idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Wie sich Forschungsdaten Schritt für Schritt FAIR aufbereiten lassen – also auffindbar, zugänglich, interoperabel und wiederverwendbar –, zeigen Forschende des Deutschen Zentrums für Diabetesforschung (DZD) und der Universitätsmedizin Greifswald in einer neuen Publikation. Am Beispiel des DZDBasisdatensatzes vergleichen sie unterschiedliche FAIRificationWorkflows, bewerten ihre Stärken und Herausforderungen und geben konkrete Empfehlungen für die wissenschaftliche Community.
In der klinischen Forschung entstehen umfangreiche und vielfältige Daten – etwa zu Blutwerten, Körpermaßen oder Vorerkrankungen. Ihr volles Potenzial entfalten diese Daten jedoch nur, wenn sie auffindbar, zugänglich, interoperabel und wiederverwendbar sind. Diese Eigenschaften werden durch die FAIRPrinzipien – findable, accessible, interoperable, reusable – beschrieben (FAIRification). Die FAIRPrinzipien erleichtern nicht nur den Datenaustausch zwischen Forschungsgruppen, sondern ermöglichen auch schnellere Vergleiche, neue Erkenntnisse und eine effizientere Nutzung vorhandener Ressourcen. Damit bildet FAIRification die Grundlage für eine nachhaltige Nutzung klinischer Forschungsdaten. Das DZD arbeitet daher intensiv daran, Daten aus der Diabetesforschung bundesweit zu standardisieren und auch für andere medizinische Fragestellungen nutzbar zu machen.
DZDBasisdatensatz – ein wichtiger Schritt zu FAIRen Forschungsdaten
Doch welche Arbeitsschritte sind nötig, um Daten FAIR aufzubereiten? Das DZD hat mit seinem Basisdatensatz für Diabetes- und Metabolismusforschung einen wichtigen Schritt in Richtung FAIRification gemacht. Unter einer offenen Lizenz werden im DZD Basisdatensatz zentrale Parameter der klinischen Diabetesforschung interoperabel für die nationale und internationale Nachnutzung zur Verfügung gestellt.
Um weiteren Forschenden den Weg zu FAIRen Daten zu erleichtern, hat das DZD in Zusammenarbeit mit der Universitätsmedizin Greifswald die unterschiedliche Arbeitsabläufe zur FAIRification von Daten am Beispiel des DZD Basisdatensatzes systematisch beschreiben und vergleichen. Die Studie leitet Mindestanforderungen ab, die Aufwand und Kosten reduzieren können. Die Autor:innen beschreiben wie FAIRifizierung effizienter gestaltet werden kann und wo zukünftige Optimierungen möglich sind. Viele der gewonnenen Erkenntnisse sind auch auf andere klinische Datensätze übertragbar.
FAIRifikation von Beginn an planen
Da die nachträgliche FAIRification sehr aufwendig ist, sollten Forschungsprojekte stets bereits von Anfang an FAIR geplant werden – inklusive Infrastruktur und klar abgestimmter Prozesse zwischen allen Beteiligten“, betont Dr. Lars Oest, Leiter Bioinformatik und Datenmanagement am DZD. Zur Automatisierung semantischer Anreicherung und zur Integration prospektiver Data-Management-Pläne bedarf es jedoch weiterer Forschung.
Angela Dedié
Bioinformatik und Datenmanagement
089 3187-48600
dedie@dzd-ev.de
Thea Inau , Angela Dedié, Ivona Anastasova et al. : »Lessons learned from implementing FAIRification workflows in diabetes research in Germany”. PLOS. Digital Health (2026), DOI: https://doi.org/10.1371/journal.pdig.0001139.
Criteria of this press release:
Journalists
Medicine
transregional, national
Research results, Transfer of Science or Research
German
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
