Gestão de dados na genómica e transcriptómica de abelhas (Apis mellifera)

Como gerir terabytes de dados genómicos sem perder integridade nem eficiência?

Que papel desempenham os repositórios institucionais na investigação em larga escala?

De que forma os princípios FAIR transformam a investigação em genómica?

Quais são os maiores desafios na coordenação de equipas que produzem e analisam dados massivos?

DESCRIÇÃO

O grupo de investigação desenvolve projetos que envolvem a sequenciação em larga escala do genoma (DNA) e do transcriptoma da abelha. Entre os principais projetos encontram‑se MEDIBEES e Better‑B, que abrangem milhares de indivíduos, e o projeto BEE3Pomics, dedicado ao estudo do transcriptoma. A equipa responsável pela análise de dados é constituída por cinco elementos e trabalha com volumes muito elevados de informação, frequentemente na ordem dos terabytes.

A gestão de dados constitui um desafio central. Os dados brutos fornecidos pelas empresas de sequenciação são armazenados no cluster do IPB (https://cedri.ipb.pt/about/cluster), com mecanismos que garantem duplicação e integridade. Estes dados são organizados em pastas com permissões de leitura para todos os membros da equipa, sem possibilidade de modificação, assegurando que o raw data permanece inalterado.

O processamento e a análise são efetuados em contas individuais, sendo os resultados finais duplicados e organizados em diretórios partilhados. Para fins de publicação, os dados genéticos são depositados em repositórios disciplinares, como o NCBI Sequence Read Archive (SRA). As análises integram igualmente genomas externos disponíveis no SRA. Sempre que adequado, informação adicional é disponibilizada em materiais suplementares.

TRÊS LIÇÕES APRENDIDAS

O planeamento é essencial
A definição de um plano de gestão de dados antes do início do projeto é fundamental para evitar redundâncias, clarificar responsabilidades e garantir eficiência ao longo de todo o ciclo de vida dos dados. O planeamento deve incluir a definição de acessos, a escolha das plataformas tecnológicas, a estrutura de organização da informação e os procedimentos de backup e preservação. Este processo não deve ser encarado apenas como uma exigência das entidades financiadoras, mas como uma prática estruturante para assegurar qualidade, consistência e continuidade no trabalho científico.

Os repositórios institucionais são estratégicos
A utilização de plataformas institucionais, como o dados.ip.pt, revela‑se crucial para uma gestão eficaz e sustentável dos dados de investigação. Estas ferramentas facilitam o controlo de versões, promovem a colaboração entre equipas e permitem a atribuição de identificadores persistentes (DOI), contribuindo para uma maior transparência e organização. Além disso, simplificam a preparação de artigos científicos, a elaboração de relatórios para entidades financiadoras e o cumprimento de requisitos de partilha e preservação.

Os princípios FAIR são indispensáveis
A adoção dos princípios FAIR (Findable, Accessible, Interoperable, Reusable) aumenta significativamente a transparência, a reprodutibilidade e o impacto da investigação. Dados bem documentados, acessíveis e interoperáveis facilitam a sua reutilização por outros investigadores, ampliam o alcance dos resultados e reforçam a credibilidade científica. Integrar estes princípios desde as fases iniciais do projeto permite uma gestão mais robusta e alinhada com as melhores práticas internacionais.

TRÊS DESAFIOS FUTUROS

Integração total da equipa
É fundamental assegurar que todos os membros do grupo utilizam o repositório institucional de forma consistente e integrada. A adoção desigual destas plataformas reduz significativamente a sua utilidade e compromete a eficiência da gestão de dados. A utilização sistemática por toda a equipa promove transparência, evita duplicações e reforça a continuidade do trabalho, sobretudo em projetos de longa duração ou com elevada rotatividade de investigadores.

Planos de gestão de dados robustos
A elaboração de planos de gestão de dados que sejam simultaneamente aceites pelas entidades financiadoras e úteis para a equipa de investigação continua a ser um desafio. Estes planos devem ser suficientemente estruturados para garantir conformidade e qualidade, mas também flexíveis para acompanhar a natureza dinâmica dos projetos. Apesar da sua importância, ainda existe apoio limitado para o desenvolvimento destes documentos, que exigem competências técnicas, tempo e coordenação entre diferentes intervenientes.

Ferramentas para monitorização global
A implementação de sistemas institucionais de acompanhamento — semelhantes a plataformas como o GitLab — é essencial para monitorizar prazos, entregas, DOIs e deliverables, assegurando uma gestão integrada e reduzindo o risco de perda de informação. Embora os repositórios desempenhem um papel central na preservação e partilha de dados, não são suficientes para garantir o acompanhamento operacional dos projetos, especialmente no contexto de iniciativas europeias, que exigem níveis elevados de reporte, rastreabilidade e coordenação.

