74.7 万人的健康数据库，最难保存的不是 DNA，而是“我为什么愿意交出来”

一个人交出的，从来不只是一串碱基

参加一个长期健康研究，动作可能很简单：签署同意书，填写问卷，允许研究计划读取病历，提供血液或唾液样本。实验室最终得到的是序列、指标和编码后的记录。可对参与者来说，他交出去的并不是一份抽象数据。他交出了多年前一次住院、家族中某种疾病、居住环境、收入压力、睡眠习惯，以及未来可能被重新解释的身体信息。

2026 年 6 月 30 日，美国国立卫生研究院宣布 All of Us 研究计划发布迄今规模最大的数据版本 CDRv9。官方材料称，注册研究者可使用来自超过 747,000 名参与者的数据，其中包括超过 535,000 份全基因组序列，与近 482,000 份电子健康记录相连。新版本首次加入近 10,000 名参与者的蛋白组数据、近 9,000 人的 RNA 测序数据，以及超过 14,500 人的长读长全基因组序列。

这些数字令人想到一座巨大的仓库，但数据库真正的能力来自连接。基因组可以告诉研究者某些遗传差异，电子病历记录诊断、检查和治疗，问卷补充生活与社会环境，可穿戴设备和身体测量则带来时间性的变化。只有把它们放在一起，研究者才可能追问：一个遗传风险在什么环境中变得重要，同一种治疗为何对不同人产生不同结果。

NIH 将这次发布称为全球最大的整合基因组与电子病历数据库。报道可以保留这个官方主张，同时必须问清口径：这里的“大”指参与者数量、基因组与 EHR 的连接规模，不等于每一种数据都在每个人身上齐全，也不等于样本天然代表世界人口。

精密医疗为什么需要非常多人

“为每个人定制”听起来像把镜头对准个体，科学路径却常常相反。要识别一个罕见遗传变异与疾病之间的关系，需要在巨大人群里找到足够案例；要判断环境、行为和基因如何共同作用，也需要覆盖不同年龄、地区和生活条件。

小样本容易把偶然当规律。传统生物医学研究还长期过度依赖部分祖源、城市和大型医疗中心的人群，导致在其他群体中风险估计与模型性能下降。All of Us 把多样性视为核心目标。NIH 公告称，此次可用数据中超过 645,000 名参与者、约 86%，来自历史上在生物医学研究中代表不足的社区；参与者覆盖美国各州和领地，以及超过 98% 的三位邮编区域。

但“来自代表不足社区”是计划采用的广义分类，包含老年人、女性、残障人士、不同种族族裔和农村居民等，并不意味着每个具体群体都达到充分样本。一个总体百分比也可能遮住内部差异。研究者仍要检查：某种疾病所需的人群是否足够，病历完整度是否在地区间不同，谁提供了基因组却没有长期随访，谁有可穿戴数据但医疗记录缺失。

代表性不是招募完成时一次性盖章。参与者会退出、搬家、换医院，数据源会新增或中断。数据库每次更新都需要重新描述覆盖与缺口，模型也要在目标人群中外部验证。大样本降低部分统计不确定性，却不能消除选择偏差和测量偏差。

把不同世界连起来，错误也会被连起来

全基因组序列通常有明确技术流程，电子病历却是在照护过程中产生的。病历字段不是专为研究设计：同一疾病可能有不同编码，诊断日期可能是首次记录而非真正发病，药物记录不代表按时服用。不同医院的系统、保险与就诊习惯还会影响哪些信息留下。

问卷则依赖记忆和愿意披露的程度。可穿戴设备数据受设备型号、佩戴时间和充电习惯影响。蛋白组与 RNA 数据又有样本处理、平台和批次效应。多组学连接不是把几张表按身份号拼起来，而是不断解释每个字段在什么条件下生成。

因此，研究者工作台的价值不只在云端算力，也在统一的数据字典、质量说明、版本记录和分析环境。注册研究者可以在受控平台中使用数据，减少把敏感资料下载到个人设备的需要。但云端并不会自动使分析公平。计算费用、方法训练和团队经验仍会决定谁能把数据变成可靠研究。

NIH 表示数据向注册研究者免费开放，这降低了获取门槛。真正的可及性还应衡量小型院校能否承担计算、是否有培训和技术支持、研究问题是否由社区共同提出，而不只是大型机构从远处分析他人的生活。

去标识不等于再也认不出来

健康与基因组数据通常经过编码和去标识处理，研究者不直接看到姓名。但基因组具有高度独特性，与地区、年龄或公开家系信息结合时，重新识别风险不能被当成零。电子病历、问卷和可穿戴时间线越丰富，数据越有研究价值，也越可能形成独特组合。

