信息速览
Human Brain snRNA-seq Atlas — 1400 万核人脑单核转录组图谱 AI-Ready Wikipedia
INFOBOX
| 字段 | 值 |
|---|---|
| 数据集名称 | Human Brain snRNA-seq Atlas（中文常称「人脑单核转录组图谱」） |
| 英文全称 | A Scalable Human Brain Cell Atlas Dissects the Microglial Immune Codes and Cognitive Resilience |
| 别名/简称 | brain-snrna-ad-atlas（本站 slug）；GSE326002；PRJNA1442802；SRP686723；预印本别名 “A Scalable Human Brain Cell Atlas Foundation Model Dissects the Cellular Immune Codes and Cognitive Resilience” |
| 疾病分类（ICD-11） | 8A20 阿尔茨海默病（Alzheimer disease）；6D85.0 与年龄相关认知衰退相关条目；PART（原发性年龄相关 tau 蛋白病）在 ICD-11 中无独立编码，归入 8A2Z tau 蛋白病范畴 |
| SNOMED CT | 26929004（Alzheimer’s disease）/ 416780008（primary degenerative dementia）/ 733028000（multiple sclerosis 无关，仅作排除对照）——本数据集主概念为 26929004 |
| 数据模态 | 单核 RNA 测序（snRNA-seq，3’ 端计数矩阵）；配套免疫组织化学验证与患者 iPSC 来源小胶质细胞转录组 |
| AI 任务类型 | 细胞类型注释、差异表达分析、细胞状态转移建模、基因-病理关联、基础模型（foundation model）预训练 |
| 样本总数 | 摘要口径 2,239 例深度表型化死后样本（31 脑区，约 1400 万核）；GEO 归档口径 6 例 GSM；SRA 口径 12 个 run |
| 数据大小 | GEO 补充文件 GSE326002_RAW.tar 1,576,960 B（约 1.5 MB）；SRA 原始数据 size_MB 合计 7,172 |
| 数据格式 | TSV.gz（GSM96xxxxx_Xn_RNASEQ_count.tsv.gz）；SRA 原始 FASTQ；TAR 打包 |
| 许可证 | GEO 系列开放获取（NCBI 公共数据政策）；预印本文本 CC BY 4.0 |
| 访问级别 | 开放（GEO/SRA 无需申请）；图谱本体公开发布入口未见于 GEO |
| DUO 标签 | GRU（General Research Use，仅作参考，官方未标注） |
| 语言 | 英文（元数据）/ 中文（本页） |
| 首发日期 | 2025-07-08（Research Square 预印本 v1） |
| 最后更新 | 2026-09-22（GEO 系列公开） |
| 发布机构 | Cleveland Clinic Genome Center（提交单位字段：CHENG, GENOME CENTER, THE CLEVELAND CLINIC RESEARCH） |
| 官方主页 | https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE326002 |
| 下载地址 | https://ftp.ncbi.nlm.nih.gov/geo/series/GSE326nnn/GSE326002/suppl/GSE326002_RAW.tar |
| DOI | 10.21203/rs.3.rs-6986171/v1（预印本） |
| 引用次数 | 未公开（预印本 2025-07 发布，截至 2026-10 未见期刊版引用计数） |
| AI 就绪度评分 | ⭐⭐（2/5）— 规模与表型设计一流，但公开归档只含 6 例验证样本、补充文件 1.5 MB，图谱本体无公开下载入口，无法直接构建训练/验证流水线 |
| 页面状态 | published |
§0 E-E-A-T 信任声明与免责声明
医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（AD、CR、PART 三类认知-病理状态的 ICD-11/SNOMED CT 映射、临床任务边界）、§7 偏倚分析。
数据工程审核者：千方病案医学编辑部交叉审核：§4 DAIMS 数据字典（GEO 样本、SRA 运行与图谱供体三套主键的关系）、§5 数据划分策略、§6 预处理 Pipeline 与坑点。
审核日期：2026-10-17
审核方式：交叉审核