CINCO QUESTÕES SOBRE GDI

Como define, implementa e avalia as práticas de gestão de dados de investigação?

As práticas de gestão de dados de investigação assentam na definição de regras claras para armazenamento, processamento, análise, preservação e partilha. No domínio da genómica, a integridade dos dados brutos é considerada crítica; por esse motivo, os ficheiros são armazenados em duplicado, preferencialmente em locais físicos distintos, e protegidos contra qualquer tipo de alteração. Os objetivos de cada projeto orientam o dimensionamento do espaço necessário, a seleção das ferramentas e a distribuição de responsabilidades. Encontra‑se em implementação um conjunto de procedimentos que inclui a centralização de todos os ficheiros — desde relatórios de qualidade até resultados finais — na plataforma dados.ipb.pt, permitindo o acompanhamento das tarefas e a reutilização de informação. Adicionalmente, recorre‑se ao GitLab para definição de tarefas, prazos e responsáveis, promovendo transparência e eficiência na organização do trabalho.

Quais os principais benefícios dessas práticas?

A adoção de práticas estruturadas de gestão de dados proporciona benefícios significativos ao processo de investigação. A organização clara dos ficheiros facilita a identificação de análises concluídas e de tarefas pendentes, contribuindo para uma gestão mais eficiente e para um trabalho colaborativo mais integrado e transparente.

A redução de redundâncias constitui outro benefício relevante, uma vez que análises intermédias podem ser reutilizadas em diferentes fases do projeto, poupando tempo e recursos. A verificação por vários membros diminui a probabilidade de erros, aumentando a qualidade e a consistência dos resultados.

A existência de informação organizada acelera igualmente a redação de artigos científicos e de relatórios para entidades financiadoras, tornando estes processos mais eficazes. No conjunto, estas práticas otimizam a utilização dos recursos disponíveis e reforçam a fiabilidade e o impacto da investigação.

Em que medida a gestão de dados de investigação contribui para a otimização do processo de investigação?

A gestão eficiente de dados contribui para eliminar repetições desnecessárias, reduzir o consumo de espaço e tempo e agilizar a produção científica. A partilha de scripts entre equipas ou entre membros da mesma equipa constitui um exemplo prático dessa otimização, ao maximizar o conhecimento coletivo e evitar trabalho redundante.

Para que tal seja possível, é essencial que os scripts estejam devidamente anotados e documentados, permitindo a compreensão dos procedimentos e a sua reutilização por qualquer investigador.

A possibilidade de reutilizar análises intermédias em diferentes etapas do projeto aumenta a eficiência global e reduz o esforço duplicado. Assim, estas práticas otimizam simultaneamente os recursos computacionais e humanos e aceleram o avanço científico.

Que vantagens e condicionantes aponta na partilha de dados de investigação?

A partilha de dados contribui para acelerar o progresso científico e aumentar a transparência. No campo da genómica, os mesmos dados podem ser utilizados para responder a questões diversas, maximizando o retorno do investimento público. A partilha também reforça a visibilidade dos investigadores e potencia oportunidades de colaboração e reconhecimento académico.

Entre as condicionantes mais frequentes encontra‑se a insuficiência de metadados, que dificulta a integração e reutilização dos dados em diferentes contextos. Ainda assim, na área da genética, as práticas de partilha encontram‑se relativamente consolidadas, sendo a deposição de dados em repositórios disciplinares uma exigência comum.

De que forma os diferentes atores envolvidos no processo de investigação estão comprometidos com a gestão de dados de investigação?

O investigador principal é responsável pela elaboração de planos de gestão de dados que ultrapassem o mero cumprimento formal das exigências das entidades financiadoras e que contribuam efetivamente para a organização e eficiência do projeto. É igualmente essencial que todos os membros da equipa sigam as recomendações definidas nesses planos, nomeadamente no que respeita à partilha e organização dos dados em repositórios públicos e institucionais, assegurando transparência e acessibilidade.

As instituições desempenham um papel determinante ao disponibilizar recursos organizacionais e financeiros que facilitem a implementação destas práticas. O investimento em repositórios e ações de formação constitui um contributo relevante e poderá evoluir para incluir apoio direto ao planeamento e à gestão de projetos, promovendo processos mais claros e eficientes.

A inclusão de unidades curriculares dedicadas à gestão de dados, especialmente ao nível do doutoramento, é igualmente considerada uma medida importante para garantir que os futuros investigadores compreendem a relevância destas práticas e as aplicam de forma consistente.