Excel zamieniał symbole genów na daty tak uporczywie, że naukowcy zmienili oficjalne nazwy części genów
Symbole genów takie jak `SEPT1` czy `MARCH1` wyglądają Excelowi jak daty. Przy domyślnym imporcie arkusz potrafił automatycznie konwertować je na wartości dat, a błąd trafiał później do publikowanych zbiorów danych. Problem był na tyle częsty, że HUGO Gene Nomenclature Committee zdecydował się zmienić oficjalne symbole podatnych genów: np. `SEPT1` stał się `SEPTIN1`, a `MARCH1` — `MARCHF1`. To wyjątkowy przypadek, w którym zachowanie popularnego programu wpłynęło na nomenklaturę biologii. Oprogramowanie wpłynęło więc bezpośrednio na język naukowej nomenklatury.
Autokonwersja miała pomagać użytkownikowi
Excel próbuje odgadnąć typ danych. Ciąg przypominający datę automatycznie zamienia na wewnętrzną wartość czasu, co w zwykłym arkuszu jest wygodne. W genomice ten sam mechanizm staje się destructive transformation: symbol tekstowy ma być identyfikatorem, nie datą.
Błąd może być niewidoczny w ogromnej tabeli
Zbiór ekspresji genów zawiera tysiące lub dziesiątki tysięcy wierszy. Po otwarciu CSV kilka nazw zmienia się automatycznie. Człowiek przeglądający arkusz może tego nie zauważyć, a późniejszy eksport zapisuje już zmienione wartości.
Publikacje naukowe rzeczywiście zawierały takie błędy
Analizy suplementów w czasopismach wykazywały znaczącą liczbę plików z niepoprawnie przekonwertowanymi symbolami. Nature Genetics opisywało przypadki, w których gene names zmieniały się na daty. To nie był wyłącznie hipotetyczny problem obsługi arkusza.
Komitet uznał, że edukacja użytkowników nie wystarcza
HGNC przez lata informował, jak importować dane bez autokonwersji. Ostatecznie stwierdził, że problem jest zbyt powszechny i ryzykowny, szczególnie w zastosowaniach klinicznych. Zmieniono więc nomenklaturę samą w sobie, aby była odporna na popularny software.
Nazwy zostały zmienione systematycznie
Rodzina `SEPT#` przeszła na `SEPTIN#`, `MARCH#` na `MARCHF#`, a inne problematyczne grupy dostały podobne modyfikacje. To ciekawa forma defensive naming: standard naukowy projektuje się tak, aby nie wyglądał jak inny typ danych w popularnych narzędziach.
Interfejs użytkownika może zmieniać rzeczywistość poza informatyką
Zwykle myślimy, że błąd programu wpływa na użytkownika programu. Tutaj efekt przeszedł dalej: wspólnota naukowa zmieniła oficjalne symbole genów. To pokazuje społeczną siłę dominującego narzędzia i koszt automatycznej „inteligencji”, która nie wie, w jakiej dziedzinie pracuje. Dobra praktyka pipeline’u danych brzmi: surowe dane wejściowe zachowuj w formie niezmienionej, a transformacje wykonuj jawnie i odtwarzalnie. Wtedy nawet jeśli Excel lub inny parser popełni błąd, można wrócić do oryginału i ponownie przetworzyć zbiór.
Dlaczego automatyczne zgadywanie typów jest ryzykowne w nauce
Arkusz próbuje być pomocny dla użytkownika biznesowego: `3/4` może oznaczać datę, `1E10` liczbę naukową, a długi identyfikator liczbę, którą warto sformatować. W nauce i analizie danych dokładnie ta heurystyka jest niebezpieczna, bo identyfikator może jedynie wyglądać jak liczba lub data. Po konwersji oryginalny tekst bywa niemożliwy do odzyskania bez dostępu do źródła. Bezpieczniejszy import wymaga jawnego schematu kolumn: ta kolumna jest tekstem, ta liczbą dziesiętną, ta datą w określonym formacie. Narzędzia dataframe i bazy danych coraz częściej opierają się właśnie na takim typowaniu. Historia genów pokazuje szerszą lekcję human-computer interaction: „smart defaults” są użyteczne tylko wtedy, gdy koszt pomyłki jest niski i łatwo odwracalny. W pipeline naukowym cicha transformacja danych jest znacznie groźniejsza niż jawny błąd importu. Dlatego nowoczesne pipeline’y analityczne starają się oddzielać warstwę prezentacji od warstwy surowych danych. Arkusz może być dobrym interfejsem dla człowieka, ale nie powinien samodzielnie decydować, czym semantycznie jest każdy identyfikator. Najbezpieczniejszy workflow traktuje arkusz jako widok do pracy człowieka, a nie jako jedyne źródło prawdy. Oryginalny plik i jawny schemat importu powinny pozostawać dostępne do ponownego przetworzenia.