利益冲突声明：千方病案医数集与 Cleveland Clinic、NCBI 及各资助机构无任何商业利益关联。本页面不销售 brain-snrna-ad-atlas 数据本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受 Cleveland Clinic 或相关实验室的任何形式资助。
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于 GEO 元数据与作者预印本摘要，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和规模数字基于公开资料整理。本数据集存在「摘要规模」与「归档内容」显著不一致的特殊情况（详见 §4.3 与 §6.5 坑点 1），使用者必须自行核对实际拿到的文件，不得依据 1400 万核这一数字推断本地数据体量。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。GEO 系列属 NCBI 公共数据库，可免费访问下载并须按学术规范引用；预印本文本采用 CC BY 4.0。DUO 标签（GRU）为本页参考性标注，官方未显式声明，具体使用限制以 NCBI 政策与作者声明为准。
§1 数据集概览
§1.0 📌 30 秒速览
这是什么？ brain-snrna-ad-atlas 指向一个 GEO 系列编号 GSE326002，它是克利夫兰医学中心（Cleveland Clinic）Feixiong Cheng 团队在 2025 年 7 月预印本中首次发布的人脑单核 RNA 测序（single-nucleus RNA-seq, snRNA-seq）图谱。团队自述其规模为「约 1400 万个细胞核、31 个脑区、2,239 例深度表型化的死后样本」，按认知状态分成四组：认知正常（cognitively normal, CN）、临床与病理双重确认的阿尔茨海默病（AD）、认知韧性（cognitively resilient, CR）、以及原发性年龄相关 tau 蛋白病（primary age-related tauopathy, PART）。一句话：它不是影像数据，而是把两千多例死亡后的人脑组织打碎成单个细胞核、逐个读出转录组。
为什么重要？ 阿尔茨海默病研究长期缺少「同一个人、多个脑区、多组学、且临床与病理都清楚」的大样本细胞级资源。既有的人脑单细胞图谱（如 Human Brain Cell Census、SEA-AD）在脑区数或样本量上各有侧重，本数据集自称是迄今最大的人脑 snRNA-seq 图谱。更关键的差异化在 CR 与 PART 两个组：CR 指「病理很重但认知保留」的人群，PART 指「只有 tau、没有明显淀粉样蛋白」的早期 tau 病变，这两个组正好切在 AD 光谱的两端，是研究「韧性与易感」的天然对照。
我能用它做什么？ 如果拿到图谱本体，典型用法是：以细胞核为样本做细胞类型注释与聚类（作者报告超过 50 种神经元与胶质细胞类型）；对比 AD 与 CN 的差异表达；追踪小胶质细胞从稳态到疾病相关状态（disease-associated microglia, DAM）的转移；以及用千万级细胞核做单细胞基础模型（foundation model）的预训练。但必须先读 §4.3：GEO 上实际能下载的只有 6 例 iPSC 来源小胶质细胞的验证实验和 1.5 MB 补充文件，1400 万核的矩阵不在里面。
§1.1 技术摘要
本数据集在技术上是「同一种 assay、两个层次的数据。」理解它的关键是分清这两个层次，否则所有下游判断都会错位。
第一层：图谱本体（atlas level）。 这是论文和 GEO 摘要描述的对象。流程上是从尸检脑组织中提取细胞核，对 31 个脑区分别做单核 RNA 测序，得到每个细胞核的基因表达计数；再以细胞核为单位做 QC、整合、聚类、注释，得到超过 50 种细胞类型；最后把每个细胞核映射回「属于哪个供体、哪个脑区、哪个认知分组」。作者特别强调使用了「可扩展的生成式人工智能框架」（scalable generative artificial intelligence framework）来完成这一整合，这也是标题里 “Scalable” 的含义——不是指样品量线性堆叠，而是指用生成式模型在千万级细胞核上做可计算的表征学习。
第二层：GEO 归档（archive level）。 这是任何人今天打开 GEO 页面真正能看到的东西。系列里挂着 6 个样本（GSM9618668–GSM9618673），标题明确写着 “DMSO-treated / Dizocilpine maleate (MK-801) (10uM)-treated IUGB267.2 AD patient iPSC-derived microglia”，即来自一例 AD 患者（编号 IUGB267.2）的诱导多能干细胞（iPSC）分化小胶质细胞，分 DMSO 对照与 MK-801（地佐环平，一种 NMDA 受体拮抗剂）处理两组，每组三个重复。平台为 GPL24676 Illumina NovaSeq 6000，双端 150 bp，每个实验两个 run，合计 12 个 run。补充文件只有一个 GSE326002_RAW.tar，1,576,960 字节。
