The HuBMAP Framework for Advancing Data FAIRness

Resumo Técnico: O Framework HuBMAP para o Avanço da FAIRness de Dados

Declaração do Problema
Apesar da ampla adoção dos Princípios Orientadores FAIR (Encontrável, Acessível, Interoperável, Reutilizável) desde 2016, a comunidade científica enfrenta obstáculos significativos para operacionalizar esses princípios em fluxos de trabalho rotineiros. O desafio primário reside na ausência de uma infraestrutura padronizada e funcional capaz de transformar diversos dados experimentais em um ecossistema verdadeiramente FAIR. Sem tal framework, o valor potencial de conjuntos de dados de grande escala e multi-institucionais permanece irrealizado devido a inconsistências nos metadados, na organização dos dados e nos protocolos de compartilhamento.

Metodologia
Para enfrentar esses desafios, o consórcio Human Bio-Molecular Atlas Program (HuBMAP) dos Institutos Nacionais de Saúde dos EUA (NIH) desenvolveu um framework abrangente, centrado em metadados. Aproveitando uma escala massiva de mais de 10.000 conjuntos de dados gerados por mais de 40 instituições através de 50 tipos diversos de ensaios — incluindo sequenciamento de célula única e ômicas espaciais 2D/3D — o HuBMAP estabeleceu uma infraestrutura padronizada. O núcleo desta metodologia envolve:

• Padrões de Relato Endossados pela Comunidade: O desenvolvimento de esquemas de metadados bem definidos e harmonizados entre vários tipos de ensaios. Esses esquemas definem estritamente os metadados associados aos conjuntos de dados e a organização dos arquivos de dados correspondentes.
• Integração ao Ciclo de Vida: Esses padrões são aplicados ao longo de todo o ciclo de vida da pesquisa, garantindo a documentação do processo de coleta de dados, dos próprios dados e dos métodos de empacotamento utilizados para o compartilhamento.
• Conformidade e Tecnologia: O framework integra tecnologia para fomentar a adesão a esses padrões, garantindo ao mesmo tempo a conformidade estrita com a Lei de Portabilidade e Responsabilidade de Seguros de Saúde (HIPAA).
• Implementação de Fluxo de Trabalho: Os investigadores utilizam um fluxo de trabalho simplificado de ponta a ponta que impõe esses padrões de metadados antes da liberação dos dados.

Principais Contribuições
A principal contribuição deste trabalho é a criação e implementação de um ecossistema FAIR escalável que consegue unir a lacuna entre os princípios teóricos e a aplicação prática. As principais saídas técnicas incluem:

• Esquemas de Metadados Harmonizados: Um conjunto unificado de padrões de relato que acomoda a complexidade de diversas tecnologias ômicas, mantendo a consistência.
• O Portal de Dados HuBMAP e o Atlas de Referência Humana: As plataformas operacionais onde os dados em conformidade com o FAIR são disseminados para a comunidade aberta.
• Fluxo de Trabalho Replicável: Um procedimento documentado de ponta a ponta que prioriza a integridade dos metadados, servindo como um modelo para outros consórcios.

Resultados
A implementação deste framework permitiu que o HuBMAP gerasse e disseminasse dados FAIR em grande escala. O sistema gerencia com sucesso a complexidade de mais de 10.000 conjuntos de dados de uma ampla gama de instituições e tipos de ensaios. Ao impor esses padrões de relato, o consórcio garante que os dados não sejam apenas conformes com as regulamentações de privacidade (HIPAA), mas também totalmente documentados e organizados para interoperabilidade e reutilização. O fluxo de trabalho provou ser eficaz em transformar dados brutos e heterogêneos em um recurso coeso e acessível via Portal de Dados.

Significância e Alegações
O artigo postula que o framework HuBMAP serve como um modelo prático para outras comunidades científicas que visam maximizar o valor de conjuntos de dados variados que abordam questões de pesquisa compartilhadas. A significância deste trabalho é evidenciada por sua adoção e adaptação pelo consórcio NIH Cellular Senescence Network (SenNet), que replicou e aprimorou o fluxo de trabalho de ponta a ponta do HuBMAP. Os autores enfatizam que esta tecnologia está disponível como código aberto, permitindo que outros grupos utilizem estes procedimentos comprovados para alcançar a "FAIRness" dos dados sem a necessidade de reinventar a infraestrutura. O artigo alega modestamente que esta abordagem demonstra como fluxos de trabalho padronizados e centrados em metadados podem superar os desafios operacionais da implementação de dados FAIR.