Het artikel beschrijft hoe de automatische typeconversie van Microsoft Excel leidde tot significante fouten in bioinformatica-datasets. Namen zoals SEPT2 en MARCH1 werden door Excel automatisch omgezet naar datums, waardoor downstreamsoftware deze gegevens niet meer herkende en belangrijke data verloren ging.
Uit onderzoek bleek dat ongeveer een vijfde van de genomics-artikelen met Excel-lijsten corrupt was. Als extreme oplossing heeft het HUGO Gene Nomenclature Committee in 2020 besloten om diverse officiële gensymbolen permanent te hernoemen (bijv. SEPT1 naar SEPTIN1) om compatibel te zijn met de software. Ter ondersteuning zijn tools als 'Escape Excel' en 'Gene Updater' ontwikkeld om oude datasets te corrigeren.
De mensheid hernoemde genen vanwege Excel
In 2004 merkten bioinformatici op dat sommige gennamen onbedoeld werden gewijzigd in niet-gennamen tijdens het verwerken van tabulaire datasets. Bij nader onderzoek bleek de automatische typeconversie van Microsoft Excel de schuldige te zijn.
Het probleem met automatische typeconversie
Wanneer Microsoft Excel gegevens importeert of plakt, raadt het programma automatisch het datatype van elke cel. Een tekstreeks zoals "SEPT2" wordt hierbij geïnterpreteerd als 2 september. Hoewel dit voor de meeste gebruikers handig is, is het voor biologen een ramp.
Stel dat een moleculaire biologisch laboratorium genexpressiegegevens verwerkt. Een kolom bevat de volgende gegevens:
- TP53
- BRCA1
- SEPT2
- MARCH1
- GATA3
Na de automatische conversie door Excel ziet dit er als volgt uit:
- TP53
- BRCA1
- 2-sep
- 1-mar
- GATA3
Wanneer het spreadsheet later wordt geëxporteerd, herkent de downstreamsoftware deze genen niet meer. In plaats van SEPT2 of MARCH1 te analyseren, ziet de software simpelweg datums en kan deze deze negeren, waardoor belangrijke gegevens stilletjes worden weggegooid.
De impact op wetenschappelijk onderzoek
Onderzoekers scanden in 2016 de belangrijkste genomics-tijdschriften en ontdekten dat ongeveer een vijfde van de artikelen met aanvullende Excel-genlijsten foutieve gennaamconversies bevatten. Dit betekende ook dat een groot aantal veelgebruikte datasets corrupt was. Sommige hiervan worden waarschijnlijk nog steeds gebruikt zonder dat men zich bewust is van het probleem of zonder dat ze zijn gecorrigeerd.
De oplossing: hernoeming van genen
Om dit probleem aan te pakken, werd in 2020 een ongebruikelijke beslissing genomen. Het HUGO Gene Nomenclature Committee besloot tientallen officiële menselijke gensymbolen te hernoemen, zodat ze niet langer voor datums aangezien konden worden. De wetenschap paste zich aan het programma aan; symbolen zoals SEPT1 werden bijvoorbeeld SEPTIN1 om het probleem te voorkomen.
Tools en huidige richtlijnen
Omdat miljoenen bestaande datasets nog steeds de oude fouten bevatten, hebben onderzoekers speciale tools ontwikkeld om deze te herstellen:
- "Escape Excel" (2017): Voorkomt dat Excel problematische tekstreeksen automatisch converteert vóór de import.
- "Gene Updater" (2022): Converteert corrupte datums zoals "2-sep" automatisch terug naar de correcte moderne gensymbolen.
Wat betreft de huidige praktijk blijft het advies op de FAQ-pagina van HGNC ongewijzigd: wijzig de celopmaak naar 'tekst' voordat u de gegevens importeert.
TL;DR: De mensheid heeft permanent sommige gennamen gewijzigd omdat ze niet correct werden verwerkt door Excel.