两层之间的关系。 从摘要叙述看，第二层是论文中「用患者 iPSC 来源小胶质细胞的转录组签名复现 glutamate 介导的免疫-神经元 crosstalk」这一步的实验验证材料，属于图谱的佐证而非本体。这也解释了为什么 GEO 页面只有 6 个样本：作者把可公开的验证实验提交了，而千万级细胞核的矩阵与供体级元数据通过其他渠道（论文所述 “open-access platform”）发布，具体入口在公开检索中未能定位（见 §9 遗留疑点）。
技术规格汇总。 测序平台 Illumina NovaSeq 6000（GPL24676，物种 Homo sapiens）；文库策略 RNA-Seq，selection cDNA，source TRANSCRIPTOMIC，layout PAIRED，平均读长 150；12 个 run 合计 spots 146,218,395、bases 21,932,759,250（约 21.9 Gb）、压缩体积合计约 7,172 MB；每个 GSM 对应一个 260 KB 左右的计数矩阵 *_RNASEQ_count.tsv.gz。这些是能从 SRA runinfo 与 GEO filelist 逐条核到的硬数字。
§1.2 战略价值
第一，填补「死后组织 × 多脑区 × 大样本」的空白。 阿尔茨海默病的活体研究有 ADNI 这样的纵向影像队列，但影像只能看到宏观萎缩与淀粉样蛋白/tau 的 PET 信号，看不到细胞层面的变化。死后组织研究能看到细胞，但传统 bulk RNA-seq 把细胞类型混在一起。snRNA-seq 把两者接上：既有细胞分辨率，又保留了供体级的临床与病理表型。2,239 例、31 个脑区的组合，使得「同一供体不同脑区的易感性差异」这一类问题第一次有了足够样本量。
第二，CR 与 PART 两组的稀有性构成独特标签空间。 绝大多数 AD 数据集只有「病/非病」二分。CR 组要求「病理达到 AD 标准但认知保持正常」，这需要既有死后病理评估又有生前认知量表，能凑出规模样本的队列极少。PART 组则是「有 tau 无淀粉样」的对照，用来分离 tau 通路的独立贡献。这两组合起来，使本数据集可以直接用于「韧性预测」与「tau 优先 vs 淀粉样优先」两类建模，而不必借用代理标签。
第三，对基础模型（foundation model）研究有直接的语料价值。 单细胞基础模型的瓶颈之一是语料规模与组织多样性。千万级人脑细胞核、31 个脑区、四种病理状态，是训练「脑特异」表征模型的理想语料。作者自己也把生成式 AI 框架作为方法核心，这意味着数据集的产出方式与下游用途是同构的——它既可以被当作训练语料，也可以被当作验证「生成式整合是否保真」的基准。
第四，开放式发布降低复用门槛，但需谨慎对待归档落差。 GEO 与 SRA 的公开归档使原始测序数据与验证实验可自由获取，预印本以 CC BY 4.0 发布使方法描述可复用。但正如 §4.3 详述，「开放」目前只覆盖了验证层，未覆盖图谱本体，这既削弱了它的即用价值，也给使用者留下一个必须自己解决的获取环节。
§1.3 同类数据集横向对比
| 数据集 | 物种/组织 | 模态 | 样本规模 | 脑区/细胞规模 | 差异化 |
|---|---|---|---|---|---|
| brain-snrna-ad-atlas（本条） | 人，死后脑 | snRNA-seq | 2,239 例深度表型化样本 | 31 个脑区，约 1400 万核，>50 细胞类型 | 含 CN/AD/CR/PART 四分组，规模自述为同类最大；GEO 仅归档 6 例验证样本 |
| SEA-AD（Allen Institute） | 人，死后脑 | snRNA-seq + 空间转录组 + 病理 | 84 例供体（自述规模） | 多脑区，数百万细胞 | 与 Allen 参考图谱体系连通，数据经官方门户开放；样本量远小于本条 |
| Human Brain Cell Census（HBCC / Siletti 2023） | 人，死后脑 | snRNA-seq | 100+ 供体 | 100+ 脑区解剖分区，约 300 万细胞 | 解剖分区最细，偏正常图谱而非疾病对照 |
| ROSMAP / MSBB snRNA-seq | 人，死后脑 | snRNA-seq / bulk | 数百例（含 Religious Orders Study 与 Memory and Aging Project） | 前额叶等少数脑区 | 与纵向认知随访绑定最紧，脑区覆盖窄 |
