experiment-tracking

name	experiment-tracking
description	实验追踪与管理助手，帮助科研人员记录、组织和管理实验数据。支持电子实验记录本（ELN）最佳实践、实验版本控制、数据溯源、FAIR数据原则。当用户需要：(1) 记录实验流程和参数、(2) 管理实验数据和结果、(3) 追踪实验版本和变更、(4) 确保实验可重复性时触发。关键词：实验记录、lab notebook、实验管理、数据追踪、实验版本控制。
license	Apache-2.0

实验追踪与管理助手

帮助科研人员系统化地记录、组织和管理实验数据，确保研究的可重复性和可追溯性。

核心功能

1. 电子实验记录本（ELN）最佳实践

2. 实验版本控制

3. 数据溯源与元数据管理

4. FAIR 数据原则实施

工作流程

第一步：实验设计与计划

在开始实验前，记录完整的实验设计：

# 实验记录模板

## 实验信息
- **实验编号**: EXP-2026-001
- **实验日期**: 2026-04-06
- **实验人员**: [姓名]
- **实验目的**: [简要描述实验目标]

## 实验设计
- **假设**: [研究假设]
- **变量**:
  - 自变量: [列出自变量及其水平]
  - 因变量: [列出因变量]
  - 控制变量: [列出需要控制的变量]
- **样本量**: [样本数量及计算依据]
- **分组**: [实验组、对照组设计]

## 材料与试剂
| 名称 | 规格/型号 | 批号 | 供应商 | 浓度/用量 |
|------|-----------|------|--------|-----------|
|      |           |      |        |           |

## 设备仪器
| 设备名称 | 型号 | 编号 | 校准日期 | 备注 |
|----------|------|------|----------|------|
|          |      |      |          |      |

## 实验步骤
1. [详细步骤1]
   - 参数设置：
   - 预期时间：
   - 注意事项：

2. [详细步骤2]
   ...

## 数据记录计划
- **原始数据格式**: [文件格式]
- **数据存储位置**: [路径/服务器]
- **备份策略**: [备份频率和位置]

第二步：实验执行与实时记录

实时记录原则

1. 即时性：实验过程中立即记录，不要事后补录
2. 完整性：记录所有操作，包括失败和意外情况
3. 客观性：如实记录观察结果，不做主观判断
4. 可追溯性：记录时间戳、操作人员、设备参数

# Python 实验记录辅助工具
import json
import datetime
from pathlib import Path

class ExperimentLogger:
    """实验记录工具类"""

    def __init__(self, experiment_id, output_dir="./experiments"):
        self.experiment_id = experiment_id
        self.output_dir = Path(output_dir)
        self.output_dir.mkdir(parents=True, exist_ok=True)
        self.log_file = self.output_dir / f"{experiment_id}_log.json"
        self.logs = []

    def log_event(self, event_type, description, **kwargs):
        """记录实验事件

        Args:
            event_type: 事件类型 (start, step, observation, issue, end)
            description: 事件描述
            **kwargs: 额外参数（如温度、时间、浓度等）
        """
        event = {
            "timestamp": datetime.datetime.now().isoformat(),
            "type": event_type,
            "description": description,
            **kwargs
        }
        self.logs.append(event)
        self._save_logs()
        print(f"[{event['timestamp']}] {event_type.upper()}: {description}")

    def log_parameters(self, **params):
        """记录实验参数"""
        self.log_event(, , parameters=params)

     ():
        
        .log_event(, observation, measurement=measurement)

     ():
        
        .log_event(, issue, resolution=resolution)

     ():
        
         (.log_file, , encoding=)  f:
            json.dump({
                : .experiment_id,
                : .logs
            }, f, indent=, ensure_ascii=)

     ():
        
        md_file = .output_dir / 
         (md_file, , encoding=)  f:
            f.write()
             log  .logs:
                f.write()
                f.write()
                   log:
                    f.write()
                     k, v  log[].items():
                        f.write()
                f.write()


logger = ExperimentLogger()
logger.log_event(, )
logger.log_parameters(
    temperature=,
    CO2_concentration=,
    medium=,
    cell_density=
)
logger.log_observation()
logger.log_issue(, resolution=)
logger.log_event(, )
logger.export_markdown()

