信息速览
Allen Cell Imaging Collections 是一个常被归错类的资源。它的名字里有「影像」，于是有人把它当相册；名字里有「Allen」，于是有人把它和脑图谱混为一谈；它确实产出了 Cell Painting 数据，于是又有人把它当成又一个高通量筛选库。三种归类都会在使用时踩空，因为这个集合真正的产品不是图像，而是一批可解释的细胞系——每一个细胞系只做一件事：把某一种细胞内结构，用基因编辑的方式点亮。
点亮的方式很具体。研究者在人诱导多能干细胞（hiPS 细胞）的某个内源基因位点上，用 CRISPR/Cas9 单等位敲入一段绿色荧光蛋白 mEGFP 的编码序列，让这个基因在它原本该表达的位置、按原本该有的量，带上一盏灯。细胞不需要染色、不需要抗体、不需要固定，它自己发光。于是「微管在哪里」「核膜在哪里」「紧密连接在哪里」这类问题，从需要一套免疫荧光流程的定性观察，变成了一个稳定细胞系加一台显微镜的常规产出。
这套做法的价值不在单张图像好看，而在于它把「细胞内部长什么样」变成了可以量化、可以对齐、可以复用对照的东西。二十余万个活细胞、二十五类结构、三维多通道，全部来自同一个遗传背景、同一套培养流程、同一批成像参数——这个一致性才是它稀缺的地方。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 中文名 | Allen 细胞影像集合（Allen Cell Imaging Collections） |
| 出品机构 | Allen Institute for Cell Science，美国西雅图，Paul G. Allen 于 2014 年捐资设立 |
| 核心资产 | Allen Cell Collection：荧光标记的 hiPS 细胞系库，每个细胞系标一种细胞结构 |
| 旗舰数据集 | WTC-11 hiPSC 单细胞影像数据集，2023 年发表于 Nature |
| 规模 | 逾二十万个活细胞，覆盖 25 类细胞结构 |
| 遗传背景 | 单一 hiPS 细胞系 WTC-11（野生型，非患者来源） |
| 标记方式 | CRISPR/Cas9 单等位敲入 mEGFP 到内源基因位点 |
| 成像维度 | 三维（z 堆栈）+ 单荧光通道 + 明场/相差通道 |
| 活/固定 | 主数据集为活细胞成像 |
| 细胞器类别 | 细胞骨架、黏附结构、核与核膜、内膜系统、细胞连接、有丝分裂装置等 |
| 访问方式 | 官网目录、影像浏览器、Quilt 数据包、配套分割工具 |
| 许可 | 公开可用，以官方数据使用条款为准；配套论文为 CC BY 4.0 |
| 典型用途 | 细胞器分割、形态学 profiling、无标记预测、生成建模、细胞状态分类 |
| 与 JUMP 的分工 | JUMP 做扰动下的形态学筛选；本篇做无扰动的单结构参考基线 |
| 更新状态 | 细胞系持续增补，影像版本按批次发布 |
§1 它要解决的具体麻烦
1.1 一句话结论：它把「细胞内部」从一个需要解释的观察，变成了一套可以逐件核对的标准件
细胞生物学长期缺一样东西：一个所有人都能拿来对照的「正常细胞内部结构长什么样」。缺的不是图像——公共数据库里的荧光显微图像数以百万计——缺的是可比的图像。张三实验室用自己养的细胞、自己的抗体、自己的曝光时间拍一张微管，李四实验室用另一批细胞拍一张，两张图放在一起，颜色深浅不能比、结构位置不能比、连细胞大小都不能比。抗体批次差异、固定方式差异、荧光团光谱差异、显微镜差异，每一层都在往信号里注入不可分离的噪声。
Allen Institute for Cell Science 的做法是把这些变量逐个锁死。遗传背景锁死在一个细胞系；标记方式从抗体换成基因敲入，去掉了抗体批次这一层；培养流程交给自动化液体工作站，去掉了操作者差异这一层；成像参数按实验设计固定，去掉了随意调参这一层。锁死之后剩下的差异，才可能是生物学差异。
这个思路的代价很直接：只有一个遗传背景，就看不到个体差异；只有一种标记，就看不到结构之间的关系；只做正常细胞，就看不到疾病表型。它的收益同样直接：任何在别的数据上学到的东西，拿到这里来做基线，比对是成立的。
1.2 三条常见的错误期待
第一条错误期待是把它当成「一堆细胞照片」。照片的前提是所见即所得，可三维荧光图像的每一个体素值都经过了激发光强度、探测器增益、荧光蛋白成熟度、光漂白、去卷积算法这些环节的整形。同样一管细胞，换个曝光时间，直方图整体平移。把体素值当成颜色去理解，会在第一步就偏。
第二条错误期待是把它当成细胞器数据库。名册里确实有「线粒体」「高尔基体」「溶酶体」这样的记录，但每一个只是一个细胞系、一种标记、一批图像，不是一个可以查询任意细胞的注释库。想要「这个细胞的所有细胞器位置」，得自己在同一坐标系下把多个细胞系的统计结果叠起来，而这件事从来不是点开就有。
第三条错误期待是把它当成已经做过扰动的筛选数据。集合里没有药物浓度梯度，没有基因敲低，没有剂量—反应。它提供的是分母，不是分子。把它直接喂给化合物机制分类模型，模型学到的会是「这个实验室的成像风格」，而不是化学。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 某种细胞器在正常细胞里的位置分布 | 单结构单细胞系的三维图像，附分割 | 够，且是目前最干净的一类 |
| 细胞器分割的训练标签 | 逐结构掩膜，来自工具链加人工审查 | 基本够，边界结构需自行补标 |
| 药物处理后的形态变化 | 无扰动设计 | 不够，应换扰动型数据 |
| 跨细胞系的遗传差异 | 单一遗传背景 | 不够，天然缺失 |
| 多结构同时可见的图像 | 每幅只有一个荧光通道 | 不够，需靠统计叠加或生成模型补 |
| 无标记显微图像到荧光的转换 | 同视野明场与荧光配对 | 够，是该方向最常用的训练源之一 |
| 活细胞动态过程 | 三维活细胞成像，含时间点 | 够，但时间分辨率受曝光限制 |
| 疾病相关表型 | 野生型背景 | 不够，需自行引入突变 |
| 细胞核与细胞形态的基础测量 | 分割后可导出形态特征 | 够，适合作为基线 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 刚接手一个细胞器分割项目，没有标签 | 提供逐结构的分割掩膜与配对的原始图，可以直接做预训练或评测集 | 先按结构类别分层抽样，确认目标结构与目录里的哪一类对应 |
| 做无标记显微图像到荧光的预测 | 同一个视野同时有明场与荧光，是配对数据的天然来源 | 只在同一细胞系内部划分训练集与测试集，不要跨细胞系混用 |
| 要训练一个细胞形态生成模型 | 单结构图像配合同一背景，适合条件生成与结构补全 | 先确定条件变量是结构类别还是细胞形态，两者影响的隐空间不同 |
| 手上有一批自采的荧光图像，想知道质量是否正常 | 有同一结构在标准流程下的参考分布 | 用相同结构、相同放大倍率的细胞系做对照，比较形态特征分布而非像素直方图 |
| 在做一个扰动筛选，需要一个未扰动的参照 | 提供同背景的基线形态 | 注意成像参数不同，不可直接相减，需先做批次校正 |
| 想验证一个新的细胞器定位预测模型 | 有内源标记的真值定位 | 确认模型训练集里没有同结构数据，否则评测偏乐观 |
| 需要向非专业同事解释细胞内结构 | 有可交互的三维浏览器与统一命名的结构目录 | 用目录的分类体系做讲解骨架，不要用单张图举例 |
1.5 一句话判断
这是一个以细胞系为销售单位、以结构为最小可解释单元的参考集；用它之前先想清楚自己缺的是「标签」还是「对照」，两者对应的取数路径完全不同。
1.6 不适合谁：四条边界
不适合需要遗传多样性的研究。 所有细胞系来自同一个 hiPS 背景。想研究个体间差异、群体频率、 ancestry 相关效应，这里没有素材。文献中确实有以该背景为起点引入单基因突变的工作，但那是使用者自己构建的衍生系，不是集合自带的。
不适合把形态直接读成机制。 单结构标记的好处是信号干净，坏处是没有上下文。一个细胞里微管的分布变了，可能与微管本身有关，也可能是肌动蛋白收缩力改变后的被动结果，而图像里只有微管。要归因必须另做实验。
不适合需要高时间分辨率的动态研究。 三维活细胞成像每个时间点都要扫一个 z 堆栈，帧率天然受限。秒级的快速过程，比如某些囊泡的瞬时融合，在这个采集模式下会被平均掉。
不适合把不同版本的数据直接拼接。 集合按批次发布，不同批次的显微镜、物镜、滤光片、曝光都可能变化。跨版本合并前必须做批次效应评估，否则模型学到的第一批主成分往往是批次。
§2 数据构成与规格
2.1 三层结构：细胞系、影像批次、单细胞
这个集合不是一个单一文件，而是三层套在一起的结构。最外层是细胞系（cell line）：一个稳定的、经过验证的克隆，带一个编号、一个被标记的基因、一个荧光蛋白、一类结构归属。中间层是影像批次（image set 或 dataset）：同一细胞系在同一套成像参数下的一次采集，有版本号、有采集日期、有显微镜配置。最内层是单细胞记录：一个细胞在这个批次下的一组三维图像、对应的分割掩膜、以及由分割导出的形态特征。