| ADNI（本站 rid 101） | 人，活体 | MRI / PET / 基因组 / 生物标志物 | 数千例纵向随访 | 全脑影像体素 | 活体纵向，无细胞分辨率，与本条互补而非替代 |
| Allen Brain Atlas（本站 rid 275） | 人+小鼠 | ISH / 微阵列 / 连接组 | 6 供体 3,702 微阵列样本 | 全脑解剖取样 | 无单细胞疾病分组，属参考图谱 |
对比提示：上表用于定位「谁和谁在哪个维度重叠」，不是同规模替代榜单。选型时先问三个问题：要不要细胞分辨率？要不要疾病分组？要不要活体纵向？三者取二通常就决定了候选集。本数据集的独特性集中在第二项，而第一项受归档落差限制。
§1.4 版本时间轴
| 日期 | 事件 | 来源 |
|---|---|---|
| 2025-07-08 | Research Square 预印本 v1 发布，标题为 “A Scalable Human Brain Cell Atlas Foundation Model Dissects the Cellular Immune Codes and Cognitive Resilience”，DOI 10.21203/rs.3.rs-6986171/v1，CC BY 4.0 | Research Square 页面 |
| 2025 年内（具体日期未公开） | AD/PD 2026 会议摘要投稿（ID 1051），标题改为 “…Dissects the Cellular Immune Codes and Cognitive Resilience in Alzheimer’s Disease” | AD/PD 会议平台 |
| 2026-03-25 | SRA 记录 LoadDate；6 例 iPSC 验证样本的测序数据入库 | SRA runinfo |
| 2026-09-22 | GEO 系列 GSE326002 公开（ReleaseDate / pdat 一致）；补充文件打包时间戳 00:22 | GEO esummary + FTP filelist |
| 期刊版 | 未公开（截至 2026-10-17 检索未见同行评议刊出版本） | 检索结果 |
§1.4b 版本化现状说明
本数据集目前只有一条版本链：预印本 v1 → GEO 归档。不存在 v2 或勘误版本，也没有「先发预印本、再发期刊、最后补数据」的多阶段演进。这意味着两件事：其一，所有规模数字都来自同一批作者的自我报告，尚无独立复现或第三方审计；其二，如果未来出现期刊版并伴随数据发布，本页的 §4.3 与 §6.5 结论需要重新评估。本站将以 GEO 系列的 dateModified（2026-09-22）作为版本锚点。
§1.5 典型应用场景
场景一：细胞类型注释的参考集。 若拿到图谱本体，可直接用作脑组织 snRNA-seq 的参考（reference）进行标签转移（label transfer），把新数据集的细胞核映射到 50 余种已注释类型上。这类用法对「脑区覆盖广度」敏感，31 个脑区是明显优势。
场景二：AD 与 CN 的差异表达与通路富集。 以认知分组为条件变量，对每种细胞类型做差异表达，可以回答「哪种细胞在疾病中最先改变」。作者报告的核心发现之一是小胶质细胞中 PLCG2 随年龄下调、GPNMB 与 AD 进展相关。
场景三：韧性建模。 用 CR vs AD 的对比找出「病理重但认知保留」的分子特征，例如作者报告的生长抑素（somatostatin, SST）神经元线粒体生物能量学上调。这是精准医学方向的高价值标签。
场景四：性别分层分析。 作者报告干扰素通路基因（IFIT3、IFI44）是女性特异的小胶质细胞标记。这提示本数据集可支持性别 × 疾病交互的建模，但需注意性别比例的公开程度有限（见 §7.1）。
场景五：基础模型预训练与评测。 千万级细胞核可作为语料；同时因为作者本身用了生成式框架，本数据集也可以作为「生成式整合方法的保真度基准」。
不适用场景：任何需要「本地已有全量矩阵」的即插即用流水线；任何把 2,239 当作「可下载文件数」的统计；任何临床诊断推断。
§1.6 谁在用与为何重要（社区视角）
从公开检索能确证的使用者信号有限：预印本 2025-07 发布，GEO 2026-09 归档，至 2026-10 尚未见期刊版，引用计数未公开。可以观察到的社区关注点有三类：其一是 AD 单细胞领域的「规模竞赛」语境，本数据集以 2,239 例与 31 脑区的组合对标 SEA-AD 与 HBCC；其二是生成式 AI 在单细胞整合中的方法学讨论，作者把 foundation model 放在标题里，使其成为方法论文献的引用对象；其三是 CR/PART 表型设计本身，被 AD/PD 会议摘要单独提炼成「cellular immune codes」的叙事。