第三步：数据管理与组织

数据组织结构

project-name/
├── README.md                 # 项目总体说明
├── experiments/              # 实验记录目录
│   ├── EXP-001/
│   │   ├── protocol.md       # 实验方案
│   │   ├── log.json          # 实验日志
│   │   ├── raw_data/         # 原始数据
│   │   │   ├── sample1.csv
│   │   │   └── sample2.csv
│   │   ├── processed_data/   # 处理后数据
│   │   └── analysis/         # 分析脚本和结果
│   │       ├── analysis.ipynb
│   │       └── figures/
│   ├── EXP-002/
│   └── ...
├── data/                     # 共享数据
│   ├── reference/            # 参考数据
│   └── metadata/             # 元数据
├── code/                     # 共享代码和脚本
│   ├── preprocessing/
│   ├── analysis/
│   └── utils/
└── docs/                     # 文档
    ├── protocols/            # 标准操作规程
    └── notes/                # 研究笔记

元数据标准

使用 JSON 格式记录实验元数据：

{
  "experiment_id": "EXP-2026-001",
  "title": "细胞毒性实验：化合物A对HeLa细胞的影响",
  "date": "2026-04-06",
  "researcher": {
    "name": "张三",
    "orcid": "0000-0001-2345-6789",
    "affiliation": "某大学生物系"
  },
  "project": "抗癌药物筛选",
  "keywords": ["细胞毒性", "HeLa细胞", "化合物A", "MTT"],
  "materials": [
    {
      "name": "化合物A",
      "cas_number": "123-45-6",
      "supplier" 
       
       
    
  
   
    
       
       
       
       
    
  
   
     
     
     
  
   
    
    
  
    
   
   

第四步：版本控制与变更追踪

Git 版本控制最佳实践

# 初始化 Git 仓库
git init
git lfs install  # 安装 Git LFS 用于大文件管理

# 配置 .gitignore
cat > .gitignore << 'EOF'
# 临时文件
*.tmp
*.log
*~

# 大型原始数据文件（使用 Git LFS）
*.nd2
*.tif
*.czi
*.lif

# Python
__pycache__/
*.pyc
.ipynb_checkpoints/

# R
.Rhistory
.RData

# 系统文件
.DS_Store
Thumbs.db
EOF

# 配置 Git LFS 追踪大文件
git lfs track "*.tif"
git lfs track "*.nd2"
git lfs track "*.csv"

# 提交实验记录
git add experiments/EXP-001/
git commit -m "EXP-001: 初始细胞毒性实验

- 测试化合物A对HeLa细胞的影响
- 浓度梯度: 0, 1, 10, 100 μM
- 时间点: 24, 48, 72 小时
- 方法: MTT assay"

# 标记实验版本
git tag -a EXP-001-v1.0 -m "EXP-001 实验完成版本"

实验变更日志

# 实验变更日志 - EXP-2026-001

## v1.2 - 2026-04-08
**变更类型**: 方案修订
- **变更内容**: 增加72小时时间点
- **原因**: 初步结果显示效应延迟
- **影响**: 需要额外样本和测量
- **审批**: 导师已批准

## v1.1 - 2026-04-07
**变更类型**: 问题修正
- **变更内容**: 更换培养基批号
- **原因**: 原批号培养基污染
- **影响**: 可能影响结果一致性，需在分析中注明
- **决策**: 继续实验，但标注批号变更

## v1.0 - 2026-04-06
**初始版本**: 实验方案确定

第五步：FAIR 数据原则实施

FAIR 原则

• Findable（可发现）：数据有唯一标识符和丰富元数据
• Accessible（可访问）：数据可通过标准协议访问
• Interoperable（可互操作）：数据使用标准格式和词汇
• Reusable（可重用）：数据有清晰的使用许可和来源

# FAIR 数据元数据生成工具
import json
from datetime import datetime
from pathlib import Path

class FAIRMetadata:
    """FAIR数据元数据管理"""

    def __init__(self):
        self.metadata = {
            "@context": "https://schema.org/",
            "@type": "Dataset",
            "dateCreated": datetime.now().isoformat(),
            "version": "1.0"
        }

    def add_basic_info(self, name, description, keywords):
        """添加基本信息（Findable）"""
        self.metadata.update({
            "name": name,
            "description": description,
            "keywords": keywords,
            "identifier": f"doi:10.xxxx/{name.lower().replace(' ', '-')}"
        })

    def add_creator(self, name, orcid=None, affiliation=None):
        """添加创建者信息"""
        creator = {"@type": "Person", "name": name}
        if orcid:
            creator["@id"] = f"https://orcid.org/{orcid}"
        if affiliation:
            creator[] = {: , : affiliation}
        .metadata[] = creator

     ():
        
        distribution = {
            : ,
            : format_type
        }
         url:
            distribution[] = url
        .metadata[] = distribution

     ():
        
        licenses = {
            : ,
            : ,
            : 
        }
        .metadata[] = licenses.get(license_type, license_type)

