学术报告: brainlife.io: 支持神经科学研究的去中心化和开源云平台

背景与动机

神经科学研究正在快速发展，数据标准化、管理与处理工具的提升使得研究变得更加严谨和透明。然而，这也带来了复杂的数据流水线，实现”FAIR”原则（Findable, Accessible, Interoperable, Reusable，译为”可查找、可访问、可互操作和可重复使用”）的过程增加了潜在的障碍。传统上，一些有关神经影像学的研究可以在单一实验室内完成，但如今的研究往往需要数百个小时的数据测量，跨越多个参与者、实验室和数据模型。

数据背景

本文中所描述的brainlife.io平台旨在通过支持数据标准化、管理、可视化和处理，来简化和民主化神经影像学研究。这个平台自动追踪数千个数据对象的起源历史，使得大型数据集的处理更加透明和高效。

论文来源

本文由Soichi Hayashi, Bradley A. Caron及其团队撰写，团队成员来自Indiana University, University of Texas, Vanderbilt University等多个研究机构。论文发表于2024年5月11日，在《Nature Methods》杂志上发表。

研究流程

工作流设计

研究团队开发了brainlife.io平台以简化复杂的数据处理流水线，类似于Google的MapReduce算法。首先，通过预处理步骤并行提取功能激活、白质地图、脑网络或时间序列数据等兴趣特征。随后使用预配置的Jupyter Notebook进行分析和生成图形。

平台架构

1. 数据导入：通过https://brainlife.io/datasets导入数据集并支持主要数据标准。
2. 数据管理与存储：数据管理围绕”项目”进行，使用安全仓储系统。
3. 数据处理：使用自动化的微服务和去中心化的数据管理进行处理，各步骤内追踪数据对象ID、应用程序版本和参数集。
4. 特征提取和分析：提取统计特征并进行分析，生成”整洁数据（Tidy data）”结构。
5. 结果发布：通过科学调查发布结果、代码和数据。

平台使用方式

使用Brainlife.io平台，研究者可以上传和分析来自MRI、MEG和EEG系统的数据。数据通过安全系统管理，并可以使用版本控制的应用程序进行预处理和可视化。

样本与数据来源

研究使用了来自三个数据集（PING, HCP, Cam-CAN）共1800多名参与者的数据，这些数据跨越了七个年龄段（3-88岁）。研究验证了平台在不同数据模式下的科学实用性。

实验与结果

实验一：数据处理和特征提取

使用brainlife.io对三个数据集的参与者进行处理和绘制寿命轨迹图，包括脑区体积、白质束FA（分数各向异性），结果与以往研究相一致。通过brainlife.io, 不同数据集能被整合识别出已建立的脑寿命轨迹。

实验二：结果复制与推广

创建应用程序来估计皮质厚度和组织方向分散指数（ODI），测试HCP1200数据集，验证负相关关系，同时推广到Cam-CAN数据集。此外，复制了Hason等人的发现，即生活压力与两侧海马前回的白质组织结构相关。

实验三：临床检测

检测眼疾对视放射白质的影响：对比患星状视网膜病患者、脉络膜肿瘤患者及健康对照组，发现不同病类型的白质组织变化正好对应其对视网膜中央或外围退化的特定模式。

结论

本文通过brainlife.io平台，展示了其在验证、可靠性、可重复性和科学实用性方面的显著性能，特别是在处理大数据神经科学研究中的应用价值。该平台不仅推动了研究简化，更加剧了透明性、公平性和效率。

研究亮点

1. 民主化工具与数据：brainlife.io使得中低收入国家和小型机构的研究者也能使用先进的神经科学分析工具。
2. 开放科学社区的支柱：基于开放科学的理念，提供免费、安全和可重复的神经科学数据分析。
3. 去中心化与自动化管理：平台基于微服务方法，自动化和去中心化的数据管理与处理。

价值与意义

brainlife.io平台推动了对脑疾病的理解，加速了科学研究进展，使得神经科学研究更加普及化。平台结合全球社区的数据存储、计算资源与科研人员，促进了研究和教育合作，推动脑科学的进步和治疗方法的发现。

附注与支持

brainlife.io由包括NIH NIBIB和NSF在内的多个项目资助，并获得了Microsoft Investigator Fellowship等支持。研究代码、公用软件库、数据集等都公开在https://brainlife.io/docs 提供综合教程和视频演示等支持。