需要提醒的是，「社区在用」与「数据可获取」是两件事。目前能确证的是叙事层面的关注，不能确证的是大规模二次分析——因为图谱本体尚无公开下载入口。
§1.7 FAQ 快速答疑
Q1：这个数据集和 ADNI 是同一类东西吗？
不是。ADNI（本站 rid 101）是活体纵向影像与生物标志物队列；本数据集是死后脑组织的单核转录组。前者看「人活着时脑子怎么变」，后者看「人死后细胞里发生了什么」。二者可互补，不可互换。
Q2：和 Allen Brain Atlas 呢？
也不是。Allen Brain Atlas（本站 rid 275）是多模态参考图谱家族，以原位杂交、微阵列、连接组为主，人类部分只有 6 个供体的微阵列取样。本数据集是疾病分组明确的 snRNA-seq 队列。
Q3：GEO 上只有 6 个样本，是不是数据造假？
不能这样推断。GEO 系列可以只归档论文中的验证实验，这在单细胞论文里并不罕见——主矩阵往往放在 cellxgene、Synapse、Zenodo 或自建门户。问题在于本数据集的主矩阵公开入口在检索中未能定位，这是「可获得性缺口」，不是「真实性缺口」。本页在 §4.3 与 §9 分别记录事实与疑点。
Q4：2,239 是人数还是样本数？
官方原文用 “postmortem samples”，未说明是否等于独立供体数。AD/PD 摘要另有一处写作 “more than 2,200 postmortem samples”，也没有澄清单位。本页统一按原文译为「死后样本」，不擅自改写为「供体」。
Q5：四种分组分别是什么意思？
CN = cognitively normal，认知正常；AD = clinico-pathologically confirmed，临床与病理双重确认的阿尔茨海默病；CR = cognitively resilient，病理达到 AD 程度但认知保留；PART = primary age-related tauopathy，原发性年龄相关 tau 蛋白病，以 tau 病理为主、淀粉样蛋白负荷低。
Q6：我能直接下载 1400 万核的矩阵吗？
在 GEO 内不能。GEO 只提供 6 个 GSM 的 260 KB 级计数矩阵与一个 1.5 MB 的 TAR。SRA 提供这 6 个实验的原始 FASTQ。图谱本体的获取需另行联系作者或等待其门户公开。
Q7：许可允许商用吗？
GEO 数据按 NCBI 公共数据政策开放，但「开放获取」不等于「无条件商用」。预印本文本为 CC BY 4.0，仅覆盖文本。数据本体的商用边界需以作者与机构声明为准，本页不做法律判断。
§2 医学背景
§2.1 ICD-11 编码映射
| 概念 | ICD-11 编码 | 与本数据集的关系 |
|---|---|---|
| 阿尔茨海默病（Alzheimer disease） | 8A20 | 数据集的 AD 组即 clinico-pathologically confirmed 的 8A20 病例；CN 组为对照 |
| 阿尔茨海默病，迟发型（Late onset Alzheimer disease） | 8A20.0 | 死后队列以老年供体为主，多数 AD 样本应落在此亚型；数据集未公布年龄分布的细分 |
| 其他特指的阿尔茨海默病 | 8A20.Y | 可能覆盖混合病理样本；数据集未单列 |
| 阿尔茨海默病，未特指 | 8A20.Z | 兜底编码，适用于分组信息不足时 |
| 原发性年龄相关 tau 蛋白病（PART） | 无独立编码，归 8A2Z（其他特指的 tau 蛋白病）范畴 | 数据集的 PART 组；ICD-11 未为 PART 单设条目，这在神经病理学界是长期存在的编码缺口 |
| 轻度认知障碍（Mild cognitive impairment） | 6D71 / 相关条目 | CR 组的临床表型可能与之重叠（「认知保留」不等于「完全正常」），数据集未公布 CR 组的具体量表得分 |
| 血管性痴呆（Vascular dementia） | 6D81 | 混合病理的常见共病；数据集未公布血管病理的排除或分层规则 |
编码提示：上表是「概念到编码」的映射，不是数据集中已有的字段。GSE326002 本身不携带 ICD-11 编码，映射由本站编辑部依据 GEO 摘要的分组描述完成。PART 缺乏独立 ICD-11 条目这一点，会直接影响基于 ICD 编码的队列筛选——用 8A2Z 检索会漏掉大量 PART 病例，反之亦然。
§2.1b SNOMED CT 映射
| 概念 | SNOMED CT | 说明 |
|---|---|---|
| Alzheimer’s disease | 26929004 | 最常用的 AD 概念 ID，等同 ICD-10 G30.9 的语义类 |
| Primary degenerative dementia | 416780008 | 与 26929004 高度重叠，不同实现中二者常被合并 |
