Collaborazione nella ricerca: condividere file tra istituzioni

Il Garante per la protezione dei dati personali ha chiarito che il trasferimento di dati di ricerca verso paesi terzi richiede garanzie equivalenti a quelle previste dal GDPR — e le email con allegati non le offrono. Un canale di condivisione per la ricerca multi-istituzionale deve gestire dataset su scala terabyte, rispettare gli accordi IRB e DUA tra partner, e sopravvivere alle policy di rete di ogni laboratorio. Globus Online domina l'estremo ad alte prestazioni per i laboratori nazionali che spostano oltre 10 TB di genomica o fisica su GridFTP a 40 Gbps. Per manoscritti, dataset intermedi e trasferimenti ad hoc sotto i 50 GB, un link cifrato zero-knowledge supera gli allegati email e le cartelle Dropbox condivise — il testo cifrato attraversa i firewall istituzionali senza che il team IT di nessuno debba inserire account in una whitelist o federare identità.

Accordi sull'uso dei dati e vincoli IRB

Un Data Use Agreement (DUA) tra, ad esempio, l'Università di Bologna e il Max Planck Institute specifica quali dataset possono essere trasferiti, a chi, in quale forma e per quanto tempo. Prima di spostare qualsiasi file, verificare che il DUA copra il dataset specifico (non genericamente "dati di ricerca"), il destinatario specifico (il laboratorio della Dott.ssa Chen, non "Max Planck"), e la posizione di archiviazione dopo il trasferimento. Sotto un DUA standard del Federal Demonstration Partnership, i Limited Data Set de-identificati richiedono comunque crittografia in transito e a riposo. I dati pienamente identificabili che includono PHI attivano un Business Associate Agreement ai sensi dell'HIPAA, disciplinato da 45 CFR 164.504(e). Conservare il PDF firmato insieme ai log di trasferimento.

GDPR Articolo 46 e trasferimenti internazionali

Spostare dati di ricerca da un partner UE a un collaboratore negli Stati Uniti attraversa un confine di trasferimento GDPR. Dopo la sentenza Schrems II, sono necessarie le garanzie dell'Articolo 46 — tipicamente Clausole Contrattuali Standard (versione giugno 2021) firmate da entrambe le istituzioni, integrate da una Transfer Impact Assessment. Il quadro UE-USA per la privacy dei dati, certificato tramite il Dipartimento del Commercio degli USA, fornisce una base di adeguatezza se il destinatario USA si autocertifica. La pseudonimizzazione ai sensi dell'Articolo 4(5) — sostituire i nomi con codici custoditi separatamente — riduce sostanzialmente la categoria di rischio. Cifrare con AES-256-GCM e mantenere la chiave sul lato UE fino a quando l'ambiente di analisi del collaboratore soddisfa gli standard europei: in pratica, ospitare il testo cifrato ovunque, ma cedere le chiavi solo dopo aver verificato che l'enclave del destinatario sia adeguatamente protetta.

Dimensioni dei dataset e scelta dei protocolli

Una singola sessione cryo-EM produce 2 TB di file .mrc grezzi. Una fetta AOD del Large Hadron Collider arriva a 500 GB. I file BAM da sequenziamento whole-exome pesano circa 10 GB per campione, e una coorte di 500 campioni raggiunge i 5 TB. A queste dimensioni, HTTPS tramite browser è impraticabile — servono flussi paralleli e checkpoint ripristinabili. Globus fornisce trasferimenti endpoint-to-endpoint con retry automatico e checksum (MD5 o SHA-256), con un modello fire-and-forget che lascia girare un trasferimento per 18 ore attraverso l'Atlantico senza sorveglianza. Aspera (IBM) usa l'accelerazione UDP FASP e raggiunge 10 Gbps su un collegamento a 200 ms di latenza dove gli strumenti basati su TCP faticano. Per file sotto i 10 GB, un link cifrato tramite un servizio come HexaTransfer o SwissTransfer è più rapido da configurare di una richiesta per un endpoint Globus.