Referenties
- Mistaken Identifiers: Gene name errors can be introduced inadvertently when using Excel in bioinformatics (Zeeberg et al., 2004)
- Gene name errors are widespread in the scientific literature (Ziemann, Eren & El-Osta, 2016)
- Escape Excel (2017)
- Guidelines for Human Gene Nomenclature (Bruford et al., 2020)
- Gene Updater (2022)
- HGNC FAQ — Excel is corrupting some of my gene symbols
- Gene names auto-converted to dates in Microsoft Excel (Microsoft Q&A)
De mensheid hernoemde genen vanwege Excel
In 2004 merkten bioinformatici op dat sommige gennamen onbedoeld werden gewijzigd in niet-gennamen tijdens het verwerken van tabulaire datasets. Bij nader onderzoek bleek de automatische typeconversie van Microsoft Excel de schuldige te zijn.
Het probleem met automatische typeconversie
Wanneer Microsoft Excel gegevens importeert of plakt, raadt het programma automatisch het datatype van elke cel. Een tekstreeks zoals "SEPT2" wordt hierbij geïnterpreteerd als 2 september. Hoewel dit voor de meeste gebruikers handig is, is het voor biologen een ramp.
Stel dat een moleculaire biologisch laboratorium genexpressiegegevens verwerkt. Een kolom bevat de volgende gegevens:
- TP53
- BRCA1
- SEPT2
- MARCH1
- GATA3
Na de automatische conversie door Excel ziet dit er als volgt uit:
- TP53
- BRCA1
- 2-sep
- 1-mar
- GATA3
Wanneer het spreadsheet later wordt geëxporteerd, herkent de downstreamsoftware deze genen niet meer. In plaats van SEPT2 of MARCH1 te analyseren, ziet de software simpelweg datums en kan deze deze negeren, waardoor belangrijke gegevens stilletjes worden weggegooid.
De impact op wetenschappelijk onderzoek
Onderzoekers scanden in 2016 de belangrijkste genomics-tijdschriften en ontdekten dat ongeveer een vijfde van de artikelen met aanvullende Excel-genlijsten foutieve gennaamconversies bevatten. Dit betekende ook dat een groot aantal veelgebruikte datasets corrupt was. Sommige hiervan worden waarschijnlijk nog steeds gebruikt zonder dat men zich bewust is van het probleem of zonder dat ze zijn gecorrigeerd.
De oplossing: hernoeming van genen
Om dit probleem aan te pakken, werd in 2020 een ongebruikelijke beslissing genomen. Het HUGO Gene Nomenclature Committee besloot tientallen officiële menselijke gensymbolen te hernoemen, zodat ze niet langer voor datums aangezien konden worden. De wetenschap paste zich aan het programma aan; symbolen zoals SEPT1 werden bijvoorbeeld SEPTIN1 om het probleem te voorkomen.
Tools en huidige richtlijnen
Omdat miljoenen bestaande datasets nog steeds de oude fouten bevatten, hebben onderzoekers speciale tools ontwikkeld om deze te herstellen:
- "Escape Excel" (2017): Voorkomt dat Excel problematische tekstreeksen automatisch converteert vóór de import.
- "Gene Updater" (2022): Converteert corrupte datums zoals "2-sep" automatisch terug naar de correcte moderne gensymbolen.
Wat betreft de huidige praktijk blijft het advies op de FAQ-pagina van HGNC ongewijzigd: wijzig de celopmaak naar 'tekst' voordat u de gegevens importeert.
TL;DR: De mensheid heeft permanent sommige gennamen gewijzigd omdat ze niet correct werden verwerkt door Excel.
Referenties
- Mistaken Identifiers: Gene name errors can be introduced inadvertently when using Excel in bioinformatics (Zeeberg et al., 2004)
- Gene name errors are widespread in the scientific literature (Ziemann, Eren & El-Osta, 2016)
- Escape Excel (2017)
- Guidelines for Human Gene Nomenclature (Bruford et al., 2020)
- Gene Updater (2022)
- HGNC FAQ — Excel is corrupting some of my gene symbols
- Gene names auto-converted to dates in Microsoft Excel (Microsoft Q&A)
Groetjes,