| Senile dementia of Alzheimer type | 12348006 | 老年型 AD 的 SNOMED 概念 |
| Mild cognitive impairment | 386805003 | 与 CR 组的边界模糊 |
| Neurofibrillary tangle | 71006003 | PART 的核心病理特征（形态学概念，非疾病概念） |
| Amyloid plaque | 400010001 / 相关形态学概念 | AD 的核心病理特征；PART 中通常稀疏或缺失 |
使用建议：若要把本研究的分组接到电子健康记录（EHR）上做外部验证，不要直接用 26929004 单码匹配，因为「clinico-pathologically confirmed」这一限定条件在 SNOMED 中没有对应修饰符。更可靠的做法是「疾病概念 + 病理报告实体 + 认知量表值」三件套联合筛选。
§2.2 疾病/研究背景与「患者人群」说明
阿尔茨海默病的病理定义是「淀粉样蛋白斑块（amyloid plaque） + 神经原纤维缠结（neurofibrillary tangle, NFT）」，但临床表型与病理负荷之间并不一一对应：有人在尸检时病理达到 AD 标准却终生认知正常，也有人病理轻微却快速衰退。前者被称为「认知韧性」（cognitive resilience）或「脑储备」（brain reserve），是本数据集 CR 组的来源；后者提示存在淀粉样蛋白/tau 之外的通路。
PART 则站在光谱的另一端。它的定义是「tau 病理局限于内嗅皮层与海马等区域、Braak 分期较低、淀粉样蛋白负荷不足以诊断 AD」的老年人群。多年来 PART 被视为「正常老化」的一部分，直到近年才被单列。PART 组的存在，使本数据集可以把「tau 单独作用」与「tau + 淀粉样蛋白共同作用」分开比较。
本数据集的「患者人群」需作三点说明，避免误读：
- 不是临床队列，是尸检队列。 所有样本都是死后组织，因此不存在「随访」概念；认知状态来自生前量表，病理来自死后评估，二者在时间上不重合，存在「最后一次评估到死亡之间的间隔」这一未公开的变量。
- 样本单位未澄清。 官方写作 “postmortem samples”，可能是供体，也可能是「供体 × 脑区」的组织块。如果是后者，2,239 对应的独立供体数会显著更小。这一歧义直接影响「n 有多大」的判断（详见 §4.3 与 §9）。
- 对照组的定义依赖排除性病理评估。 CN 组要求「认知正常」且「病理不达 AD 标准」，这意味着 CN 组本身也经过了病理检查，不是「未做病理的正常人」。
§2.2b 图谱如何支撑疾病研究的实例逻辑
作者在摘要中给出的四条发现，可以作为「数据如何转化为医学结论」的范例：
其一，SST 神经元的线粒体生物能量学与韧性。 作者报告在存在淀粉样蛋白与 tau 病理的前提下，生长抑素（SST）神经元的线粒体生物能量学提升与认知韧性相关，并用免疫组织化学（immunohistochemistry, IHC）在死后脑组织中做了蛋白层面的验证。这条链路的逻辑是：snRNA-seq 发现转录本层面的能量代谢基因上调 → IHC 确认蛋白存在 → 推断该细胞类型是韧性表型的承接者。
其二，PLCG2 与 GPNMB 与小胶质细胞的 AD 进展。 作者报告这两个小胶质细胞相关基因与 AD 进展相关，且独立于年龄。这一点很关键：AD 的病理负荷本身随年龄增长，若不控制年龄，任何基因都会「显得」与疾病相关；作者强调「age-independent」意味着做了年龄校正。
其三，干扰素通路基因的性别特异性。 IFIT3 与 IFI44 被报告为女性特异的小胶质细胞标记，且与疾病相关小胶质细胞（disease-associated microglia, DAM）的状态转移相关。这为「女性 AD 患病率更高」的流行病学现象提供了细胞层面的候选解释。
其四，谷氨酸介导的免疫-神经元 crosstalk。 作者用患者 iPSC 来源小胶质细胞的转录组签名做了实验验证——这正是 GEO 中那 6 个样本的用途：DMSO 对照组与 MK-801（非竞争性 NMDA 受体拮抗剂，阻断谷氨酸信号）处理组。
§2.2c 图谱与「临床决策」的边界
本数据集不能用于临床诊断或治疗决策，原因有三：
- 样本来自尸检。 推论不能直接迁移到活体，尤其是「用血液或脑脊液预测脑内细胞状态」这类跨模态推断，需要额外的桥接研究。
- 分组是研究性定义，不是诊断标准。 CR 与 PART 的界定在文献中仍有争议，不同研究采用的操作性标准不同，本数据集未公布其具体阈值。
- 缺少外部验证的临床终点。 数据集不含纵向认知轨迹、药物暴露、共病负担等协变量（至少未公开），无法支持「某分子特征预测治疗反应」这类结论。
