オープンポリマーデータセット｜リポジトリによる再利用性の格差と品質課題（2020–2025）

2026年11月1日

BIOENGINEER.ORG

概要

2020年から2025年に公開された53,000件以上のポリマーデータセットを監査した結果、データの再利用性は科学的内容よりも「どのリポジトリに保存したか」に強く依存することが判明しました。リポジトリの選択が再利用スコアの分散の37.9%を説明しており、保存先によって品質に極めて大きな差が生じています。ポリマーインフォマティクスや機械学習モデルの精度は、こうしたオープンデータの再利用性に依存するため、現状の「量だけが増え品質が停滞している」状況は深刻な課題となります。

詳細

主要成果

2020年から2025年にかけて、主要な汎用研究データリポジトリ8件に蓄積された53,038件のポリマーデータセットを対象とした監査の結果、データの再利用性を決定づける最大の要因は、研究者が選択したリポジトリであるという衝撃的な事実が明らかになりました。統計的に、リポジトリの正体が再利用スコア分散の37.9%を説明しており、これは公開年やサブドメイン、サステナビリティに関する枠組みによる影響よりも1桁大きい影響力を持っています。

技術・詳細

本監査では、74個のポリマーおよびサステナビリティ関連キーワードを用いてデータを収集し、FAIR原則（検索可能性、アクセス可能性、相互運用性、再利用可能性）に基づいた11のバイナリ基準でスコアリングを行いました。その結果、メタデータの完備性に深刻な断絶があることが分かりました。

充足している項目（50%以上）： DOI（93.2%）、詳細な抄録（87.4%）、キーワード（86.1%）、ライセンス（82.9%）などの書誌情報。
不足している項目（50%未満）： 測定方法の記述（41.3%）、合成方法の記述（32.2%）、変数のリスト（21.5%）、オープン形式のファイル（10.3%）、識別可能な単位（8.3%）、README（4.3%）、コードへのリンク（1.2%）。

リポジトリ別の格差は顕著で、Dryad、Zenodo、Figshareが高スコア層（中央値5以上）に位置する一方、OSFは中央値1まで低下しました。特にDryadとOSFの比較では、ランダムに抽出したDryadのレコードがOSFのレコードを上回る確率は98.2%に達しています。

背景・業界の文脈

ポリマーインフォマティクスや機械学習モデルの訓練には、オープンに公開されたデータセットの集積が不可欠です。しかし、ポリマー分野にはコミュニティによるデータ寄託を受け付ける専門的なプラットフォームが不足しています。Polymer GenomeやOpenPolyなどは読み取り専用であり、NOMADやMaterials Projectなどの材料科学インフラに含まれるポリマー関連コンテンツは0.1%未満に留まっています。そのため、研究者は事実上、あらゆる分野が利用する汎用リポジトリにデータを保存せざるを得ない状況にあります。

今後の展望

データ公開の量は激増しており、年間の寄託数は2020年の5,905件から2025年には14,374件へと143%増加しました。しかし、平均再利用スコアは同期間に3.84から4.14へと7.7%しか上昇していません。つまり、エコシステムは「拡大」しているものの「深化」しておらず、量的な増加に対して品質の向上が追いついていないため、データ量が増えるほどノイズが増加するリスクを抱えています。

元記事: https://bioengineer.org/reuse-quality-of-open-polymer-datasets-a-reproducible-cross-repository-audit-2020-2025/

毎週の技術動向レポートを無料でお届け

各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。

📢 メールマガジンに無料登録（週刊・技術動向レポート）

ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。