Blog

New Ways to New Materials by Insilico

ELN을 도입해도 연구 데이터가 재사용되지 않는 7가지 이유

2026-08-24

먼저 결론: ELN은 목적지가 아니라 재사용 가능한 데이터의 출발점입니다

ELN(Electronic Laboratory Notebook)을 도입하면 종이와 개인 폴더에 흩어진 실험 기록을 한곳에서 작성하고 검색하며 공유하기 쉬워집니다. 이것만으로도 연구 지식의 보존과 협업은 크게 달라질 수 있습니다. 그러나 ‘기록이 존재한다’와 ‘그 데이터를 다른 사람이 다시 해석하고 비교하며 분석에 사용할 수 있다’는 같은 상태가 아닙니다.

예를 들어 과거 실험을 제목이나 본문으로 찾을 수 있어도 결과가 PDF·이미지·장비 파일로만 첨부돼 있다면 조건별 수치를 한 번에 비교하기 어렵습니다. 결과값이 표에 있어도 단위, 재료 lot, 방법 버전, 장비, 전처리 방식과 원본 연결이 없다면 그 값이 같은 의미인지 판단하기 어렵습니다. 시스템에 데이터는 있지만 새로운 질문에 답하려면 사람이 다시 읽고 정리해야 하는 상태입니다.

FAIR 원칙은 연구 데이터가 Findable, Accessible, Interoperable, Reusable해야 한다고 제안하며, 사람뿐 아니라 기계가 데이터를 찾고 사용할 수 있는 능력도 강조합니다. 동시에 FAIR는 특정 소프트웨어나 구현 방식을 정답으로 지정하지 않습니다. 따라서 ELN 도입은 중요한 기반이지만, 재사용 가능성은 기록 방식과 데이터 모델, 표준, 계보, 시스템 연결을 어떻게 설계하고 운영하는지에 달려 있습니다.

저장된 데이터와 재사용 가능한 데이터 사이에는 여러 단계가 있습니다

데이터 재사용을 ‘된다/안 된다’로만 평가하면 개선 지점을 찾기 어렵습니다. 대표 workflow의 데이터가 아래 어느 단계까지 도달했는지 보면 다음 투자가 선명해집니다.

단계	가능한 일	필요한 조건	대표 실패 신호
저장됨	기록과 파일을 보존	전자기록, 권한, 버전	개인 폴더·로컬 장비에만 존재
검색 가능	관련 실험을 찾음	식별자, 제목, 색인, 기본 메타데이터	작성자나 파일명으로만 검색
해석 가능	데이터의 의미와 생성 조건을 이해	실험 목적, 샘플·재료, 방법, 장비, 문맥	원 작성자에게 물어야 이해 가능
비교 가능	여러 실험의 값과 조건을 결합·비교	공통 명명, 단위, 구조, 품질 규칙	복사·붙여넣기와 수기 변환 필요
기계 처리 가능	자동 집계·분석·모델 입력	주소 지정 가능한 값, 계보, API·표준 형식	사람이 파일을 열고 전처리해야 시작 가능

모든 데이터를 마지막 단계까지 구조화할 필요는 없습니다. 핵심은 어떤 데이터가 어떤 후속 질문에 다시 쓰여야 하는지 먼저 정하고, 그 범위에 필요한 구조와 문맥을 확보하는 것입니다.

1. 결과가 ‘데이터’가 아니라 첨부파일로만 남습니다

ELN 실험 페이지에 PDF 보고서, Excel 파일, 장비 원본, 이미지가 첨부돼 있으면 사람은 파일을 열어 결과를 읽을 수 있습니다. 하지만 시스템은 파일 안의 측정값, 조건, 표와 그래프를 각각의 데이터 요소로 다루지 못할 수 있습니다. 파일이 검색 결과에 나타나는 것과 여러 실험의 값을 자동으로 모으는 것은 다른 문제입니다.

