BioBricks.ai: un registro de datos con versiones para los activos de datos de ciencias de la vida

Área de la Ciencia:

• La Biomedicina
• Salud pública
• La bioinformática
• Ciencia de los datos

Sus antecedentes:

• Los investigadores biomédicos y de salud pública se enfrentan a retrasos significativos debido a la adquisición, limpieza e integración de datos manuales de varias fuentes.
• Este proceso manual conduce a ineficiencias, descubrimientos lentos y flujos analíticos inconsistentes.

Objetivo del estudio:

• Introducir BioBricks.ai, un repositorio abierto y centralizado diseñado para agilizar el acceso y la integración de conjuntos de datos biológicos y químicos públicos.
• Proporcionar paquetes de datos modulares y controlados por versiones (ladrillos) con tuberías de extracción-transformación-carga (ETL) integradas.

Principales métodos:

• Desarrolló BioBricks.ai como un sistema de repositorio DVC Git para conjuntos de datos públicos.
• Implementó una interfaz similar al administrador de paquetes para la instalación de datos, la administración de dependencias y las actualizaciones.
• Establecido un backend unificado para la entrega de datos.

Principales resultados:

• El lanzamiento actual ofrece más de 90 conjuntos de datos curados en genómica, proteómica, quimioinformática y epidemiología.
• La combinación de ladrillos de forma programática permite el ensamblaje rápido de cohortes analíticas de varios conjuntos de datos, reduciendo el tiempo de días a minutos.
• Se ha demostrado una aceleración significativa en el acceso y la integración de datos en comparación con los métodos tradicionales.

Conclusiones:

• BioBricks.ai acelera el acceso a los datos, mejora la reproducibilidad del flujo de trabajo y reduce las barreras para integrar conjuntos de datos públicos heterogéneos.
• La plataforma fomenta las contribuciones de la comunidad y reduce los esfuerzos redundantes de ingeniería al tratar los datos como software controlado por versión.
• El trabajo futuro ampliará la cobertura de datos y el seguimiento automatizado de la procedencia para mejorar las prácticas de datos FAIR.