三层的关系决定了取数方式。想要「所有标记线粒体的图」，走最外层筛选再往下钻；想要「所有用某台显微镜拍的活细胞」，走中间层；想要「每个细胞的结构体积」，走最内层的特征表。把三层混着查，是最常见的取数事故来源。
| 层级 | 单位 | 主键 | 典型字段 | 数量级 |
|---|---|---|---|---|
| 细胞系 | 一个稳定克隆 | 细胞系编号 | 基因名、蛋白名、荧光蛋白、结构类别、验证状态 | 数十个 |
| 影像批次 | 一次采集 | 批次编号 + 版本号 | 采集日期、显微镜、物镜、体素尺寸、曝光、通道数 | 数十至上百 |
| 单细胞 | 一个细胞 | 细胞编号 | 图像路径、分割掩膜、形态特征、视野位置 | 二十万量级 |
2.2 字段字典
下面这张表把三层记录里最常被下游用到的字段列全。字段名按官方与数据包中的实际命名习惯给出，不同批次可能在大小写上略有出入，读取时统一转小写并去下划线更稳妥。
| 字段 | 所属层级 | 类型 | 含义 | 典型值或范围 | 缺失情况 | 下游用途 |
|---|---|---|---|---|---|---|
| cell_line_id | 细胞系 | 字符串 | 细胞系唯一编号 | 机构内部编号 | 无 | 主键；跨表连接 |
| gene_symbol | 细胞系 | 字符串 | 被标记的内源基因 | 标准基因符号 | 无 | 结构—基因映射 |
| protein_name | 细胞系 | 字符串 | 被标记蛋白的中文或英文名 | 如核纤层蛋白 B1 | 少数早期系 | 人类可读标签 |
| tag_protein | 细胞系 | 字符串 | 荧光蛋白类型 | mEGFP 为主 | 无 | 判断通道与光谱 |
| structure_class | 细胞系 | 字符串 | 结构大类 | 骨架、黏附、核、内膜、连接、分裂装置 | 无 | 分层抽样与配额 |
| allele_state | 细胞系 | 字符串 | 等位状态 | 单等位敲入 | 无 | 解释表达量半剂量 |
| validation_status | 细胞系 | 字符串 | 验证结论 | 已通过形态、核型、多能性检查 | 少量在研 | 是否纳入训练 |
| dataset_id | 影像批次 | 字符串 | 数据集编号 | 形如编号加版本 | 无 | 版本锁定 |
| acquisition_date | 影像批次 | 日期 | 采集日期 | 年月日 | 无 | 批次效应建模 |
| microscope | 影像批次 | 字符串 | 显微镜型号 | 厂商与型号 | 部分早期批次缺 | 设备效应校正 |
| objective | 影像批次 | 字符串 | 物镜规格 | 放大倍率与数值孔径 | 部分缺 | 分辨率换算 |
| voxel_x_nm | 影像批次 | 数值 | 横向体素尺寸 | 纳米 | 无 | 物理尺度还原 |
| voxel_z_nm | 影像批次 | 数值 | 轴向体素尺寸 | 纳米 | 少数缺 | 各向异性校正 |
| n_channels | 影像批次 | 整数 | 通道数 | 荧光加透射光 | 无 | 模型输入设计 |
| exposure_ms | 影像批次 | 数值 | 单帧曝光 | 毫秒 | 部分缺 | 光毒性评估 |
| z_slices | 影像批次 | 整数 | z 方向层数 | 数十层 | 无 | 三维重建 |
| time_points | 影像批次 | 整数 | 时间点数量 | 单点或数十 | 固定样本为单点 | 动态分析可行性 |
| cell_id | 单细胞 | 字符串 | 细胞编号 | 批次内唯一 | 无 | 主键 |
| field_of_view | 单细胞 | 字符串 | 视野编号 | 孔位加视野 | 无 | 回到原始视野 |
| colony_position | 单细胞 | 字符串 | 克隆内位置 | 边缘、内部 | 部分缺 | 形态偏差分析 |
| cell_cycle_state | 单细胞 | 字符串 | 细胞周期阶段 | 间期、有丝分裂 | 部分缺 | 分组比较 |
| image_path | 单细胞 | 字符串 | 图像文件路径 | 相对路径 | 无 | 数据加载 |
| seg_mask_path | 单细胞 | 字符串 | 分割掩膜路径 | 相对路径 | 少数无掩膜 | 监督学习 |
| structure_volume | 单细胞 | 数值 | 结构体积 | 立方微米 | 依结构而定 | 形态特征 |
| nuclear_volume | 单细胞 | 数值 | 核体积 | 立方微米 | 部分缺 | 归一化分母 |
| intensity_p99 | 单细胞 | 数值 | 强度 99 分位 | 归一化后 | 无 | 曝光一致性检查 |
2.3 一条记录的完整解剖
以一条单细胞记录为例，把它从文件名到可用特征拆开。下面的样例是结构示意，字段名与目录层级按公开数据包的组织方式给出，具体文件名随批次变化。
allen-cell-imaging/
cell_lines.json #-- 细胞系名册：编号、基因、蛋白、结构类别
datasets/
<dataset_id>/
manifest.json #-- 批次元数据：显微镜、物镜、体素尺寸、通道定义
images/
<fov_id>/
cell_<cell_id>_ch0.ome.tif #-- 荧光通道，单结构标记
cell_<cell_id>_ch1.ome.tif #-- 透射光通道，同视野
segmentations/
<fov_id>/
cell_<cell_id>_mask.ome.tif #-- 结构分割掩膜
features/
cell_features.csv #-- 每个细胞一行的形态特征
| 解剖步骤 | 具体内容 | 常见坑 |
|---|---|---|
| 定位细胞系 | 从 cell_lines.json 按 structure_class 筛 | 结构类别命名有历史变体，需做同义词归一 |
| 锁定批次 | 用 dataset_id 加版本号锁定，不用「最新」 | 「最新」随发布漂移，实验不可复现 |
| 读批次元数据 | manifest.json 里的体素尺寸与通道定义 | 轴向与横向体素不同，直接按立方体算体积会错 |
| 打开图像 | 读取 OME-TIFF，保留元数据头 | 有些流程只读像素不读头，丢失物理尺度 |
| 配通道 | 荧光通道与透射光通道按文件名后缀区分 | 把透射光当荧光通道送进模型，信号语义完全错 |
| 取分割 | 掩膜与图像必须同一坐标系、同一体素网格 | 重采样过一次的掩膜不能再当标签 |
| 算特征 | 体积、表面积、到核距离、形状因子 | 分母未用核体积归一化时，大细胞天然占优 |
| 记录版本 | 把 dataset_id 与 manifest 哈希写进实验日志 | 只记细胞系编号，复现时找不到当时的参数 |
2.4 结构类别的分布
细胞系名册按结构功能分成若干大类。下面这张表把公开目录里常见的类别与代表性标记列出来，占比一栏是按类别计数得到的粗略结构，具体数字随目录更新而变化，以官网当前页面为准。
| 结构大类 | 代表性被标记对象 | 目录中的收录形态 | 在影像数据集中的角色 |
|---|---|---|---|
| 细胞骨架 | 微管蛋白、肌动蛋白、非肌肉肌球蛋白 | 多个细胞系 | 细胞形状与极性的主干 |
| 黏附结构 | 桩蛋白、黏着斑相关蛋白 | 若干细胞系 | 细胞与基质界面 |
| 细胞连接 | 紧密连接蛋白、桥粒相关蛋白 | 若干细胞系 | 上皮层内的细胞间界面 |
| 核与核膜 | 核纤层蛋白 B1、核孔相关蛋白 | 若干细胞系 | 核形态与染色质边界 |
| 内膜系统 | 内质网、高尔基体、溶酶体、过氧化物酶体相关蛋白 | 多个细胞系 | 分泌与降解通路 |
| 线粒体 | 外膜转运蛋白 | 一到数个细胞系 | 能量代谢与网络形态 |
| 有丝分裂装置 | 纺锤体、中心体、胞质分裂相关蛋白 | 若干细胞系 | 分裂期形态 |
| 核仁与核体 | 核仁蛋白、核体组分 | 若干细胞系 | 核内亚结构 |
2.5 与同类资源的字段差异
| 维度 | Allen Cell Collection | JUMP Cell Painting | 普通免疫荧光图库 |
|---|---|---|---|
| 标记来源 | 内源基因敲入荧光蛋白 | 化学染料与外源标记 | 抗体 |
| 每个样本的结构数 | 一种荧光通道 | 五种通道同时 | 视实验而定 |
| 扰动 | 无 | 化合物与基因扰动 | 视实验而定 |
| 遗传背景 | 单一 hiPS | 单一肿瘤细胞系为主 | 混杂 |
| 活细胞 | 是 | 多为固定 | 多为固定 |
