先确认实验真正测量了什么
公开仓库中的标题常用概括性语言，实际样本可能包含多个组织、处理剂量和时间点。下载前应阅读实验设计、样本表和平台说明，确定数据是否回答当前问题。
同一研究可能同时存在原始文件、作者处理矩阵和补充表。它们承担的角色不同，不能只选择最容易打开的一份。
注释错误会沿着分析一直传播
样本名称、分组和物种信息可能在提交时不完整，也可能与论文正文不一致。人工整理的价值在于把样本重新映射到受控词汇，并发现重复数据或明显冲突。
OixCloud项目应保留仓库编号、样本编号和读取日期。后续发现注释变化时，团队才能知道当前结果使用的是哪个版本。
质量控制要结合平台特点
芯片数据需要观察背景、探针表现和阵列间分布；RNA测序则更关注测序质量、比对、计数与基因版本。把一种平台的阈值直接套到另一种平台，会得到看似统一却没有依据的结论。
通过质量检查的样本也不一定适合当前分析。最终纳入标准应同时考虑技术质量、研究设计和生物条件，并记录排除原因。
重复记录会放大某个实验的影响
同一批样本可能以不同编号出现在仓库、补充文件和后续整合项目中。若没有检查论文、样本名称和原始文件摘要，重复数据会被当成独立证据，使某个实验在汇总结果中获得过高权重。
去重不能只比较文件名。实验编号、样本属性、测量平台和数据摘要需要共同判断；无法确认时，应保留疑似关系而不是直接删除。
公开许可与技术可用是两回事
文件能够下载，不代表可以在任何项目中重新发布。研究团队应查看仓库条款、论文许可和个体数据限制。涉及人类样本时，去标识化数据仍可能受到用途和访问条件约束。
OixCloud只同步经过项目确认的资料与配置。客户端连接成功不构成数据使用授权，接收方仍需遵守原数据来源与机构政策。