ClarID:生物医学元数据集成的人类可读和紧标识符规范

科学领域:

• 生物医学信息学 生物医学信息学
• 数据管理数据管理
• 基因组学就是基因组学.

背景情况:

• 生物医学研究经常使用对象和生物标本的简单ID (例如,UUID),缺乏嵌入式语义信息.
• 对上下文元数据 (组织类型,诊断) 的单独存储使数据整合,队列选择和分析复杂化.
• 现有的结构化条形码系统往往局限于特定的联盟或领域,缺乏统一的,可扩展的框架.

研究的目的:

• 开发一个域异性规范 (ClarID),用于创建对受试者和生物标本的统一,人类和机器可读的标识符.
• 将关键的上下文元数据直接嵌入到这些标识符中,提高数据可追溯性和可访问性.
• 为生成,解码和验证这些结构化标识符提供一个开源工具 (ClarID-Tools).

主要方法:

• 开发了ClarID,这是一个支持人类可读和紧的"stub"标识符格式的规范.
• 实现了ClarID-Tools,这是一个开源命令行工具,使用YAML代码库处理表格元数据 (CSV/TSV).
• 该工具生成,解码和验证标识符,包括QR码功能,支持批量和单个样本处理.

主要成果:

• 将ClarID应用于基因组数据共享 (GDC) 数据集,为超过113,000份临床记录和4,255份生物标本记录生成可解释的标识符.
• 证明了ClarID在从现有数据集中创建结构化,可解释的标识符的实用性.
• 所有材料,包括脚本和数据,都是公开的,可以通过GitHub和Google Colab复制.

结论:

• 通过将上下文嵌入到结构化标识符中,ClarID弥合了不透明的登录号和丰富的元数据方案之间的差距.
• 克拉里德框架提高了数据可追溯性,简化了下游分析,并通过可配置的代码库提供了适应性.
• 开源的ClarID-Tools软件免费提供,包括全面的文档和可重复的管道.