| 单细胞分割 | 逐结构提供 | 逐通道提供细胞与核 | 通常无 |
| 元数据完备度 | 高，按批次给全 | 高，附板图与处理链 | 低到中 |
| 典型使用姿势 | 基线、标签、生成 | 筛选、机制归类 | 探索性观察 |
上表「单细胞分割」一行最易误解：两边掩膜都能训分割模型，语义不同。扰动型的掩膜服务组间可分，本篇的掩膜服务单个细胞边界准确，评测指标也不同。凡需跨结构对齐的分析，都离不开 §4.2 的案例里逐结构锁定、逐批次对齐的做法，因为坐标系先统一，跨结构统计才有意义。
§3 参考系而非模型：这一层的身份判断
3.1 「参考系」三个字意味着什么
在测量科学里，参考系的作用是让不同时间、不同地点、不同操作者做出的测量能够相互比较。参考系本身不需要有临床意义，它的全部价值在于稳定与可追溯。Allen Cell Collection 的身份正是如此：它存在的意义不是告诉你某个病人怎么了，而是告诉你一个正常的人诱导多能干细胞在标准条件下，它的某一种内部结构会长成什么样、在什么位置、有多大、有多大的细胞间波动。
这个定位一旦确立，很多问题就有了答案。为什么只有一个遗传背景——参考系若随样本变化，就不成其为参考。为什么每个细胞系只标一种结构——参考系要的是单项量的可追溯，多路混合会引入串扰。为什么强调活细胞——固定会改变结构形态，参考系应尽量接近生理状态。为什么反复强调自动化培养——操作者差异是参考系最大的敌人。
3.2 与疾病模型的分界线
| 判断项 | 参考系（本集合） | 疾病模型 |
|---|---|---|
| 遗传背景 | 野生型 | 携带致病突变或患者来源 |
| 编辑目的 | 加荧光标签 | 改变基因功能 |
| 预期表型 | 无，或仅有标记带来的微小扰动 | 明确的病理表型 |
| 可用作对照 | 是 | 否，需配对野生型 |
| 数据规模动机 | 覆盖结构谱系 | 覆盖疾病谱系 |
| 结论强度 | 描述正常范围 | 推断机制 |
要研究疾病，正确做法是拿这个背景的细胞系作对照，另建携带突变的衍生系，两者在同一批成像条件下拍。直接疾病模型当参考、或把参考当疾病，都会得出错误结论。
3.3 为什么必须是单一背景
单一背景带来的代价是显而易见的：任何与遗传多样性相关的问题都无法回答。但它换来了三样东西。第一是可比性——所有细胞系共享同一套基因组，敲入位置不同带来的表达强度差异可以被更干净地归因到结构本身。第二是可叠加性——同一背景意味着细胞大小、细胞周期时长、克隆形态的分布是同一分布，跨细胞系的统计对齐才有意义。第三是可复现性——后来者拿到同样的细胞系，几乎可以重建同样的实验条件。
学界对此不是没有异议。有研究专门讨论了基础科学与疾病模型需要纳入多样性，指出只用单一背景会系统性忽略群体层面的差异。这类批评是成立的，它提醒使用者：参考系给出的是「一个正常」，不是「所有正常」。
3.4 数据集的三个版本维度
同一批细胞系在不同时间点会产出不同的影像数据集，差异体现在三个维度上。第一个是结构覆盖：早期只覆盖十种结构，后来的版本扩展到二十多种。第二个是细胞数量：随培养与成像流程的自动化程度提升，单批可成像的细胞数从数千上升到数万。第三个是成像保真度：显微镜升级与采集策略优化带来更好的轴向分辨率与更低的光毒性。
这三个维度不能用同一个数字概括。引用时必须说清楚是哪个版本、哪个结构、多少个细胞，否则「二十万细胞」和「二十五种结构」会被误读成任意组合都成立。
3.5 谁在为这个参考系买单
参考系的维护成本极高：细胞系的建立、验证、冻存、分发，影像的采集、处理、存储、重新发布，工具的维护与文档，都需要长期投入。这笔钱不来自数据销售——数据是免费公开的——而来自基金会捐赠与机构自有资金。这一点直接决定了这个资源的性格：它更在意长期可用与可复现，而不是短期产出指标。也正因如此，它的更新节奏偏慢，版本之间的兼容性做得比较认真。
§4 质量、特色与那个贯穿全文的例子
4.1 质量控制的四道关口
细胞系层面的第一道关口是基因编辑本身。CRISPR/Cas9 核糖核蛋白与供体质粒共电转之后，同源定向修复的效率并不高，论文给出的区间是低于百分之一到百分之几。这意味着绝大多数细胞没有被正确编辑，必须靠荧光富集把编辑成功的细胞挑出来，再逐个克隆、逐个验证。
第二道关口是克隆验证。挑出来的克隆要检查编辑是否精确、蛋白是否定位到正确的亚细胞位置、细胞是否维持多能性、核型是否稳定。论文报告的经验是，在已确认带编辑的克隆中，绝大多数在扩增后仍然保持良好的形态、基因组稳定性、标记蛋白的正确表达与定位、多能性标志物表达与多向分化能力。
第三道关口是培养与成像的一致性。手工培养的操作者差异是早期流程的主要噪声源，后来改用自动化液体工作站之后，样本的标准化程度、可重复性、可扩展性与一致性都提高，同时消除了操作者之间的差异。
第四道关口是图像与分割的审查。分割掩膜不是全自动产出，而是工具链加人工审查的结果。结构破碎、细胞重叠、视野边缘截断的样本会被剔除或标记。
| 关口 | 检查对象 | 失败表现 | 处置 |
|---|---|---|---|
| 基因编辑 | 编辑效率与精度 | 无荧光或荧光错位 | 富集失败者不入库 |
| 克隆验证 | 定位、多能性、核型 | 定位弥散、分化倾向 | 不入库或重做 |
| 培养一致性 | 接种密度、克隆形态 | 细胞过密、克隆过小 | 按图像分割筛选孔位 |
| 图像审查 | 视野质量与分割质量 | 空视野、污染、截断 | 剔除并记录 |
4.2 案例：WTC-11 单细胞影像数据集里的「核纤层蛋白 B1」细胞系
这一节用一个具体的细胞系把上面的抽象说法落到地上。核纤层蛋白 B1（lamin B1）是核膜内侧的主要结构蛋白，把它加上绿色荧光标签之后，整个细胞核的边界会以一圈亮环的形式出现在图像里。这个细胞系是整个集合里最常被当作教学与基准的例子，原因很简单：它的信号形态最稳定，人眼一看就懂，而且几乎所有分割算法都首先在核上验证。
这个细胞系的实用价值有三层。第一层是分割标签：核的边界在荧光图像里非常清楚，人工审查的成本低，掩膜质量高，适合作为细胞核分割模型的训练与评测源。第二层是形态学基线：核的面积、周长、圆度、椭圆率、朝向，在这个背景下有一个稳定的分布，任何声称自己改变了核形态的扰动，都可以拿这个分布做参照。第三层是空间参照：核的位置和朝向被用作所有其他结构的坐标系原点，其他细胞系的图像要跟它对齐，才能说「线粒体在核的哪一侧富集」。
这三层价值也各有边界。核纤层蛋白 B1 标记的是核膜内层，它反映的是核膜轮廓，不等于染色质分布，也不等于核仁位置。把核膜轮廓当成整个核的形态特征，在核发生形变但有内陷时会出现偏差。另外，lamin B1 的表达量随细胞周期与细胞状态变化，表达低的细胞核环会变暗，强度归一化若做得粗糙，会把暗核误判成小核。
使用这个细胞系时最容易犯的错，是把它当成「所有核都一样」的证据。事实上同一批数据里，克隆边缘的细胞与克隆内部的细胞，核的形态分布就不同；进入有丝分裂的细胞，核膜会解体，亮环消失，如果不按细胞周期分层，这些细胞会成为分割模型里的硬样本。
4.3 数据集层面的质量特征
在数据集层面，有几项特征值得单独说明。其一是配对性：每一个荧光视野几乎都有对应的透射光视野，这构成了无标记预测这类任务的天然监督信号。其二是三维性：z 堆栈的层数足以重建细胞器的体积形态，而不是只看到投影。其三是单结构性：一幅图像里只有一个荧光通道有信号，定量时不需要做通道解混，这一步省掉了很多误差。
其四是时间维度的可用与不可用。活细胞成像意味着可以带时间点，但三维扫描的单帧成本高，时间间隔往往在分钟量级，适合观察迁移、分裂、结构重排这类慢过程，不适合观察秒级事件。其五是各向异性：横向与轴向的体素尺寸不同，任何涉及距离、体积、表面积的测量都必须先做物理单位换算，否则会系统性地高估或低估。
| 质量特征 | 表现 | 对下游的影响 |
|---|---|---|
| 配对性 | 同视野有荧光与透射光 | 支持无标记预测 |
| 三维性 | z 堆栈覆盖细胞厚度 | 支持体积与形状分析 |
| 单结构性 | 每幅仅一个荧光通道 | 免通道解混，定量干净 |
| 活细胞 | 无固定伪影 | 更接近生理，但有运动伪影 |
| 各向异性 | 轴向分辨率低于横向 | 必须换算物理单位 |
| 批次性 | 按批次发布，参数可能变 | 跨批次需校正 |
| 单背景 | 基因组一致 | 可比性强，多样性缺失 |
4.4 分割质量的已知软肋
分割是这个集合最被依赖的一环，也是最容易出问题的一环。细胞器形态本身决定了分割难度：线粒体是碎片化的网络，核仁是多形态的团块，内质网是连续但不规则的网状，黏着斑是散布的小点。对这些形态，通用的阈值法效果很差，需要针对形态设计的流程。
官方提供了专门的细胞与结构分割工具，思路是按结构类型选择不同的分割策略，并在流程里内建人工审查环节。即便如此，学术界的独立评测仍然指出，不同方法在同一批数据上的表现差异很大，而且「看起来好」与「分割正确」不是一回事——有些方法在视觉上平滑漂亮，但边界系统性地内缩，导致体积低估。