合规的用法是：作为机制假设的生成器与验证场，产出候选靶点或生物标志物，再交由独立的临床队列验证。
§2.3 临床与研究任务定义
| 任务 | 输入 | 输出 | 监督信号 | 备注 |
|---|---|---|---|---|
| 细胞类型注释 | 单细胞核表达矩阵 | 类型标签（>50 类） | 作者注释 / marker | 可用作标签转移的参考 |
| AD vs CN 差异表达 | 表达矩阵 + 分组 | 基因排序 | CN/AD 标签 | 需按细胞类型分层并校正年龄、性别、批次 |
| 细胞状态转移建模 | 小胶质细胞亚群序列 | 状态轨迹 | 伪时间 / 状态标签 | DAM 状态转移是作者的核心叙事 |
| 韧性分类 | 供体级聚合特征 | CR vs AD | CR 标签 | 阳性样本比例未知，类别不平衡风险高 |
| 基因-病理关联 | 基因表达 + 病理评分 | 关联强度 | 淀粉样蛋白/tau 评分 | 病理评分具体量表未公开 |
| 免疫-神经元 crosstalk | 配体-受体表达 | 通讯强度 | 无监督 | 需谨慎解释，易受细胞比例影响 |
§2.4 供体/样本人群表
| 维度 | 公开信息 | 状态 |
|---|---|---|
| 分组 | CN / AD / CR / PART 四组 | 已公开（分组名） |
| 各组样本数 | 未公开 | 遗留疑点 |
| 总样本数 | 2,239（摘要口径） | 已公开 |
| 年龄分布 | 未公开（仅知为老年死后人群） | 遗留疑点 |
| 性别比例 | 未公开（但论文做了性别分层分析） | 遗留疑点 |
| 种族/族裔 | 未公开 | 遗留疑点 |
| 组织来源机构 | 未公开（仅知提交单位为 Cleveland Clinic） | 遗留疑点 |
| APOE 基因型 | 未公开 | 遗留疑点 |
| 淀粉样蛋白/tau 评分量表 | 未公开（仅知「clinico-pathologically confirmed」） | 遗留疑点 |
| 死后间隔（PMI） | 未公开 | 遗留疑点 |
| 共病（血管性、Lewy 体等） | 未公开 | 遗留疑点 |
这张表刻意留了大量「未公开」。死因、年龄、性别、APOE 这些在同类 AD 死后队列里通常都会公布，本数据集目前只有摘要级别的叙述，说明其元数据披露程度尚停留在「成果宣告」阶段，而非「资源交付」阶段。
§2.5 临床价值
机制发现层面：SST 神经元能量代谢与韧性的关联，为「为什么有人病理重却不发病」提供了可检验的假说。若能找到在活体中可测量的替代指标（如特定脑区的 PET 代谢率），就有转化为影像标志物的潜力。
靶点发现层面：PLCG2 与 GPNMB 的年龄非依赖关联，提示这两个基因可能是独立于「老化」这一混杂因素的 AD 通路节点。PLCG2 是已知的 AD 风险基因（罕见变异与保护/风险相关），GPNMB 则与溶酶体/脂质代谢相关，二者都有成药讨论空间。
性别差异层面：女性特异的小胶质细胞干扰素签名，为「性别分层临床试验设计」提供了细胞学依据。这是近年 AD 试验设计讨论的热点之一。
韧性干预层面：如果韧性可以被「细胞状态」解释，那么干预目标就可能从「清除病理」扩展到「维持细胞功能」。这是从「治病理」到「治韧性」的范式转换，本数据集提供了探索这一转换的样本基础。
§2.6 金标准与数据性质表
| 维度 | 本数据集 | 说明 |
|---|---|---|
| 标签类型 | 供体/样本级（四分组）+ 细胞级（类型注释） | 两层标签 |
| 标签来源 | 生前临床认知评估 + 死后神经病理评估 | 「clinico-pathologically confirmed」即双源合并 |
| 标签生成方式 | 研究者判定，非机器标注 | 具体判定流程未公开 |
| 金标准强度 | 中等偏强（双源一致） | 但缺少量表阈值与一致性统计 |
| 数据性质 | 观察性、横断面（死后单时点） | 无纵向 |
| 因果性 | 相关性为主 | 作者用 IHC 与 iPSC 做了部分验证，仍非因果推断 |
| 可复现性 | 部分（验证实验可复现，本体不可获取） | 见 §4.3 |
§2.7 术语与缩写速查
| 缩写 | 全称 | 中文 |
|---|---|---|
| snRNA-seq | single-nucleus RNA sequencing | 单核 RNA 测序 |
| scRNA-seq | single-cell RNA sequencing | 单细胞 RNA 测序（与本数据集不同：用完整细胞） |
| CN | cognitively normal | 认知正常 |
| AD | Alzheimer’s disease | 阿尔茨海默病 |
| CR | cognitively resilient | 认知韧性 |
| PART | primary age-related tauopathy | 原发性年龄相关 tau 蛋白病 |