첨부파일을 없애는 것이 해답은 아닙니다. 원본 파일은 증거와 재분석을 위해 보존할 가치가 있습니다. 대신 재사용할 핵심 결과는 실험·샘플·측정 객체에 구조화된 값으로 함께 저장하고, 그 값이 어느 원본 파일의 어느 처리 결과에서 왔는지 연결해야 합니다.

확인할 증상: 결과 비교를 시작할 때 여러 파일을 열고 값을 다시 옮겨 적는다.
개선 원칙: 원본은 보존하고, 재사용할 파라미터와 결과는 주소 지정 가능한 데이터로 함께 캡처한다.
우선 적용: 반복적으로 집계하거나 다음 실험 설계에 사용하는 결과부터 구조화한다.

2. 메타데이터가 실험 후에 사람의 기억으로 보완됩니다

결과값만으로는 그 데이터를 다시 쓸 수 있는지 판단하기 어렵습니다. 누가, 언제, 어떤 샘플과 재료를 사용해, 어떤 방법과 장비로, 어떤 조건에서 데이터를 만들었는지 설명하는 메타데이터가 필요합니다. FAIR의 재사용 원칙도 데이터가 정확하고 관련성 있는 속성으로 풍부하게 설명돼야 한다고 봅니다.

문제는 메타데이터를 나중에 정리하려 할 때 생깁니다. 장비명, 재료 lot, 방법 버전, 실패 이유처럼 실험 순간에는 분명했던 정보가 시간이 지나면 누락되거나 추정으로 바뀝니다. 재사용에 필요한 최소 메타데이터를 workflow 안에서 생성 시점에 확보해야 하는 이유입니다.

확인할 증상: 검색 결과는 많지만 어떤 데이터를 분석에 포함할지 판단하기 어렵다.
개선 원칙: 프로젝트 공통 필드가 아니라 실제 재사용 질문에 필요한 ‘최소 메타데이터 세트’를 정의한다.
우선 적용: 실험 ID, 샘플·재료 ID와 lot, 방법 버전, 장비 ID, 수행자, 시간, 품질·승인 상태.

3. 결과와 과학적 문맥이 서로 떨어져 있습니다

같은 숫자라도 실험 목적과 판단 기준이 다르면 의미가 달라집니다. 탐색 실험의 참고값인지, 최적화 실험의 후보값인지, 실패 원인을 조사하기 위해 얻은 값인지에 따라 재사용 방식이 달라집니다. 또한 관찰, 예외, 변경 이유, 계산과 전처리 과정이 없으면 결과를 그대로 결합해도 되는지 판단하기 어렵습니다.

문맥은 긴 서술만을 뜻하지 않습니다. 실험 목적, 가설, 비교군, 의도한 변수, 성공 기준, 관찰과 결론을 구조화된 데이터와 연결하는 것이 중요합니다. ELN은 서술형 기록과 구조화 데이터를 한 실험 안에서 결합할 수 있는 좋은 위치에 있지만, 템플릿이 결과 첨부에만 집중하면 이 장점을 살리기 어렵습니다.

확인할 증상: 숫자는 찾았지만 왜 그 조건을 선택했는지, 실패인지 유효한 음성 결과인지 알 수 없다.
개선 원칙: 결과값과 실험 목적·가설·변경 이유·결론을 같은 실험 객체 또는 명시적 관계로 연결한다.
우선 적용: 반복 실험과 실패 실험에도 결과 상태와 해석을 남긴다.

4. 사람마다 다른 이름을 사용합니다

한 팀은 ‘control’, 다른 팀은 ‘CTRL’, 또 다른 팀은 ‘대조군’이라고 기록할 수 있습니다. 동일한 재료가 상품명, 약어, 내부 코드로 섞여 쓰이고, 실험 유형도 작성자마다 다른 수준으로 분류될 수 있습니다. 사람은 문맥으로 같은 뜻을 짐작하지만 검색·집계·분석 시스템은 서로 다른 값으로 처리합니다.