在方法学上，围绕这个数据集的分割研究还在推进。近期有工作把多片状结构（例如核仁、DNA 复制焦点）表示为三维点云，用旋转不变的自编码器学习表示，绕开了体素网格对各向异性与朝向的敏感。这类进展说明，这个数据集不只是一个静态的标签库，它还在被当作方法学的试验场。
§5 怎么拿到、怎么接进流程
5.1 三条取数通道
第一条是官网目录，走浏览器，用于确认某个细胞系是否存在、属于哪一类结构、有没有对应的影像数据。第二条是数据包登记册，走命令行，适合批量下载与版本锁定。第三条是影像浏览器，走交互，适合抽查图像质量、观察三维形态，不适合批量取数。
三条通道各有优劣。官网目录最好读，但页面结构可能随改版变化，写爬虫不划算。数据包登记册最稳，有版本号与清单，适合写进流水线。影像浏览器需要 JavaScript 渲染，脚本化访问困难，且可能需要账号，自动化流程不要依赖它。
| 通道 | 访问方式 | 适合 | 不适合 | 自动化可行性 |
|---|---|---|---|---|
| 官网目录 | 浏览器 | 查某个细胞系是否在册 | 批量取数 | 低，页面会改版 |
| 数据包登记册 | 命令行或 SDK | 批量下载、版本锁定 | 快速预览 | 高 |
| 影像浏览器 | 浏览器交互 | 抽查质量、看三维形态 | 批量处理 | 低 |
| 论文附件 | 期刊页面 | 获取分割与特征表 | 拿原图 | 中 |
5.2 先确认细胞系名册
#-- 先看目录页是否可达；若返回 Cloudflare 拦截页，改用浏览器手工打开
curl -s -o /tmp/ac_catalog.html -w "%{http_code} %{size_download}\n" \
-H "User-Agent: Mozilla/5.0" https://www.allencell.org/cell-catalog.html
#-- 拦截页的特征是标题里带 Attention Required，正常页不会
grep -o "<title>[^<]*" /tmp/ac_catalog.html | head -1
上面这段的意义是先判断通道是否可用，而不是直接解析。如果拿到的是拦截页，就换通道，不要试图绕过——这属于访问控制，不是技术难题。
5.3 从数据包登记册取清单
#-- 用 Quilt 的 Python SDK 读取包清单；未安装时先 pip install quilt3
import quilt3
registry = "https://open.quiltdata.com/b/allencell"
try:
catalog = quilt3.list_packages(registry)
print(f"包数量: {len(catalog)}")
for name, info in catalog.items():
#-- 只打印名字与最新版本指针，不展开全部历史
print(f"{name}\t{info.get('version', 'n/a')}")
except Exception as exc:
print(f"登记册访问失败: {exc}")
print("改用官网 accessing-data 页面手工定位下载链接")
如果登记册不可达，退回到官方数据访问页手工找链接。这一步不可省略，因为不同批次的下载方式历史上发生过变化，只信第三方转载的链接容易拿到过期地址。
5.4 按结构类别建本地索引
#-- 把细胞系名册摊平成表，按结构类别分组，用于抽样
import json
import csv
from collections import defaultdict
with open("cell_lines.json", encoding="utf-8") as fh:
lines = json.load(fh)
groups = defaultdict(list)
for item in lines:
#-- 结构类别字段在历史版本里叫过不同名字，做一次兼容
cls = item.get("structure_class") or item.get("Structure") or "unclassified"
groups[cls.lower()].append(item.get("cell_line_id"))
with open("index_by_structure.csv", "w", newline="", encoding="utf-8") as fh:
writer = csv.writer(fh)
writer.writerow(["structure_class", "n_lines", "cell_line_ids"])
for cls, ids in sorted(groups.items()):
writer.writerow([cls, len(ids), ";".join(sorted(ids))])
print({k: len(v) for k, v in groups.items()})
这段代码不依赖任何外部服务，只要有名册文件就能跑。它的作用是把「按结构分层抽样」这件事从手工查表变成可复现的一步。
5.5 读一幅图并核对物理尺度
#-- 读 OME-TIFF 并打印物理体素尺寸，确认没有被重采样
import tifffile
path = "images/fov_0001/cell_00001_ch0.ome.tif"
with tifffile.TiffFile(path) as tif:
page = tif.pages[0]
arr = page.asarray()
ome = tif.ome_metadata or ""
print("数组形状 (z, y, x):", arr.shape)
print("位深:", arr.dtype)
print("OME 头里是否含物理尺寸:", "PhysicalSizeX" in ome)
#-- 体积换算必须用真实体素尺寸，不能假设各向同性
voxel_xy_um = 0.108
voxel_z_um = 0.29
volume_um3 = arr.shape[0] * arr.shape[1] * arr.shape[2] * voxel_xy_um ** 2 * voxel_z_um
print(f"扫描盒体积约 {volume_um3:.2f} 立方微米")
体素尺寸的具体数值随批次与物镜变化，上面两个数字只用于演示换算写法，实际使用时要读文件头，不要照抄。
5.6 只取自己需要的子集
#-- 手工下载后按结构类别建软链接，避免复制整仓
mkdir -p work/lamin work/mito work/actin
for line in $(cut -d, -f3 index_by_structure.csv | tr ';' ' '); do
case "$line" in
*lamin*) ln -sfn "$PWD/packages/$line" work/lamin/"$line" ;;
*tom*) ln -sfn "$PWD/packages/$line" work/mito/"$line" ;;
*act*) ln -sfn "$PWD/packages/$line" work/actin/"$line" ;;
esac
done
find work -maxdepth 2 -type l | wc -l
整个登记册的量级已经远超单机磁盘与单个课题的需要。按结构取子集是唯一可行的姿势，全量拉取既不现实也没有必要。
§6 与库内其他词条的关系
6.1 关系图谱
本篇与库内 jump-cell-painting（rid 642）是互补关系，不是重叠关系。两者都产出细胞形态图像、都做高通量成像、都用同一类分割与特征提取工具，但设计目标正好相反。JUMP 的设计目标是扰动后的差异：在同一个细胞系上施加成千上万种化合物与基因扰动，用五种染料一次染出多个结构，然后比较处理组与对照组的形态特征。本篇的设计目标是无扰动时的基线：不用染料，用基因敲入在同一个背景上逐个标出结构，然后用统一条件量化正常细胞的组织方式。
用一句话概括分工：JUMP 回答「扰动改变了什么」，本篇回答「正常细胞原来是什么样」。前者的输出是扰动的形态学签名，后者的输出是结构的空间分布与形态分布。前者需要后者做参照才能解释方向，后者需要前者才能证明自己作为基线是有区分力的。
| 关系 | 对象 | 关系类型 | 具体表现 |
|---|---|---|---|
| 库内相邻 | jump-cell-painting（rid 642） | 互补分工 | 扰动形态学 vs 无扰动结构基线 |
| 库内相邻 | 细胞与组织的公共影像库 | 上下游 | 本篇可作预训练源 |
| 方法层 | 分割工具链 | 依赖 | 本篇提供标签，工具提供流程 |
| 方法层 | 无标记预测工作 | 供给 | 本篇提供配对视野 |
