Colaboração em Investigação: Partilha Entre Instituições

A partilha de ficheiros em investigação entre instituições requer um canal que trate datasets à escala de terabytes, respeite acordos de uso de dados e IRB divergentes, e sobreviva às políticas de rede em cada laboratório parceiro. O Globus Online domina a ponta de alto desempenho para laboratórios nacionais que movem mais de 10 TB de dados de genómica ou física via GridFTP a 40 Gbps. Para manuscritos, datasets intermédios e transferências ad hoc abaixo de 50 GB, um link encriptado de conhecimento zero supera os anexos de e-mail e as pastas Dropbox partilhadas. O RGPD — aplicado pela CNPD em Portugal — e as Recomendações 01/2020 do EDPB exigem que a transferência transfronteiriça de dados de investigação com dados pessoais identifique a base legal adequada e implemente medidas suplementares quando necessário. O texto cifrado atravessa as firewalls institucionais sem que a equipa de TI de ninguém precise de colocar contas na lista de autorização ou federar identidades.

Acordos de Uso de Dados e Restrições IRB

Um Acordo de Uso de Dados (DUA) entre, digamos, a Universidade de Lisboa e o Instituto Max Planck especifica quais os datasets que podem sair, para quem, de que forma e por quanto tempo. Antes de qualquer coisa se mover, verifique que o DUA cobre o dataset específico (não apenas "dados de investigação"), o destinatário específico (laboratório da Dr. Chen, não "Max Planck"), e o local de armazenamento após a transferência.

Ao abrigo de um DUA padrão, os Conjuntos de Dados Limitados desidentificados ainda requerem encriptação em trânsito e em repouso. Os dados identificáveis completos geralmente acionam um Acordo de Associado Empresarial ao abrigo do HIPAA se houver PHI envolvido, regido por 45 CFR 164.504(e). Mantenha o PDF assinado junto aos seus registos de transferência.

RGPD Artigo 46.º e Transferências Internacionais

Mover dados de investigação de um parceiro da UE para um colaborador dos EUA atravessa uma fronteira de transferência do RGPD. Após o acórdão Schrems II, são necessárias salvaguardas do Artigo 46.º — tipicamente Cláusulas Contratuais Padrão (versão de junho de 2021) assinadas por ambas as instituições, complementadas por uma Avaliação de Impacto da Transferência.

A pseudonimização ao abrigo do Artigo 4.º(5) — substituindo nomes por códigos mantidos separadamente — reduz substancialmente a categoria de risco. Encripte com AES-256-GCM e mantenha a chave do lado da UE até que o ambiente de análise do colaborador cumpra as normas da UE — o que praticamente significa alojar o texto cifrado em qualquer lugar, mas entregar as chaves apenas após confirmar que o enclave do destinatário está bloqueado.

Para investigação realizada em Portugal com financiamento europeu (FCT, Horizonte Europa), os planos de gestão de dados devem documentar as transferências transfronteiriças e as suas bases legais antes da submissão do projeto.

Tamanhos de Dataset e Escolhas de Protocolo

Uma única sessão de cryo-EM produz 2 TB de micrografias .mrc brutas. Uma fatia AOD do Grande Colisor de Hadrões atinge 500 GB. Os ficheiros BAM de sequenciação do exoma inteiro ficam em torno de 10 GB por amostra, e uma coorte de 500 amostras atinge 5 TB. A estas escalas, o HTTPS via um separador do browser é doloroso — quer fluxos paralelos e pontos de controlo com retoma.

O Globus fornece transferências endpoint-a-endpoint com repetição automática e verificação de checksum (MD5 ou SHA-256), e o seu modelo de disparar-e-esquecer deixa uma transferência correr durante 18 horas pelo Atlântico sem um investigador a supervisioná-la. O Aspera (IBM) usa aceleração UDP FASP e atinge 10 Gbps numa ligação com 200 ms de latência onde as ferramentas baseadas em TCP lutam. Para qualquer coisa abaixo de 10 GB, um único link encriptado através de um serviço como o HexaTransfer ou SwissTransfer é mais rápido de configurar do que solicitar um endpoint Globus.

Workflows de Colaboração em Manuscritos

Os manuscritos fluem de forma diferente dos datasets. Um rascunho de submissão para a Nature em LaTeX com figuras incorporadas pesa 50 MB; após revisão por pares, as alterações rastreadas dos revisores, tabelas Excel suplementares e uma prova PDF aumentam para 400 MB. O Overleaf e o Authorea tratam a colaboração LaTeX em tempo real entre instituições com histórico de versões suportado por Git.

