操作性的信息时，这种附加值才真正存在并可被感知。如果信息能够分别用于形成进一步的假设或做出医疗决策，则该信息在研究和临床中具有可操作性。事实上，不断增长的数据量和多样性挑战着人类认知能力，过多的数据无法用于知情决策。人类认知能力与数据可用性之间存在显著差距。

根据临床表型做出决策或有根据的推测是传统医疗保健的一个显著特征，但如今以及未来的生物医学科学需要依赖多种数据，通过计算方法进行分析和整合，最终总结为少量富含信息的注释片段，以产生新的可操作知识，从而实现增强的决策能力（Figure1）。

在此背景下，数据整合对生物医学科学具有至关重要的意义。我们可以描述至少两种不同的整合场景：横向整合和纵向整合，它们并不一定以严格分离的方式发生。横向整合（来自独立来源的多种数据）更常应用于基础研究和学术界。公共数据库和已发布数据集的存储库是研究的宝贵资源，可用于寻找相关性、验证假设以及确认自身结果。整合过程通常需要计算生物学家、生物信息学家或计算机科学家所具备的计算技能，并且通常会占用研究工作的大量时间。纵向整合（跨单个组织产生的数据）对制药行业尤为重要，因为这些行业经常生成和处理不同类型的 数据，但却难以甚至无法在个人或部门孤岛之外使用 数据。这些困难不仅源于技术层面，还可能来自组织和决策方面的问题。

最后，数据收集需要经过整理和质量控制，然后以易于重复使用和复现的方式发布和共享：FAIR原则的提出（Bourne et al., 2015; Wilkinson et al., 2016）强调了数据实践应优先考虑的四个关键方面：科学界：发布的数据应具有可发现性、可访问性、互操作性和可重用性。

2017年秋季，华盛顿大学西雅图校区由生物学家卡尔·伯格斯特罗姆和信息科学家杰文·韦斯特开设的一门课程，在课程大纲一经公布后几分钟内便迅速报满：该课程的暂定标题颇具讽刺意味地指出了在大数据时代处理信息时的错误方式（伯格斯特罗姆和韦斯特，2017）。尽管该课程旨在教授学生识别各种领域中虚假与薄弱论点的能力，但其中也包含了关于大数据和科学发表偏倚的专门讲座。其中一个核心观点是，严谨的科学应当警惕所谓的“大数据傲慢”，即常常隐含地认为大数据可以替代传统的数据收集与分析方法：教科书式的案例便是谷歌流感趋势项目（拉泽等人，2014），该项目声称仅通过追踪互联网用户对流感相关术语的搜索行为，就能预测季节性流感暴发；然而事实证明，其预测效果远不如一个基于局部温度的简单模型可靠。科学界有时会陷入数据过拟合的问题，这是数据分析中的常见隐患，即使用过多参数去拟合特定数据集，并过度贴合训练数据（用于推导模型的数据集），从而导致所推断出的模型可能具有人为的模糊性。一种常见且警示性的迹象却被忽视过多的现象是出现奇怪的相关性，尽管“相关性不代表因果关系”这一原则早已广为人知并被接受（奥尔德里奇，1995）。

在我们所处的量化时代，许多分析人员的梦想是将每一个信号都简化为一种通用的度量标准，从而使其更容易整合和比较。将生理现象简化为定量信号以及测量生物数量的能力，在某种程度上实现了人类的首次数字化：通过这种方式，我们得以提出问题，并期望能够对健康与疾病了解得更多。但正如J. 德里达在其1967年的《论文字学》中所述：“没有外在于文本的东西”（il n’y a pas de hors‐ texte）。换句话说，我们接收到的一切都经过了解释，无论我们如何努力剥离所有解释层次，我们都无法连接到一个未经解释的现实。我们需要模型来解释现实，也需要模型将现实拟合到能够进行预测的事物上。天气、健康、生物学、行为以及金融市场都是依靠数据点建立模型来进行预测的。数据点越多，预测就越准确。

总之，如果我们希望使生物医学科学成为富有成效的大数据科学，并使精准医学成为现实，我们不仅要应对计算方法和基础设施可扩展性方面的技术挑战，还需要真正实现富有成效的数据整合，重点关注数据治理、数据共享政策、数据整理和标准化等问题。