| 方法层 | 生成建模工作 | 供给 | 本篇提供条件生成的结构标签 |
| 概念层 | 细胞状态研究 | 支撑 | 结构组织作为状态的读出 |
6.2 检索路径
在库内找相关内容，可以从三个角度切入。想找扰动型形态学数据，走 jump-cell-painting；想找细胞核或细胞形态的分割基准，走本篇并配合分割工具词条；想找细胞状态与基因表达的联合分析，走把结构组织与转录组结合的方向。
在外部检索时，英文关键词的组合方式很影响结果。用 Allen Cell Collection 加 cell line 能命中细胞系使用文献；用 WTC-11 加 single cell 能命中数据集本身的方法与下游；用 hiPSC 加 organelle 加 segmentation 能命中分割方法。用 Allen 加 Cell Painting 组合反而命中很少，因为两者的结合在文献里并不常见，这本身说明了它们的定位差异。
| 你想找的 | 库内路径 | 外部关键词 |
|---|---|---|
| 扰动形态学 | jump-cell-painting | Cell Painting, morphological profiling, perturbation |
| 单细胞器参考 | 本篇 | Allen Cell Collection, organelle, GFP knock-in |
| 核分割基准 | 本篇加分割工具 | nucleus segmentation, hiPSC, 3D |
| 无标记预测 | 本篇 | label-free, transmitted light, fluorescence prediction |
| 生成模型 | 本篇 | generative model, 3D cell organization |
| 细胞状态 | 本篇加状态研究 | cell state, structural organization, hiPSC |
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
在给这个集合打分之前，必须先纠正一个常见的评估错位：很多人拿「数据集的完整性」这把尺子来量它，量完得出「结构覆盖不全、细胞数不如筛选库、缺少扰动」的结论。这个量法本身是错的，因为它评估的是一个参考系，用的却是筛选库的标准。
正确的量法应该换三把尺子：第一把是可追溯性——每个细胞系能不能追到基因、蛋白、克隆、验证记录；第二把是一致性——同一结构在不同批次之间的分布是否可比；第三把是可解释性——一幅图像里的信号能不能直接对应到一个生物学实体。用这三把尺子量，它的得分与用完整性量出来的结论完全不同。下面的五维评分正是在这个校正之后给出的，缺省这个校正，评分会被系统性压低。
需要特别提醒的误判有两种。一种是把「只有一个背景」当成缺陷，实际上这是参考系的定义性特征，不是缺陷，缺陷是使用者拿它去回答需要多样性的问题。另一种是把「每个细胞系只标一种结构」当成技术落后，实际上这是刻意的光谱与定量取舍，多结构同时标记的代价是串色与解混误差。
7.1 五维评分
| 维度 | 分数 | 依据 | 主要扣分点 |
|---|---|---|---|
| 可追溯性 | 高 | 细胞系有基因、蛋白、克隆、验证的完整链路 | 早期批次的部分元数据字段不全 |
| 一致性 | 高 | 自动化培养加固定成像参数 | 跨年份批次的设备与参数有变化 |
| 可解释性 | 高 | 单结构标记，信号直接对应实体 | 单幅图看不到结构间关系 |
| 规模 | 中 | 二十万量级细胞，数十个细胞系 | 与筛选库的亿级细胞不在一个量级 |
| 多样性 | 低 | 单一遗传背景、单一细胞类型 | 不覆盖群体差异与组织语境 |
五维里低分的那一维不是质量问题，是设计选择。把多样性当成这个集合的短板去要求它改进，等于要求参考系变成样本库，那是另一个产品。
7.2 三个容易被忽略的技术细节
第一个细节是等位状态。单等位敲入意味着被标记的基因只剩一个野生等位在正常工作，标记蛋白的表达量大约是双等位的一半。对多数结构蛋白，这个半剂量不产生可见表型，但对剂量敏感的蛋白，可能引入微小但真实的扰动。使用者在做精细的剂量相关分析时需要考虑这一点。
第二个细节是荧光蛋白的成熟时间。mEGFP 从翻译完成到发色团成熟需要一段时间，这意味着新生蛋白的信号会滞后。在研究蛋白周转、结构快速重组这类问题时，这个滞后会模糊时间分辨率。
第三个细节是光毒性。活细胞三维成像需要反复扫描，激发光会产生活性氧，高剂量下细胞会出现形态改变甚至死亡。采集参数的设计要在信噪比与细胞健康之间取平衡，这也解释了为什么曝光不能无限提高、时间点不能无限加密。
7.3 已知的、可枚举的偏差
| 偏差 | 表现 | 成因 | 缓解方式 |
|---|---|---|---|
| 选择偏差 | 只有形态良好、贴壁正常的细胞进入数据集 | 成像前按克隆形态筛孔位 | 分析时按克隆位置分层 |
| 边缘效应 | 克隆边缘细胞极性改变 | 群体边界上的力学与信号不对称 | 把克隆位置作为协变量 |
| 周期偏差 | 有丝分裂期细胞形态特殊 | 核膜解体、结构重排 | 按细胞周期分层 |
| 强度偏差 | 暗细胞被低估体积 | 归一化对低表达细胞不利 | 用形态掩膜而非阈值定界 |
| 批次偏差 | 不同批次的主成分分离 | 设备、滤光片、曝光变化 | 跨批次前做校正 |
| 版本偏差 | 同一结构不同版本分布不同 | 采集策略演进 | 锁定版本并记录 |
| 类别偏差 | 结构类别收录不均衡 | 建系难度不同 | 分层抽样与重加权 |
偏差表里最容易被低估的是周期偏差。分裂期细胞的核膜解体、结构重排，用间期统计去判断「异常」几乎必然误报；§4.2 的案例里核膜亮环消失就是最直观的例子，按核形态做异常检测必须先分出分裂期细胞。
7.4 外部验证矩阵
一个资源说自己可靠，得有人从外面验证过。下面这张表列出的是公开可见的几类外部检验，以及它们各自验证了什么。
| 检验类型 | 检验者 | 检验内容 | 结论倾向 |
|---|---|---|---|
| 独立重实现 | 学术团队 | 用同一数据重训分割与分类模型 | 方法差异大于数据差异 |
| 生成模型复现 | 学术团队 | 在单细胞组织上训练条件生成 | 能重建结构位置分布 |
| 无标记预测 | 多组独立工作 | 从透射光预测荧光 | 结构不同难度差异大 |
| 分割基准 | 方法学论文 | 多方法在同批数据上比较 | 视觉好与分割准不等价 |
| 方法学试验 | 表示学习论文 | 点云表示与体素表示对比 | 形态适配的表示更可解释 |
| 使用面统计 | 文献计量 | 引用该集合的论文主题分布 | 多数用于细胞系工具与衍生模型 |
值得注意的是引用面。对 Europe PMC 的检索显示，提到 Allen Cell Collection 的文献已经上百篇量级，但其中相当一部分是把细胞系当作实验材料来用——做分化、做器官芯片、做基因功能研究——而不是直接用它的影像数据集。这说明它在生态里的角色更像「标准件供应商」，而不是「数据集」。这个角色与 §3 的定位判断是一致的。
7.5 它为何能持续：因为参考系是别人做实验的起点，用的人越多，重建成本就越高
一个免费公开的数据集能活多久，取决于它是否成为别人的默认选项。这个集合的生存逻辑不在数据本身，而在细胞系：一旦若干实验室把某个标记系写进了自己的实验方案、写进了论文的材料方法、写进了试剂目录，后来者要继续这条线，最省事的做法就是买同一株系。用户越多，系的地位越稳；系越稳，围绕它建的影像、工具、模型就越值得维护。这是一个正反馈，不是靠情怀维持的。
第二层支撑来自工具与文档的配套。数据如果只是一堆文件，用一次就完了；数据如果带着分割工具、带着分析流程、带着可交互浏览器，使用者会反复回来。第三层来自机构的长期承诺——这不是一个课题结题就停的项目，而是机构层面的基础设施。
§8 生态位与历史
8.1 从「把细胞画清楚」到「把细胞量清楚」
这条线的起点是更早的问题：细胞生物学长期依赖示意图，而示意图是人画的，画的人决定哪些结构被强调。要变成定量科学，得先有一个所有人都能核对的三维参照，而不是先绑定某个疾病。
2017 年的方法学论文是转折点。它把「用 CRISPR/Cas9 在人干细胞里系统性地给内源蛋白加荧光标签」做成了流程，报告了初始的十个结构标记，并给出了编辑效率、克隆验证、多能性维持这些关键指标的取值区间。这篇论文确立了后来所有工作的技术底盘：单等位敲入、荧光富集、克隆验证、功能确认。
8.2 自动化：从手艺到产线
第二个转折是培养的自动化。手工培养的瓶颈不在技术难度，而在人手与一致性：一个熟练的培养员一天能处理的孔位有限，而且不同人之间、同一人的不同批次之间都有差异。改用液体工作站之后，维护、传代、接种、基质包被都可以编排，单批的样本量上去了，操作者差异消失了。
这一步的意义常被低估。影像数据集的规模瓶颈往往不在显微镜，而在样品制备。样品制备跟不上，显微镜再快也只能空转。自动化把瓶颈从人手挪到了设备，规模才真正打开。