     ():
        
        .metadata[] = technique

     ():
        
         (output_file, , encoding=)  f:
            json.dump(.metadata, f, indent=, ensure_ascii=)


fair = FAIRMetadata()
fair.add_basic_info(
    name=,
    description=,
    keywords=[, , , ]
)
fair.add_creator(, orcid=, affiliation=)
fair.add_distribution(format_type=, url=)
fair.add_license()
fair.add_measurement_technique()
fair.save()

数据备份策略

3-2-1 备份原则

• 3 份数据副本：1 个原始 + 2 个备份
• 2 种不同存储介质：本地硬盘 + 云存储
• 1 份异地备份：防止物理灾难

# 自动备份脚本示例
#!/bin/bash

# 配置
PROJECT_DIR="/path/to/project"
BACKUP_LOCAL="/path/to/backup/drive"
BACKUP_CLOUD="user@cloud-server:/backup"
TIMESTAMP=$(date +%Y%m%d_%H%M%S)

# 创建备份
tar -czf "${BACKUP_LOCAL}/backup_${TIMESTAMP}.tar.gz" "${PROJECT_DIR}"

# 同步到云端
rsync -avz "${BACKUP_LOCAL}/" "${BACKUP_CLOUD}/"

# 保留最近30天的备份
find "${BACKUP_LOCAL}" -name "backup_*.tar.gz" -mtime +30 -delete

echo "Backup completed: ${TIMESTAMP}"

常用工具推荐

电子实验记录本（ELN）工具

工具	类型	特点	适用场景
Jupyter Lab	开源	代码+文档结合，支持多种语言	计算密集型实验
RSpace	商业/学术免费	符合GLP/GMP规范，签名和审计追踪	需要合规性的实验室
LabArchives	商业	云端协作，移动端支持	团队协作
Benchling	商业	生物学专用，质粒和序列管理	分子生物学实验室
eLabFTW	开源	自托管，完全控制数据	注重隐私的实验室
SciNote	开源/商业	项目管理集成	多项目管理

数据管理工具

# 常用Python数据管理库
import pandas as pd          # 数据处理
import openpyxl              # Excel 读写
import h5py                  # HDF5 大数据存储
import zarr                  # 云优化的数组存储
import dvc                   # 数据版本控制（需单独安装）

# 示例：使用 HDF5 存储大型实验数据
import h5py
import numpy as np

with h5py.File('experiment_data.h5', 'w') as f:
    # 创建数据集
    f.create_dataset('raw_images', data=raw_images, compression='gzip')

    # 添加元数据属性
    f.attrs['experiment_id'] = 'EXP-2026-001'
    f.attrs['date'] = '2026-04-06'
    f.attrs['instrument'] = 'Nikon Ti2-E'

    # 分组组织数据
    grp = f.create_group('processed')
    grp.create_dataset('segmented', data=segmented_images)
    grp.create_dataset('measurements', data=measurements)

实验可重复性检查清单

在发表或分享实验结果前，确保：

• 实验方案完整记录，包含所有关键参数
• 所有试剂和材料有批号和供应商信息
• 设备型号、编号和校准日期已记录
• 原始数据已备份（至少2个不同位置）
• 数据处理步骤有文档或代码记录
• 分析代码可执行（包含依赖项和版本信息）
• 元数据符合 FAIR 原则
• 实验变更有记录和说明
• 异常情况和问题已记录
• 数据和代码有版本标签

常见问题与解决方案

Q1: 如何处理实验失败？

A: 失败的实验同样有价值！记录：

• 失败的具体表现
• 可能的原因分析
• 采取的排查步骤
• 最终解决方案或未解决原因

Q2: 原始数据应该保存多久？

A: 建议：

• 发表论文相关数据：至少10年
• 专利相关数据：至少20年
• 临床试验数据：遵循法规要求（通常15-25年）
• 参考所在机构和期刊的数据保存政策

Q3: 如何处理敏感数据？

A:

• 使用加密存储（BitLocker, VeraCrypt）
• 限制访问权限
• 匿名化个人信息（HIPAA, GDPR合规）
• 记录数据访问日志
• 定期安全审计

Q4: 团队协作时如何避免数据冲突？

A:

• 使用版本控制系统（Git）
• 建立文件命名规范
• 使用协作平台（SharePoint, Google Drive）
• 定期同步和备份
• 明确数据所有权和编辑权限

参考资源

• FAIR Data Principles
• Data Management Plans
• Jupyter Best Practices
• Git for Scientists
• Ten Simple Rules for Reproducible Research