모든 용어를 한 번에 전사 표준으로 고정하는 접근은 현장 사용성을 해칠 수 있습니다. 먼저 재사용 빈도가 높은 객체와 속성에 통제어휘, 등록된 재료 ID, 허용값 목록을 적용하고, 사용자가 보는 표현과 시스템의 표준 식별자를 분리하는 방식이 현실적입니다. FAIR의 상호운용성 원칙도 공유 가능한 지식 표현과 어휘의 사용을 강조합니다.

확인할 증상: 같은 대상을 찾기 위해 여러 철자와 약어로 반복 검색한다.
개선 원칙: 표시 이름과 영구 식별자를 분리하고, 동의어를 표준 용어에 매핑한다.
우선 적용: 재료, 샘플 유형, 실험 유형, 분석법, 결과 상태처럼 교차 프로젝트 집계에 쓰는 항목.

5. 단위와 데이터 형식이 비교 시점에야 맞춰집니다

‘5’라는 값은 단위와 측정 대상이 없으면 재사용할 수 없습니다. 같은 농도도 mg/mL, g/L, %, mol/L처럼 다르게 표현되고, 온도·시간·압력의 표기와 소수점 규칙도 팀이나 장비마다 달라질 수 있습니다. 단위가 텍스트에만 들어 있거나 열 이름마다 다르면 자동 변환과 품질 검사가 어려워집니다.

SI는 과학·기술 정보를 언어 차이를 넘어 일관되게 전달하기 위한 공통 체계를 제공합니다. 실제 연구에서는 SI 외의 분야 단위도 필요하므로 ‘모두 SI로 입력’보다 값과 단위를 분리해 저장하고, 허용 단위와 변환 규칙, 기준 단위를 관리하는 방식이 유용합니다. 파일 형식도 원본을 보존하면서 후속 활용에 필요한 표준화된 표현을 함께 유지해야 합니다.

확인할 증상: 분석 전에 열 이름, 소수점, 날짜, 단위를 매번 수작업으로 정리한다.
개선 원칙: 값·단위·측정 대상을 분리하고, 기준 단위와 검증 가능한 변환 규칙을 둔다.
우선 적용: 모델 입력과 비교 보고서에 자주 사용하는 연속형 측정값.

6. 결과가 어디에서 왔는지 계보를 따라갈 수 없습니다

재사용자는 최종 결과뿐 아니라 그 결과가 어떤 원료 lot, 샘플, 전처리, 장비 원자료, 분석 방법과 계산을 거쳐 만들어졌는지 확인해야 합니다. W3C는 provenance를 데이터나 사물을 만드는 데 관여한 개체, 활동, 사람에 관한 정보로 설명하며, 품질·신뢰성·신뢰도를 평가하는 데 사용할 수 있다고 봅니다.

ELN 문서에 최종 표만 복사하면 결과는 남지만 계보는 끊길 수 있습니다. 원료 → 샘플 → aliquot → 측정 → 원자료 → 처리 결과 → 보고값의 관계와 각 변환의 버전·수행자를 연결해야 오류를 추적하고 새로운 분석에서 적절한 데이터를 선택할 수 있습니다.

확인할 증상: 이상값의 원본 파일과 처리 조건을 찾는 데 여러 사람의 확인이 필요하다.
개선 원칙: 객체 간 부모–자식 관계와 데이터 변환 활동을 함께 기록한다.
우선 적용: 샘플 분할·혼합, 데이터 전처리, 재계산, 결과 승인처럼 의미가 바뀌는 단계.

7. ELN과 장비·다른 시스템의 데이터가 서로 연결되지 않습니다

연구 데이터는 ELN 한곳에서만 만들어지지 않습니다. 샘플 정보는 LIMS에, 장비 결과는 장비 소프트웨어에, 재료 lot는 재고 시스템에, 분석 결과는 별도 환경에 남을 수 있습니다. 같은 실험을 서로 다른 이름과 번호로 관리하면 연구자는 여러 화면과 파일을 오가며 관계를 직접 맞춰야 합니다.