8.3 数据集论文与「细胞组织」这个提法
2023 年发表于 Nature 的数据集论文是这个集合的标志性产出。论文给出的核心结论不是「我们有很多图」，而是一个生物学判断：间期细胞的整合性细胞内组织对细胞形状的广泛变化是稳健的；克隆边缘的细胞某些结构的平均位置会发生极化，但它们与其他结构的连接关系保持不变；而进入早期有丝分裂时，结构位置的变化伴随着连接关系的改变。这个「位置变但接线不变」「位置变且接线也变」的区分，只有在大规模、统一条件、逐结构对齐的数据上才做得出来。
这也是这个集合不可替代的地方：它让「细胞内部的组织方式」成为一个可以测量、可以比较、可以建模的量，而不是一组好看的图片。
8.4 生态位：夹在图像库与筛选库之间
在公共生物影像的版图里，这个集合的位置比较特殊。一端是通用图像库，收一切显微镜图像，覆盖面广但参差不齐；另一端是筛选库，规模巨大但以扰动为中心、以固定样本为主。这个集合夹在中间：规模不如筛选库，但一致性远高于通用库；结构覆盖不如抗体图库，但每个结构的可追溯性远高于抗体图库。
这个位置决定了它的典型用户：不是找数据的人，而是需要标准件的人。做分割的需要标签，做预测的需要配对，做生成的需要条件，做状态研究的需要基线。这些需求共同点是对「干净」的要求高于对「多」的要求。
| 生态位 | 代表 | 规模 | 一致性 | 主要用户 |
|---|---|---|---|---|
| 通用图像库 | 公共生物影像库 | 极大 | 低到中 | 探索、教学、检索 |
| 单结构参考集 | 本集合 | 中大 | 高 | 分割、生成、基线 |
| 扰动筛选库 | JUMP 一类 | 极大 | 中（需校正） | 药物发现、机制 |
| 抗体图库 | 蛋白定位图库 | 大 | 中 | 定位验证 |
8.5 后续演进的方向
从公开的论文脉络看，围绕这个集合的工作正在往三个方向走。一是表示学习：从体素网格转向点云、图结构，以适配多片状与各向异性的形态。二是跨模态：从透射光预测荧光，从荧光预测结构，从结构预测功能。三是状态建模：把结构组织与基因表达、细胞行为放在一起，定义可计算的细胞状态。
这三个方向的共同前提都是「有一个干净的参照」。这也解释了为什么这个集合在方法学论文里出现频率很高，而在筛选类论文里出现频率较低——它的角色是地基，不是楼层。
§9 使用指引
9.1 三种角色的路径
算法工程师的最短路径是：先在目录里确认目标结构对应的细胞系，锁定一个批次，下载该批次的图像与掩膜，用掩膜做有监督分割的基线，再用同批次做跨结构泛化测试。不要一上来就下全量，全量既不必要也会把批次效应混进来。在划分数据集时，按视野而不是按细胞划分，否则同一视野里的细胞会同时出现在训练与测试里，指标虚高。
细胞生物学实验室的最短路径是：先确认要用的细胞系是否在册、是否有对应的验证数据，再走官方的细胞系获取流程，拿到系之后按官方或文献里的培养流程走，成像参数参考同结构的已有批次。用它做对照时，最要紧的是把自己的成像参数记录完整，否则对照不成立。
做生成模型或表征学习的研究者的最短路径是：先用单结构、单批次的数据把流程跑通，确认隐空间能分离结构类别，再考虑加时间维或跨结构条件。这个数据集的条件变量很干净，但也因此容易过拟合到「结构类别」这一维，忽略了细胞形态本身的影响。
| 角色 | 第一周做什么 | 第一个月做什么 | 常见弯路 |
|---|---|---|---|
| 算法工程师 | 单结构单批次跑通分割 | 跨结构泛化与批次校正 | 一上来下全量 |
| 生物实验室 | 核对细胞系与验证记录 | 建自己的成像参数档案 | 参数记录不全 |
| 生成模型研究者 | 单结构条件生成 | 加形态条件与时间维 | 只按类别条件 |
| 教学者 | 用浏览器讲解结构分类 | 组织学生做分割练习 | 用单图代表全体 |
三种角色共用一个前提：先在一到两个细胞系上跑通流程，再扩面。§4.2 的案例适合当第一个目标，信号形态稳定、审查成本低；换到线粒体网络或内质网时，流程问题与形态问题才能分开排查。
9.2 一条最短的可用流程
#-- 1. 建工作目录
mkdir -p acx/{raw,meta,work}
cd acx
#-- 2. 手工从官方数据访问页拿到目标批次的下载链接，写入清单
#-- 这里用官方页面给出的地址占位，实际使用时替换为该批次真实链接
cat > meta/downloads.txt <<'EOF'
https://www.allencell.org/accessing-data.html
https://open.quiltdata.com/b/allencell/
EOF
#-- 3. 按清单逐条下载，失败即停，不留半截文件
while read -r url; do
fname=$(basename "$url")
curl -fL --retry 3 -o "raw/$fname" "$url" || { echo "失败: $url"; exit 1; }
done < meta/downloads.txt
#-- 4. 记录版本指纹，写进实验日志
sha256sum raw/* > meta/checksums.txt
date -u +"%Y-%m-%dT%H:%M:%SZ" >> meta/checksums.txt
wc -l meta/checksums.txt
这条流程刻意保持了朴素：不做并发、不做重试策略的复杂化、不做断点续传。原因是数据量在单批次级别并不大，把可靠性放在简单性之后更划算。真要跑全量时再引入下载器。
9.3 分区策略：按视野而不是按细胞
这是最容易做错的一步。同一视野里的细胞共享培养条件、共享照明不均、共享背景，它们在统计上不独立。如果按细胞随机划分训练与测试，测试集的指标会被同视野的「孪生样本」抬高。正确做法是先按视野分组，再在视野层面随机划分，确保测试视野里的所有细胞都不在训练视野里出现。
| 划分方式 | 独立性 | 指标可信度 | 适用场景 |
|---|---|---|---|
| 按细胞随机 | 差 | 虚高 | 不推荐 |
| 按视野分组 | 好 | 可信 | 默认做法 |
| 按批次分组 | 最好 | 最保守 | 跨批次泛化评估 |
| 按细胞系分组 | 好 | 偏严 | 跨结构泛化评估 |
9.4 引用方式
引用这个集合时，至少要区分三件事：细胞系来自哪里、影像数据集是哪个版本、用于什么目的。只引一句「数据来自 Allen Institute」而不给细胞系编号与数据集版本，等于没有引用——后来者无法复现你用的是哪一批图。
建议的引用层次是：细胞系层面的方法学论文、数据集层面的正式论文、具体批次的访问日期与编号。如果用了分割工具或处理流程，也要一并引用。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 数据性质 | 实验室培养的细胞系影像，非患者数据，不涉及个人隐私 |
| 可用于训练 | 是，需遵守官方数据使用条款 |
| 需要伦理审批 | 本数据集本身不需要；衍生实验需按所在机构规定 |
| 标注来源 | 分割掩膜由工具链加人工审查产出，非众包标注 |
| 已知标签噪声 | 结构破碎、细胞重叠、视野截断处偏差较大 |
| 不适合的用途 | 临床诊断、疾病风险预测、个体化用药建议 |
| 模型外推风险 | 单一遗传背景训练出的模型，跨背景使用需重新验证 |
| 建议的引用粒度 | 细胞系编号 + 数据集版本 + 访问日期 |
7.6 DAIMS 数据质量评估
下表按数据集评估的通用维度逐项给出结论。「状态」一栏只看是否达到可用，不评优劣；「说明」一栏写的是判断依据。
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式支持 | ✅ | 单细胞特征可摊平成一张宽表，一行一个细胞 |
| 2 | 唯一标识 | ✅ | 细胞系编号、批次编号、细胞编号三层唯一 |
| 3 | 特殊字符处理 | ✅ | 编号与字段名均为 ASCII，无跨语言编码问题 |
| 4 | 缺失值约定 | ⚠️ | 不同批次的缺失字段与缺失标记不完全一致，读取时需人工核对 |
| 5 | 单位一致 | ⚠️ | 体素尺寸为纳米，特征表内多为立方微米，混用前须换算 |
| 6 | 时间戳 | ✅ | 批次带采集日期，可做时序分组 |
| 7 | 版本可追溯 | ✅ | 批次与版本号明确，可锁定 |
| 8 | 血缘关系 | ✅ | 细胞系到影像批次到单细胞，链路完整 |
| 9 | 数据字典 | ⚠️ | 字段含义分散在方法与工具文档中，缺单页总表 |
| 10 | 许可清晰 | ✅ | 官方数据使用条款，论文层面有 CC BY 4.0 声明 |
| 11 | 可复现性 | ✅ | 细胞系可重新获取，成像参数按批次记录 |
| 12 | 批注质量 | ⚠️ | 分割掩膜含工具链误差，边界样本需抽查 |
| 13 | 代表性 | ⚠️ | 单一遗传背景，不代表人群多样性 |
