研究コラボ:機関を越えたファイル共有

機関を越えた研究ファイル共有には、テラバイト規模のデータセットを処理し、各パートナーラボで異なるIRBとデータ利用協定を尊重し、すべての施設のネットワークポリシーを生き延びるファイルチャンネルが必要だ。個人情報保護法（APPI）と個人情報保護委員会（PPC）は、人を対象とする医学系研究に関する倫理指針とともに、研究データの越境移転に法的枠組みを提供する。Globus Onlineは国立研究所が GridFTP で40Gbpsの10TB以上のゲノミクス・物理学データを転送するハイパフォーマンス分野を独占している。原稿・中間データセット・50GB以下のアドホック転送には、ゼロ知識暗号化リンクがメール添付や共有Dropboxフォルダを凌ぐ。

データ利用協定とIRBの制約

スタンフォード大学とマックスプランク研究所の間のデータ利用協定（DUA）は、どのデータセットが離れていいか、誰に対して、どの形式で、いつまでかを特定する。転送前に、DUAが特定のデータセット（「研究データ」だけでなく）、特定の受信者（陳博士のラボ、「マックスプランク」ではなく）、転送後の保存場所をカバーしていることを確認する。標準的なFederal Demonstration Partnership DUAの下では、仮名化されたLimited Data Setでも転送時・保存時の暗号化が必要だ。PHIが含まれる完全な識別可能データは通常、45 CFR 164.504(e)に基づくHIPAAのビジネスアソシエイト契約を発動する。

GDPRと国際転送の取扱い

EUパートナーから米国共同研究者へのデータ移転はGDPR転送境界を越える。Schrems II以降、第46条の保護措置——通常は両機関が署名した標準契約条項（2021年6月版）に移転影響評価を加えた形——が必要だ。EU-US Data Privacy Frameworkは米国受信者が商務省を通じて自己認証すれば十分性の根拠を提供する。GDPR第4条(5)に基づく仮名化（別途保持されるコードで名前を置き換える）はリスクカテゴリーを大幅に下げる。AES-256-GCMで暗号化し、EUの共同研究者の分析環境がEU基準を満たすことを確認するまで鍵をEU側に保持する。

データセットサイズとプロトコルの選択

単一のクライオ電子顕微鏡セッションは2TBの生.mrcマイクログラフを生成する。LHCのAODスライスは500GBになる。全エクソームシーケンシングBAMファイルは1サンプルあたり約10GBで、500サンプルのコホートは5TBに達する。

これらのサイズではブラウザのHTTPSは厳しい。Globusはエンドポイント間転送で自動リトライとチェックサム（MD5またはSHA-256）を提供し、研究者が付きっ切りにならず18時間の大西洋横断転送を完了させる。Aspera（IBM）はFASP UDPアクセラレーションを使い、TCPベースのツールが苦戦する200msレイテンシのリンクで10Gbpsに達する。10GB以下のものには、HexaTransferのような暗号化転送リンクの方がGlobusエンドポイントの設定要求より速くセットアップできる。https://hexatransfer.com で無料・アカウント不要・最大10GBで利用できる。

原稿コラボレーションワークフロー

原稿はデータセットとは異なる流れを持つ。埋め込み図付きのNature投稿草稿はLaTeXで50MB；査読後、レビュアーのトラック変更、補足Excelテーブル、PDF校正を経ると400MBに膨らむ。OverleafとAuthoreaはGitバックのバージョン履歴で機関をまたいだリアルタイムLaTeXコラボレーションを処理する。最終提出バンドルは単一の暗号化tarballとして送る——レビュアーと編集者は草稿コメントや初期図稿の繰り返しを必要としない。arXiv・bioRxiv・SSRNへのプレプリントはアップロードが公開設計なので暗号化は不要——ただし共著者から投稿者への事前の転送は、特に embargo 下の知見については引き続き施錠が必要だ。

データセットのバージョン管理：DVC、Git LFS、DataLad

Git LFSはGitHubで最大5GBのファイルを処理する（無料枠を超えると帯域幅課金）。DVCはS3・Google Cloud Storage・Azure Blob バックエンドに大ファイルを保存し、ハッシュのみをチェックインする。DataLadはgit-annexをラップしてID維持しながら機関をまたいで同期し、どのリビジョンをどこで保有しているかを追跡する。神経科学で3機関が共有fMRIデータセットをコラボするとき、DataLadは各ラボに軽量クローンとポインターを提供する——4TBのBIDS形式NIfTIファイルはS3バケットに留まり、研究者が分析しているサブジェクトだけをプルする。

フェデレーションをまたいだ認証

InCommon、eduGAIN、Research and Scholarshipエンティティカテゴリは、マックスプランクの研究者がホームIdPを使ってスタンフォードがホストするリソースにログインできるようにする。SAML 2.0アサーションはミニマムな属性バンドル（eduPersonPrincipalName、所属、保証レベル）を運ぶ。フェデレーション外のサービスにはORCID iDが移植可能な研究者識別子として機能する。識別可能な人を対象とするデータに触れるアカウントには二要素認証（TOTP、WebAuthn、またはFIDO2ハードウェアキー）を要求する。

輸出規制とITAR

すべての研究データが法的に国境を越えられるわけではない。ITAR管理の防衛研究（一部カテゴリの暗号アルゴリズム、衛星技術、兵器設計）とEARデュアルユース品目はライセンスが必要だ。データがEAR99またはNSDD-189の「基礎研究」に該当するなら通常クリアだが、PIではなく法務顧問室が判断する。複数国にサーバーを持つ転送サービスは「外国人アクセスなし」の要件を満たさない場合がある——ベンダーが米国のみのインフラでペイロードを処理したことの証明を提供できるかを確認する。

多拠点コンソーシアムの実用的セットアップ

3カ国NIH U01コンソーシアムは通常次のように運営される。(1) AWS GovCloudまたは機関HPCに正本を保管する中央データ調整センター。(2) メンバー施設ごとのGlobusエンドポイントによる大量データセット移動。(3) HIPAA準拠エクスポートのREDCap。(4) 中間成果物にDVC/Git LFSを使った分析コードのGitHub/GitLab。(5) エンドポイント設定が不要な単発の原稿・図・探索的サブセットの共有のための暗号化転送サービス。

木曜日の締め切りまでに東京の共同研究者が必要とする8GBの補足データセットには、ペースト・暗号化・送信、完了というシンプルな流れが有効だ。