실무에서는 ELN에서 만든 실험·샘플 번호가 장비 파일과 다른 시스템에도 이어지게 하는 것부터 시작할 수 있습니다. 각 번호를 어디에서 만들고 어느 단계까지 전달할지, 최신 상태는 어디에서 확인할지를 정하면 반복 입력과 수작업 대조를 줄일 수 있습니다. 핵심은 기술 용어보다 한 실험의 데이터가 끊기지 않고 연결되는가입니다.

확인할 증상: ELN 실험 ID와 장비 파일명, LIMS 샘플 ID를 별도 Excel에서 매핑한다.
개선 원칙: 실험·샘플에 일관된 고유 번호를 부여하고 장비와 다른 시스템으로 함께 전달한다.
우선 적용: ELN·LIMS·장비 사이에서 반복 입력되거나 자주 사라지는 번호.

모든 것을 구조화하지 않고도 재사용 가능성을 높일 수 있습니다

연구를 데이터베이스 입력 업무로 바꾸는 것은 해답이 아닙니다. 탐색 연구에는 자유로운 서술과 예외가 필요하고, 모든 관찰을 미리 정형화할 수도 없습니다. 구조화의 범위는 ‘향후 어떤 질문에 다시 답할 것인가’를 기준으로 정해야 합니다.

대표 workflow 하나를 골라 자주 비교하는 조건과 결과, 반드시 추적해야 하는 객체, 분석에서 반복 정리하는 항목을 찾으십시오. 이후 최소 메타데이터와 표준을 템플릿·장비 연계·등록 시스템에 배치하고, 연구자가 이미 하는 작업 안에서 자동 또는 선택형으로 캡처되도록 설계합니다.

재사용 질문을 먼저 정합니다. 예: 특정 재료 lot와 공정 조건이 결과에 미친 영향을 비교할 수 있는가?
실험·샘플·재료·방법·장비·결과 중 필요한 핵심 객체와 관계를 그립니다.
각 객체의 최소 메타데이터, 표준 명칭, 허용 단위와 기준 정보를 관리할 위치를 정합니다.
원본 파일과 구조화된 결과를 함께 보존하고 provenance로 연결합니다.
찾기 성공률, 메타데이터 완전성, 수작업 변환 횟수처럼 재사용 과정의 지표를 측정합니다.

우리 연구 데이터는 재사용 가능한가: 7가지 자가진단

일곱 문항에 모두 ‘예’라고 답할 필요는 없습니다. 재사용 가치가 높은 workflow에서 ‘아니요’가 반복되는 항목을 찾고, 그 항목을 다음 개선 범위로 정하는 것이 실용적입니다.

과거 실험을 사람 이름이나 파일명이 아니라 실험·샘플·재료 ID와 조건으로 찾을 수 있습니까?
결과 파일을 열지 않고도 핵심 파라미터와 측정값을 모아 비교할 수 있습니까?
원 작성자에게 묻지 않고 실험 목적, 조건, 예외와 결과의 의미를 이해할 수 있습니까?
동일한 재료·실험 유형·결과 상태가 팀과 시스템을 넘어 같은 식별자 또는 표준 용어로 연결됩니까?
값과 단위가 분리돼 있고 허용 단위와 변환 규칙이 관리됩니까?
최종 결과에서 샘플, 원자료, 처리 과정, 방법 버전과 수행자를 거슬러 올라갈 수 있습니까?
ELN의 실험·샘플 번호가 장비 결과와 다른 시스템에서도 그대로 이어집니까?