Envie o pacote de submissão final como um tarball encriptado único — os revisores e editores não precisam dos seus comentários de rascunho ou iterações de figuras anteriores. Para preprints com destino ao arXiv, bioRxiv ou SSRN, o carregamento é público por design, pelo que a encriptação é irrelevante — mas a transferência de co-autores para o autor de submissão antes disso ainda deve ser bloqueada, especialmente para resultados sob embargo.

Controlo de Versões para Datasets: DVC, Git LFS e DataLad

O Git LFS trata ficheiros até 5 GB no GitHub com um modelo de largura de banda pago por GB acima das quotas do nível gratuito. O DVC (Data Version Control) armazena ficheiros grandes num backend S3, Google Cloud Storage ou Azure Blob e só faz commit do hash. O DataLad, popular em neurociências, envolve o git-annex e sincroniza entre fronteiras institucionais enquanto rastreia quem tem qual revisão localmente.

Para uma colaboração de três instituições num dataset fMRI partilhado, o DataLad dá a cada laboratório um clone leve com ponteiros — os 4 TB de ficheiros NIfTI em formato BIDS ficam num bucket S3, e os investigadores extraem apenas os sujeitos que estão a analisar. Os hashes de commit produzem os mesmos recibos de reprodutibilidade que se esperaria do código fonte.

Autenticação Entre Federações

O InCommon, eduGAIN e a categoria de entidade Research and Scholarship deixam um investigador do Max Planck iniciar sessão num recurso alojado em Stanford usando o seu IdP de origem. As asserções SAML 2.0 transportam um pacote mínimo de atributos (eduPersonPrincipalName, afiliação, nível de garantia) para que o sistema de Stanford saiba que o Dr. Schmidt é um membro do corpo docente verificado sem Stanford gerir a sua palavra-passe.

Para serviços fora da federação — ferramentas de transferência comerciais, plataformas na nuvem — os iDs ORCID funcionam como identificador de investigador portátil. Exija dois fatores (TOTP, WebAuthn, ou chaves de hardware FIDO2) para qualquer conta que toque dados identificáveis de sujeitos humanos. Em Portugal, o sistema de autenticação do RCAAP (Repositório Científico de Acesso Aberto de Portugal) integra autenticação federada para repositórios institucionais.

Controlos de Exportação e ITAR

Nem todos os dados de investigação podem legalmente atravessar fronteiras. A investigação de defesa controlada pelo ITAR (algoritmos de encriptação em algumas categorias, tecnologia de satélites, designs de munições) e os itens de dupla utilização do EAR requerem licenciamento antes da exportação. Uma colaboração de física em sistemas de propulsão com um parceiro na China pode ser completamente bloqueada ao abrigo de 15 CFR Parte 744.

Se os seus dados estiverem sob EAR99 ou forem "investigação fundamental" ao abrigo do NSDD-189, geralmente está isento — mas o gabinete de aconselhamento jurídico da instituição, não o investigador principal, toma essa decisão. Os serviços de transferência que operam servidores em vários países podem não satisfazer os requisitos de "sem acesso de pessoas estrangeiras"; verifique se o seu fornecedor pode fornecer um atestado de que apenas a infraestrutura de determinada jurisdição tratou a carga útil.

Configuração Prática para um Consórcio Multi-Site

Um consórcio U01 do NIH de três países tipicamente funciona com: (1) um centro coordenador de dados central que aloja a cópia autorizada numa HPC institucional ou AWS GovCloud, (2) endpoints Globus em cada site membro para movimento de datasets em volume, (3) REDCap para metadados clínicos com exportação conforme com HIPAA, (4) GitHub ou GitLab para código de análise com DVC/Git LFS para artefactos intermédios, e (5) um serviço de transferência encriptada para partilhas únicas de manuscritos, figuras e subsets exploratórios que não justificam uma configuração de endpoint.

Chamada mensal de coordenação para reconciliar o que está onde.

Experimente em hexatransfer.com — gratuito, sem conta, máximo de 10 GB. Para o dataset suplementar de 8 GB ad hoc que o seu colaborador em Tóquio precisa antes do prazo de quinta-feira, cole, encripte, envie, feito.