隨著數據規模呈指數級增長，神經科學家面臨著一個緊迫的問題：是應該保留所有原始數據，還是更專注于處理后的數據集？為了探討這一議題，麻省理工大學麥戈文腦研究所的科學家Nima Dehghani，向15位實驗與理論研究專家征集了意見。
Nima Dehghani專注于神經科學、理論物理學和人工智能的交叉領域，他的研究旨在理解大腦的復雜動態系統及其功能。在他看來，理解原始數據與處理數據之間的權衡，對于最大化數據利用至關重要。
近年來，神經科學領域的技術進步，如神經像素探針和光片顯微鏡，極大地擴展了從大腦中記錄信息的能力。然而，這些技術也帶來了前所未有的數據量挑戰。單次實驗就可能產生數PB的數據，遠超以往處理能力的極限。
原始數據因其完整性和未經篩選的特點，成為某些研究不可或缺的資源。例如，尖峰分類算法可能從看似背景噪聲的活動中提取出有意義的信息。原始數據還能增強科研的透明性和可重復性，并作為訓練人工智能模型的重要素材。
然而，處理后的數據在科研生態系統中同樣扮演著關鍵角色。經過預處理的數據，如尖峰分類、濾波或去卷積處理后的數據，更便于共享和使用。這不僅能減輕研究人員的負擔，還能促進不同專家在不同研究階段的協作。
盡管如此，存儲原始數據的成本高昂，且訪問龐大的數據集對研究者來說也是一項挑戰。為了應對這些問題，一些實驗室開始采用“延遲加載”等策略，僅在必要時訪問數據部分，但這需要復雜的數據管理基礎設施。
在探討如何平衡原始數據與處理數據的需求時，多位專家提出了各自的觀點。例如，紐約大學醫學院的Zhe Sage Chen認為，能夠訪問原始數據和處理后數據對于開發新的分析工具至關重要。他強調，同時保留兩種格式的數據集，并進行對比分析，是一種有效的方法。
另一方面，西班牙卡哈爾研究所的Liset M. de la Prida指出，全面記錄實驗數據和代碼的文檔對于數據共享至關重要。她強調，理解數據的細微差別對于推廣研究結果極為關鍵。
波士頓大學生物醫學工程系的Anna Devor則強調了數據預處理的重要性。她指出，原始實驗數據中常常存在“瑕疵”，如實驗對象的運動、儀器噪聲等，這些都需要通過預處理來去除。
紐約大學神經科學系的André Fenton分享了他的經驗。他表示，盡管現代技術使得從神經像素數據中提取大量神經元單元成為可能，但存儲原始數據仍然至關重要。他強調，許多改進和錯誤糾正都是在數據收集多年后才發現的。
麻省理工學院麥戈文腦研究所的Satrajit Ghosh則從數據管理的角度提出了思考。他指出，神經科學原始數據和元數據的復雜性給數據生產者帶來了巨大的資源挑戰。因此，需要審慎決定哪些數據該留存，哪些可舍棄。
斯坦福大學神經生物學系的Lisa Giocomo強調了推動數據共享和基礎設施改進的重要性。她認為，這不僅能增強研究的透明性和可重復性，還能確保實驗數據的科學價值被最大化。
總體而言，神經科學家們在原始數據與處理數據之間尋求平衡的過程中，面臨著諸多挑戰和機遇。通過合作與技術創新，他們正努力克服這些障礙，以推動神經科學的進一步發展。