BIOVIA를 검토할 때도 기능 목록보다 데이터 연결을 확인해야 합니다

Dassault Systèmes는 BIOVIA ONE Lab을 ELN·LIMS·LES·장비·재고 등 실험실 정보학 기능을 단일 플랫폼과 통합 데이터 모델에서 연결하고, API 기반 연동으로 기존 실험실·기업 시스템과 함께 사용할 수 있는 환경으로 설명합니다. 공식 자료는 장비 데이터의 자동 수집, 결과의 표준화, 샘플·실험과의 연결도 소개합니다.

이 기능이 실제 재사용 문제를 해결하는지는 고객 workflow로 검증해야 합니다. 어떤 결과가 구조화되는지, 실험·샘플·재료·방법·장비가 어떻게 연결되는지, 기존 시스템과 장비 사이에서 식별자가 유지되는지, 표준화가 연구자의 기록 부담을 늘리지 않는지를 확인해야 합니다.

즉 제품 선택의 질문도 ‘ELN 기능이 있는가’에서 끝나지 않습니다. 우리가 다시 쓰려는 데이터가 생성 순간부터 의미와 계보를 유지하며 다음 분석 환경까지 이동할 수 있는가를 물어야 합니다.

마무리: 데이터가 쌓이는 방식이 다음 연구의 속도를 결정합니다

ELN 도입은 연구 기록을 찾고 공유하는 중요한 출발점입니다. 하지만 첨부파일, 부족한 메타데이터, 분리된 문맥, 제각각인 명칭과 단위, 끊긴 계보와 시스템 식별자가 그대로라면 데이터는 전자화돼도 다시 쓰기 어렵습니다.

재사용 가능한 연구 데이터는 모든 것을 정형화해서 만드는 것이 아닙니다. 가치가 높은 질문을 기준으로 필요한 객체와 관계를 정하고, 원본과 구조화된 값, 문맥과 provenance를 함께 연결하는 과정에서 만들어집니다.

현재 ELN에 데이터는 쌓이지만 비교·분석 준비가 매번 새 프로젝트처럼 느껴진다면, 대표 workflow 하나를 일곱 문항으로 점검해 보십시오. 가장 많이 반복되는 ‘아니요’가 다음 데이터 개선 과제입니다.

F.A.Q

Q: ELN을 도입하면 FAIR 데이터가 되는 것 아닌가요?

A: 아닙니다. ELN은 FAIR 원칙을 구현하는 중요한 기반이 될 수 있지만 FAIR는 특정 제품을 지정하지 않습니다. 식별자, 풍부한 메타데이터, 접근 방식, 공유 어휘, 관계와 provenance 등 실제 데이터와 운영 방식을 함께 확인해야 합니다.

Q: 모든 실험 데이터를 구조화해야 하나요?

A: 그럴 필요는 없습니다. 원본과 자유 서술을 보존하면서, 반복 검색·비교·분석에 쓰는 핵심 조건과 결과부터 구조화하는 것이 현실적입니다. 구조화 범위는 예상 재사용 질문과 비용을 함께 고려해 정합니다.

Q: 장비 파일을 자동 수집하면 재사용 문제가 해결되나요?

A: 수집은 첫 단계입니다. 장비 파일이 어떤 실험·샘플·방법·장비 상태에서 생성됐는지 연결되고, 필요한 값과 단위가 해석 가능한 형태로 추출돼야 비교와 분석에 사용할 수 있습니다.

Q: AI-ready 데이터는 별도의 데이터셋을 만드는 것인가요?

A: 경우에 따라 분석용 파생 데이터셋이 필요하지만, 원천 시스템에서 식별자·문맥·표준·품질·provenance가 유지돼야 반복 가능한 데이터셋을 만들 수 있습니다. 일회성 정리 파일만으로는 지속적인 AI 활용 기반이 되기 어렵습니다.

체크리스트로 점검하기

AI-ready 연구 데이터 체크리스트로 점검하기

우리 연구 데이터가 비교·분석·AI 활용으로 이어질 준비가 되어 있는지 핵심 질문으로 점검해 보십시오.

▶ 연구 데이터 환경 상담 신청

참고자료

List View