初入一个领域，你可能会感到很孤单。尤其是当你还没有自己的课题，老板和师兄师姐又都很忙、只能自己玩的时候。
你读了许多文献，知道了一些方法，或者从解螺旋上学到了一招，却仍然一知半解。你深知“纸上得来终觉浅，绝知此事要躬行”，但不是还没有课题吗，躬行个鬼啊。
补充材料通常是一些不太核心的内容，限于篇幅，或限于纸媒的本身特性（如视频、音频等），不能在刊印的正文中提供，就另外整理出来在的网站上发表。在我们速读文献，急着扩大阅读面时，很容易就忽略了。
但如果想要深度了解一项研究，学习一种研究方法，它们就成了埋在正文之下的宝藏。它们可能是更详细的结果、方法，还可能是原始数据，都是正正经经的出版物，是要经过同行评审的。
对方法的补充论述，可以加深我们对实验设计的理解，有时候会解释一下为什么会这样设计。但这类材料相对较少。当对实验设计不理解时，去找找补充材料，说不定会有答案。
科研社区中，越来越提倡数据共享，最初的目的是让科研过程公开透明，提高科研的可重复性。但另有一个用处，就是教育。利用真实科研活动中产生的数据进行案例学习，能把数据放到具体的故事情节中去理解，明白它的意义所在，迅速敲开科研的大门。
但如果读到的文献中有感兴趣的方法，恰好它又没有附送原始数据怎么办？搜另一篇采用同一方法的、附送原始数据的文献吗？倒也不失为一个办法，麦子也曾经这么做。在一些较大的期刊网站上搜“关键词+supplementary”，也挺管用的。
但后来觉得这个方法有点中二，别说补充材料别名繁多，像什么additional data，supporting information之类，有时候即使有了supplementary，也不一定有原始数据呀。而且那些非OA的文章，你也是能在网站上搜到supplementary字样的，但你就是拿不到呀~Sci-hub是不负责帮你偷补充材料的哟。
这是由美国国家科学基金会资助建立的非盈利性公共科研数据共享平台，通过跟期刊、机构、基金组织合作的方式，作者们将数据提交到这个库中，与文章同时发表。它创办的目的之一，正是让学生们能利用真实数据学做科研。
它收集的数据大多来自OA期刊，或混合期刊上的OA文章。但也会有些例外，比如2016年下载量排行第2的那份数据就来自Science，分析了全球科研汪们对Sci-hub的使用情况。不仅提供了2.7G（压缩后684.5M）原始数据，还给出了处理、分析这些数据所使用的Python代码，简直手把手带你上：
下载量第4的数据来自一份心脏病学的研究（JACC Cardiovasc Interv. 2016;9(8):757-67.）。763位受试者的观察数据全部以.csv表格形式上传，压缩后172.9M。像这么大的数据是不太可能上传到期刊的存储库里作为补充材料的，换言之，用那个土办法很难找到。图就不贴了。
这货的界面粉嫩得不像个学术网站，但它真的是跟多家学术出版商有合作的数据共享平台，如 Wiley，SpringerNature，Taylor and Francis，PNAS等。它是由Digital Science公司开发的，致力于提高“研究内容”的可见性。不仅是补充材料，正文中的图表也能搜到。
它相对于Dryad，搜索更便捷。想学习Keplan Meier分析，搜关键词，就得到相应的图片、数据集，也可在文件类型列勾选Dataset进行过滤：
这些网站也有局限性，因为数据共享还只是部分科学家的，实践之才刚开始。2000年以前，上传补充材料的文章都寥寥可数，现在虽然有了飞速增涨，但数据共享仍然是个新概念。简而言之，能拿到的数据，不如文献那样丰富。
如果你还没体会到这些数据的好处，那我告诉你，我曾经悄悄带领你利用那些数据来学习，最典型的是这个：《Cytoscape：庞大的相互作用网络出图神器》。所以将来你发了文章，麦子当然希望你也能上传数据跟大家共享啦~
再说远一点，这些网站创立的目的，不仅仅是教育和科研，还有已发表数据的再利用，挖出更多的价值。从你的研究视角出发来搜一搜，看看能不能发现什么新的东西，说不定一篇文章就从这些数据中诞生了呢。
本文由 790游戏（www.790.kim）整理发布