| 14 | 标签完整性 | ✅ | 每个细胞系有基因与蛋白层面的标签 |
| 15 | 类别均衡 | ⚠️ | 结构类别收录数不均衡，建系难度不同所致 |
| 16 | 元数据粒度 | ✅ | 到细胞与视野一级 |
| 17 | 隐私合规 | ✅ | 不含个人数据，不涉及伦理审查 |
| 18 | 二次使用限制 | ⚠️ | 以官方条款为准，商用前须逐条核对 |
| 19 | 数据体量 | ⚠️ | 登记册未核对，单批与全量差异大 |
| 20 | 长期可访问 | ✅ | 机构层面的长期承诺，非课题制 |
| 21 | 文档完整性 | ✅ | 有建模组笔记、工具文档与访问说明 |
| 22 | 社区使用面 | ✅ | 上千篇量级文献提及，含方法学与生物学两类 |
| 23 | 评测基准 | ✅ | 分割、无标记预测、生成三类任务均有公开结果 |
| 24 | 更新节奏 | ⚠️ | 按批次发布，节奏偏慢，旧版本不保证继续维护 |
打勾项多为设计层面的稳定性，警示项多与访问条件及单一背景有关。
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 这是一个细胞器数据库，可以查到任意细胞的全部细胞器 | 每个细胞系只标一种结构，跨结构关系要靠统计对齐 | 方法学论文报告初始仅十种结构标记，每个系一个 |
| 它和 JUMP Cell Painting 是一回事 | 一个无扰动单结构，一个多通道扰动筛选 | JUMP 文献的扰动数量与五通道设计 |
| 二十万细胞、二十五种结构，可以直接相乘 | 结构与细胞数的统计口径不同，不能做乘法 | 数据集论文摘要分别陈述细胞数与结构数 |
| 细胞来自病人，可以研究疾病 | 野生型 hiPS 背景，不含致病突变 | 细胞系描述与验证记录 |
| 图像是二维照片 | 三维 z 堆栈，带物理体素尺寸 | 数据文件为多平面堆栈，含轴向体素记录 |
| 荧光是染上去的 | 内源基因敲入荧光蛋白，细胞自己表达 | 方法学论文的编辑策略描述 |
| 图里的颜色就是真实颜色 | 伪彩，单通道映射，颜色由显示设置决定 | 单荧光通道设计 |
| 可以直接和自采图像做像素减法 | 成像参数差异大，必须先校正 | 批次元数据里的设备与曝光字段 |
| 只用一个遗传背景是技术限制 | 这是参考系的定义性选择，非能力不足 | 机构对参考系定位的公开表述 |
| 分割掩膜是完美的金标准 | 工具链加人工审查，边界结构有系统偏差 | 独立评测指出视觉与分割质量不等价 |
FAQ
Q1：这批细胞系能当作疾病模型用吗？
不能。它们是野生型背景的人诱导多能干细胞，编辑的只是荧光标记，不是致病突变。用途是提供正常细胞的内部结构参照。要研究疾病，需要另外引入突变，或者使用患者来源的细胞，并且与本背景的细胞系配对做对照。
Q2：它和 JUMP Cell Painting 有什么区别？
JUMP 用五种染料一次染出多个结构，在化学与基因扰动下做形态学筛选，回答的是「扰动改变了什么」。这个集合每个细胞系只精准标记一种结构，没有扰动，回答的是「正常细胞原来长什么样」。前者是筛选，后者是基线；用前者需要后者来解释方向。
Q3：为什么每个细胞系只标一种结构？
光谱通道有限，多色同时标记会有串色，串色会污染定量。基因编辑的稳定克隆也需要逐个建立与验证。单结构单细胞系让每一幅图像里只有一种荧光信号，定量最干净。跨结构的关系通过同一背景、同一培养条件、同参数下的统计对齐来恢复。
Q4：图像是活的还是固定的？
主数据集是活细胞的三维成像，这依赖荧光蛋白由细胞自己表达，不需要染色与固定。固定样本主要用于验证与补充实验。活细胞决定了图像可以带时间维，也决定了曝光必须压低以控制光毒性。
Q5：图像格式是什么，需要专门软件吗？
以带元数据的开放显微格式为主，常见的是 OME-TIFF 一类的多平面堆栈，部分原始采集可能是厂商格式。读取可以用通用科学图像库，不一定需要厂商软件。关键是读的时候要保留元数据头，否则物理尺寸会丢失。
Q6：单细胞图像有多少，怎么数？
数据集论文给出的口径是二十余万个活细胞，覆盖二十余种结构。这个数不是「每个结构乘以细胞数」，而是各批次不同结构的累计。要精确计数只能逐个批次读清单累加，官方页面与论文摘要只给量级。
Q7：可以直接拿来做临床相关的任务吗？
不适合。细胞系不是病人，体外单层培养也不是组织。任何以临床决策为目标的模型，在这个数据上只能做预训练或方法验证，不能作为临床证据。
Q8：为什么说它在文献里更像「标准件」而不是「数据集」？
因为大量引用它的论文是把细胞系当实验材料，做分化、器官芯片、基因功能研究，而不是直接用它的影像集。这说明它的生态位是提供可复用的起点，而不是提供一次性的大数据。
Q9：跨批次合并要注意什么？
先看两批的显微镜、物镜、滤光片、曝光、体素尺寸是否一致，不一致就要做批次效应评估。最简单的诊断是按批次做主成分分析，如果第一批主成分与批次高度相关，就必须校正后再合并。
Q10：分割掩膜能直接用吗？
可以做基线，不能当完美金标准。结构破碎、细胞重叠、视野截断的区域偏差较大。做严格评测时，应抽样人工复核，并在报告里说明掩膜的来源与版本。
Q11：这个集合适合做无标记预测吗？
适合，因为同一视野同时有透射光与荧光，配对关系干净。但要注意不同结构的预测难度差别很大，核与核仁这类边界清晰的结构容易，线粒体与内质网这类网状结构难。报告结果时要按结构分层。
Q12：后续还会有新数据吗？
会。细胞系持续增补，影像按批次发布。引用时锁定版本号，不要用「最新」，否则半年后无法复现。
术语表
| 术语 | 解释 |
|---|---|
| hiPS 细胞 | 人诱导多能干细胞，由成体细胞重编程而来，可长期自我更新并分化 |
| WTC-11 | 本集合主要使用的 hiPS 细胞系名称，野生型背景 |
| CRISPR/Cas9 | 基因编辑系统，用向导 RNA 定位、用核酸酶切割 |
| 同源定向修复 | 细胞利用提供的模板修复双链断裂的方式，用于精确插入 |
| 敲入 | 把外源序列插入到基因组特定位点的操作 |
| 单等位 | 一对等位基因中只有一个被编辑，另一个保持野生型 |
| mEGFP | 单体增强型绿色荧光蛋白，常用作标记 |
| 内源位点 | 基因在基因组中的天然位置，由其自身调控序列驱动表达 |
| 荧光富集 | 用流式分选按荧光强度挑出编辑成功的细胞 |
| 克隆系 | 由单个细胞扩增而来、遗传背景一致的细胞群体 |
| 多能性 | 细胞分化为三个胚层来源细胞类型的能力 |
| 核型 | 染色体的数目与结构特征，用于判断基因组稳定性 |
| z 堆栈 | 沿光轴逐层扫描得到的三维图像序列 |
| 体素 | 三维图像的最小体积单元 |
| 各向异性 | 横向与轴向分辨率不同，导致体素不是立方体 |
| 光毒性 | 激发光对活细胞造成的损伤 |
| 光漂白 | 荧光分子在激发下逐渐失去发光能力 |
| 分割 | 把图像中属于目标结构的像素或体素标出来 |
| 掩膜 | 分割结果的二值或标签图 |
| 形态学 profiling | 用大量形态特征描述细胞或结构的表型 |
| 无标记预测 | 从透射光等无标记图像预测荧光标记图像 |
| 条件生成 | 给定条件变量生成图像，条件可以是结构类别或细胞形态 |
| 批次效应 | 由非生物学因素导致的系统性差异 |
| 细胞状态 | 由结构组织、表达谱、行为共同定义的细胞可测量状态 |
| 参考系 | 用于让不同时间地点的测量可比较的稳定标准 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 可否自行复算 |
|---|---|---|---|
| 细胞结构覆盖数 | 25 类 | Nature 2023 数据集论文摘要 | 否，摘要口径 |
| 单细胞数量 | 逾二十万活细胞 | Nature 2023 数据集论文摘要 | 否，需读清单累加 |
| 初始标记结构数 | 10 种 | 2017 年方法学论文摘要 | 否，摘要口径 |
| 编辑效率区间 | 低于百分之一到百分之几 | 2017 年方法学论文摘要 | 否，实验数据 |
| 克隆验证通过比例 | 已确认编辑的克隆中绝大多数通过 | 2017 年方法学论文摘要 | 否，实验数据 |
| 提到细胞系的文献量 | 上百篇量级 | Europe PMC 检索命中数 | 可，按检索式复算 |
| 细胞系背景 | 单一 hiPS（WTC-11） | 数据集论文与细胞系目录 | 可，查目录 |
| 图像维度 | 三维加单荧光通道 | 数据文件与批次元数据 | 可，读文件头 |
| 组织稳健性结论 | 间期细胞组织对形状变化稳健 | Nature 2023 论文摘要 | 否，需复现分析 |
| 数据包数量 | 未核实 | 登记册访问受限 | 否 |
| 单批下载体积 | 未核实 | 官网页面访问受限 | 否 |
附录 B：数字的来源分层
| 层级 | 来源类型 | 本页使用的例子 | 可信度 |