治理因此需要多层防护：身份验证、研究用途审查、最小权限、日志记录、输出检查、违规处罚和持续安全监测。研究者不仅要遵守不能重新识别的规则，也要避免在小样本结果中意外暴露个人或群体。平台还需清楚说明数据版本、访问者和允许的研究范围。

参与者的同意也不是一次点击后永远不变。十年前无法预见今天的多组学和 AI 分析，今天也无法列出未来所有用途。长期计划要让人知道新增了什么数据、产生了什么研究、如何撤回未来使用、已经进入既有研究的数据怎样处理。透明度不能只在招募页面存在。

All of Us 已向参与者返还部分个体化健康相关 DNA 结果。NIH 公告称，超过 277,000 名参与者收到了超过 733,000 份结果。返还不是简单把实验室文件交回去；结果可能需要确认、解释与遗传咨询，也可能影响家庭成员。研究数据库在这里从“取数据”变成一段持续关系。

论文数量不是公众回报

官方材料称 All of Us 数据已支持超过 1,400 篇同行评议论文，并有近 23,000 名研究者使用。它们说明平台活跃，却不能直接证明参与者因此更健康。论文到临床工具之间还要经过复现、外部验证、试验、监管和实际部署。

评价公共数据库，应同时看科学产出与分配结果：哪些研究解决了代表不足群体关心的问题，模型是否在不同人群中可靠，社区能否理解研究结果，商业机构如何使用数据，错误和伤害怎样被报告。一个项目可以在论文数量上成功，却让参与者不知道自己的贡献去了哪里。

大数据库还会形成议程权力。容易被编码、样本充足的问题更容易研究；难以结构化的生活经验、地方环境与照护障碍可能继续被忽略。研究者需要把缺失视为一种事实：数据里没有出现的人和经历，不应被模型默认为不存在。

信任是一种必须持续维护的数据

回到那个签署同意书的人。他可能永远不会读到使用自己数据的论文，也不一定从研究中获得直接治疗。参与的理由往往是希望未来有人得到更好的答案。这个承诺无法靠一次招募完成。

All of Us 的规模提供了前所未有的研究地图。地图越大，维护信任的责任也越大：说明谁能访问，承认哪些地方空白，报告研究如何回到社区，允许参与者持续提问和改变决定。

DNA 可以被长期保存，信任不会。它需要在每次数据发布、每个研究项目和每次结果返还中重新获得。精密医疗最深的基础设施，也许不是测序仪或云平台，而是让一个人多年以后仍能回答：我知道数据去了哪里，也仍然愿意参与。

怎样判断下一版数据库变得更好

下一次数据发布，最醒目的数字仍会是参与者和样本量。更完整的成绩单应该同时公开几组变化。第一组是覆盖：不同数据模态分别有多少人，交叉连接后还剩多少，各类群体的完整度是否相近。没有这些分母，研究者很容易把某一模态的总量误当成全库共有特征。

第二组是质量：电子病历的时间跨度、关键字段缺失率、不同机构编码一致性、组学批次与技术平台。质量指标不需要暗示数据库有问题；它们让使用者知道哪些分析可承担，哪些结论必须降级。版本之间若改变清洗或定义，还要同时提供影响说明，让旧研究能够被重新理解。

第三组是治理：研究项目按机构与主题怎样分布，访问申请和违规处理如何运行，参与者撤回和咨询数量是多少，严重安全事件是否发生。公开治理数据会带来压力，却也能让“信任”从口号变成可观察的工作。

第四组是回报：研究发现是否在目标人群中得到复现，是否产生经验证的临床工具，社区是否参与研究问题和结果解释。这里不能要求每个参与者都得到直接收益，但应让公众看到从贡献到知识、从知识到应用的路径，以及其中失败或停滞的部分。

还应记录谁没有进入。招募渠道、数字设备、语言和医疗系统接触都会影响参与机会。数据库可以通过社区合作、线下支持和多语言材料扩大覆盖，也要承认某些人因隐私、历史伤害或现实负担选择不参加。拒绝参与不是等待被纠正的“数据缺口”，而是一种应被尊重的决定。

最后，研究者需要避免把代表性变成机械配额。一个群体人数增加，未必解决内部异质性；同一标签下的人可能拥有不同祖源、地区、收入、照护经验。更好的数据库不是让每个人都变成表格中的一行，而是让研究在使用分类时清楚说明它压缩了哪些差异。

来源与边界

• 核心数字来自 NIH 2026-06-30 CDRv9 官方公告；平台治理背景来自 All of Us 官方网站与 Researcher Workbench。
• “全球最大”为 NIH 按整合基因组与 EHR 规模提出的官方表述；本文不把规模等同于自动准确或临床获益。
• 本文不提供个人基因、疾病风险或医疗建议；关于治理和信任的段落为基于项目结构的编辑分析。