Flussi di collaborazione per manoscritti

I manoscritti si muovono in modo diverso rispetto ai dataset. Una bozza di invio a Nature in LaTeX con figure incorporate pesa 50 MB; dopo la revisione tra pari, le modifiche tracciate dei revisori, le tabelle supplementari in Excel e una bozza PDF arrivano a 400 MB. Overleaf e Authorea gestiscono la collaborazione LaTeX in tempo reale tra istituzioni con cronologia delle versioni su Git. Inviare il pacchetto di submission finale come un unico tarball cifrato — revisori ed editor non hanno bisogno dei commenti sulle bozze né delle versioni precedenti delle figure. Per i preprint destinati ad arXiv, bioRxiv o SSRN, l'upload è pubblico per definizione, quindi la crittografia è irrilevante — ma il trasferimento dai co-autori all'autore che effettua l'invio deve comunque essere protetto, specialmente per risultati sotto embargo.

Controllo delle versioni per dataset: DVC, Git LFS e DataLad

Git LFS gestisce file fino a 5 GB su GitHub con un modello pay-per-GB sopra le quote gratuite. DVC (Data Version Control) archivia i file di grandi dimensioni su backend S3, Google Cloud Storage o Azure Blob e traccia nel repository solo l'hash. DataLad, popolare nelle neuroscienze, avvolge git-annex e sincronizza tra confini istituzionali tenendo traccia di chi ha quale revisione localmente. Per una collaborazione a tre istituzioni su un dataset fMRI condiviso, DataLad offre a ogni laboratorio un clone leggero con puntatori — i 4 TB di file NIfTI in formato BIDS rimangono su un bucket S3, e i ricercatori scaricano solo i soggetti che stanno analizzando. Gli hash dei commit producono le stesse ricevute di riproducibilità che ci si aspetta dal codice sorgente.

Autenticazione tra federazioni

InCommon, eduGAIN e la Research and Scholarship entity category permettono a un ricercatore del Max Planck di accedere a una risorsa ospitata da Stanford usando il proprio IdP istituzionale. Le asserzioni SAML 2.0 trasportano un bundle minimo di attributi (eduPersonPrincipalName, affiliazione, livello di garanzia) in modo che il sistema di Stanford sappia che la Dott.ssa Schmidt è un membro verificato del corpo docente senza che Stanford gestisca la sua password. Per i servizi esterni alla federazione — strumenti di trasferimento commerciali, piattaforme cloud — gli ORCID iD funzionano come identificatore portatile del ricercatore. Richiedere un secondo fattore (TOTP, WebAuthn o chiavi hardware FIDO2) per qualsiasi account che acceda a dati di soggetti umani identificabili.

Controlli sulle esportazioni e ITAR

Non tutti i dati di ricerca possono legalmente attraversare i confini. La ricerca difensiva controllata da ITAR (algoritmi di crittografia in alcune categorie, tecnologia satellitare, progetti di armamenti) e gli articoli dual-use EAR richiedono una licenza prima dell'esportazione. Una collaborazione di fisica su sistemi di propulsione con un partner in Cina può essere bloccata completamente ai sensi di 15 CFR Parte 744. Se i dati rientrano in EAR99 o sono "ricerca fondamentale" ai sensi di NSDD-189, di norma non ci sono problemi — ma è l'ufficio legale, non il PI, a fare questa valutazione. I servizi di trasferimento con server in più paesi possono non soddisfare i requisiti di "nessun accesso da parte di persone straniere"; verificare se il fornitore può fornire un'attestazione che l'infrastruttura solo USA abbia gestito il payload.

Configurazione pratica per un consorzio multi-sede

Un consorzio NIH U01 a tre paesi in genere comprende: (1) un centro di coordinamento dei dati centrale che ospita la copia autorevole su AWS GovCloud o HPC istituzionale, (2) endpoint Globus in ogni sede membro per il movimento bulk di dataset, (3) REDCap per i metadati clinici con esportazione conforme HIPAA, (4) GitHub o GitLab per il codice di analisi con DVC/Git LFS per gli artefatti intermedi, e (5) un servizio di trasferimento cifrato per condivisioni occasionali di manoscritti, figure e sottoinsiemi esplorativi che non giustificano la configurazione di un endpoint. Riunione mensile del coordinatore per riconciliare cosa si trova dove.

Prova HexaTransfer su https://hexatransfer.com — gratuito, nessun account, massimo 10 GB. Per il dataset supplementare da 8 GB che il tuo collaboratore a Tokyo deve ricevere prima della scadenza di giovedì, incolla, cifra, invia: fatto.