|---|---|---|---|
| 第一层 | 数据集论文摘要原文 | 细胞数、结构数、编辑效率、组织稳健性 | 高 |
| 第一层 | 方法学论文摘要原文 | 初始结构数、克隆验证结论 | 高 |
| 第二层 | 官方页面的结构性描述 | 三层组织、访问通道、工具配套 | 中高 |
| 第三层 | 文献计量检索 | 引用面主题分布 | 中 |
| 第四层 | 未能访问的部分 | 数据包数量、体积、具体体素数值 | 低，已标注未核实 |
这个分层是本页的处理原则：能用论文摘要原文支撑的，写成确定句；只能用官方页面描述支撑的，写「官方页面称」；访问不到的，直接写未核实，不用推测数字填空。
附录 C：完整参考文献
- Viana MP, Chen J, Knijnenburg TA, 等. Integrated intracellular organization and its variations in human iPS cells. Nature, 2023, 613: 345-354. DOI: 10.1038/s41586-022-05563-7（CC BY 4.0）
- Roberts B, Haupt A, Tucker A, 等. Systematic gene tagging using CRISPR/Cas9 in human stem cells to illuminate cell organization. Molecular Biology of the Cell, 2017, 28: 2854-2874. DOI: 10.1091/mbc.e17-03-0209
- Gregor BW, Coston ME, Adams EM, 等. Automated human induced pluripotent stem cell culture and sample preparation for 3D live-cell microscopy. Nature Protocols, 2024, 19: 565-594. DOI: 10.1038/s41596-023-00912-w
- Ounkomol C, Seshamani S, Maleckar MM, 等. Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy. Nature Methods, 2018, 15: 917-920. DOI: 10.1038/s41592-018-0111-2
- Johnson GR, Donovan-Maiye RM, Maleckar MM. A deep generative model of 3D single-cell organization. PLOS Computational Biology, 2022, 18: e1009155. DOI: 10.1371/journal.pcbi.1009155（CC BY 4.0）
- Vasan R, Ferrante AJ, Borensztejn A, 等. Interpretable representation learning for 3D multi-piece intracellular structures using point clouds. Nature Methods, 2025, 22: 1531-1544. DOI: 10.1038/s41592-025-02729-9（CC BY 4.0）
- Bragantini J, 等. Orientation-invariant autoencoders learn robust representations for shape profiling of cells and organelles. Nature Communications, 2024, 15. DOI: 10.1038/s41467-024-45362-4（CC BY 4.0）
- Allen Institute for Cell Science. Cell catalog. https://www.allencell.org/cell-catalog.html（2026-10 尝试访问，返回访问拦截页）
- Allen Institute for Cell Science. Accessing data. https://www.allencell.org/accessing-data.html（同上）
- Allen Institute for Cell Science. Quilt data registry. https://open.quiltdata.com/b/allencell/（登记册，2026-10 尝试访问）
- Allen Institute for Cell Science. Modeling group notes. https://allencellmodeling.github.io/（2026-10 访问，页面标题与描述已核对）
附录 D：一份最小的取数核对清单
#-- 取数前逐条打勾，任何一条不清就不要开始训练
checklist = {
"cell_line_id_recorded": True, #-- 细胞系编号已记录
"dataset_version_pinned": True, #-- 批次与版本号已锁定
"manifest_hashed": True, #-- 批次元数据已存哈希
"voxel_size_read_from_header": True, #-- 体素尺寸来自文件头而非假设
"channels_mapped": True, #-- 荧光与透射光通道已区分
"mask_same_grid_as_image": True, #-- 掩膜与图像同网格
"split_by_fov": True, #-- 按视野而非按细胞划分
"access_date_logged": True, #-- 访问日期已写日志
}
missing = [k for k, v in checklist.items() if not v]
if missing:
print("未完成项:", ", ".join(missing))
else:
print("核对通过，可以进入建模阶段")
清单短是有意的。取数环节的失败几乎都出在这八项上，而不是出在更复杂的检查上。把八项做成习惯，比写一套复杂的校验框架更有效。
附录 E：如果只记五件事
- 它是一批参考系细胞系，不是疾病模型，所有细胞的遗传背景相同。
- 每个细胞系只标一种结构，靠内源基因敲入荧光蛋白实现，不靠染色。
- 旗舰数据集是二十余万个活细胞、二十余种结构的三维影像，2023 年发表于 Nature。
- 它与 JUMP Cell Painting 互补：JUMP 做扰动下的形态筛选，它做无扰动的结构基线。
- 数据免费公开但访问通道有变化，取数时以批次与版本为单位锁定，不要用「最新」。
编辑说明
本页事实来源以 Europe PMC 与 Crossref 返回的论文摘要与元数据为主，官方页面在本次核验时返回访问拦截页，因此涉及细胞系数目、数据包数量、单批体积这类需要翻页统计的数字，一律标注未核实，未做推测填补。
核验时间：2026-10-26。核验方式：Europe PMC 检索式共四组（Allen Cell Collection、Allen Institute for Cell Science、WTC-11、cell painting 组合），Crossref 逐篇核对 DOI、刊名、卷页、许可；官方站点与 Quilt 登记册各尝试一次，记录返回状态。
本页未覆盖：细胞系目录的完整清单与编号对应表、数据包的实际体积与文件数、不同批次的体素尺寸明细、影像浏览器的交互功能。这四项都需要在可访问的环境下重新核对。
页面中的代码示例用于演示读取与组织的写法，体素尺寸、下载地址、包名均为占位，实际使用时以文件头与官方页面为准。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- tcga — 共享标签：基因组学与多组学 / 病理图像
- sthelar — 共享标签：医学图像分割 / 基因组学与多组学 / 病理图像
- cellxgene — 共享标签：基因组学与多组学 / 病理图像
- icgc — 共享标签：基因组学与多组学 / 病理图像
- pannuke — 共享标签：医学图像分割 / 病理图像
- consep — 共享标签：医学图像分割 / 病理图像
- lizard — 共享标签：医学图像分割 / 病理图像
- peso — 共享标签：医学图像分割 / 病理图像
- cosas — 共享标签：医学图像分割 / 病理图像
- cryonuseg — 共享标签：医学图像分割 / 病理图像
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