| DAM | disease-associated microglia | 疾病相关小胶质细胞 |
| SST | somatostatin | 生长抑素 |
| NFT | neurofibrillary tangle | 神经原纤维缠结 |
| iPSC | induced pluripotent stem cell | 诱导多能干细胞 |
| MK-801 | dizocilpine maleate | 地佐环平（NMDA 受体拮抗剂） |
| DMSO | dimethyl sulfoxide | 二甲基亚砜（溶剂对照） |
| IHC | immunohistochemistry | 免疫组织化学 |
| GEO | Gene Expression Omnibus | NCBI 基因表达数据库 |
| GSM | GEO Sample | GEO 样本编号 |
| SRA | Sequence Read Archive | 序列读取归档 |
| PMI | postmortem interval | 死后间隔 |
| GRU | General Research Use | 通用研究用途（DUO 数据使用限制标签） |
| DAIMS | Data and Information Management System 评估框架 | 本页 §4/§7 使用的数据资产成熟度框架 |
§3 数据集规格
§3.0 版本抉择矩阵
| 使用目标 | 推荐取哪一层 | 理由 |
|---|---|---|
| 想复现作者的 iPSC 验证结论 | GEO GSE326002（6 个 GSM 计数矩阵）+ SRA 原始 FASTQ | 这是唯一公开可下载的部分 |
| 想做细胞类型注释参考 | 需要图谱本体，GEO 不可得 | 需联系作者或等待门户公开 |
| 想做基础模型预训练 | 需要图谱本体 | 同上；6 个样本的 260 KB 矩阵完全不够 |
| 想引用方法与结论 | 预印本 v1（DOI 10.21203/rs.3.rs-6986171/v1） | 唯一成文的方法描述 |
| 想做队列层面的临床关联 | 不推荐 | 无临床协变量公开 |
§3.1 模态详情
本数据集只有一种核心数据模态：单核 RNA 测序的基因计数矩阵。有三个可区分的产出形态：
- 细胞核 × 基因计数矩阵（图谱本体）：约 1400 万行（细胞核）× 约 2 万–3 万列（基因，具体基因数未公开）。这是摘要描述的产物，GEO 内不可得。
- 样本文 × 基因计数矩阵（GEO 归档）：6 个 GSM 各一个
*_RNASEQ_count.tsv.gz，文件大小 260,776–262,543 字节。这是 bulk 级别的样本计数，不是单细胞级别的矩阵。 - 原始测序读段（SRA）：12 个 run 的 FASTQ，双端 150 bp。
此外还有两类非转录组的佐证材料：免疫组织化学（IHC）图像与评估（作者用于验证 SST 神经元能量代谢），以及患者 iPSC 来源小胶质细胞的体外实验。这些材料的具体文件形式与是否公开未在 GEO 中体现。
§3.2 按层级样本数
| 层级 | 计数 | 单位 | 来源 |
|---|---|---|---|
| 死后样本（摘要口径） | 2,239 | postmortem samples | GEO 摘要 |
| 脑区 | 31 | brain regions | GEO 摘要 |
| 细胞核（摘要口径） | ~14,000,000 | nuclei | GEO 摘要 |
| 细胞类型 | >50 | cell types | GEO 摘要 |
| GEO 系列内样本 | 6 | GSM | GEO esummary n_samples |
| SRA 实验 | 6 | SRX | PRJNA1442802 |
| SRA 运行 | 12 | SRR | SRA runinfo |
| 补充文件条目 | 6 | TSV.gz | filelist.txt |
| 供体（iPSC 验证） | 1 | 患者编号 IUGB267.2 | GSM 标题 |
§3.2b 覆盖差异如何影响选型
这组数字的落差（2,239 vs 6）是理解本数据集的钥匙。它对选型的影响可以归纳为三条：
第一，若目标是「大样本统计」，本数据集目前无法直接支撑。 2,239 是作者的资源规模，不是你手上数据的规模。任何需要「>1,000 例」的研究设计，在 GEO 归档层面都落空。
第二，若目标是「方法学复现」，本数据集足够。 6 个 iPSC 样本可以完整复现 MK-801 处理 vs DMSO 对照的差异表达，验证「谷氨酸信号阻断后小胶质细胞转录组如何改变」这一具体结论。
第三，若目标是「数据工程练习」，本数据集是个很好的「元数据侦察」案例。 它训练的能力是：从 GEO 摘要、esummary、filelist、SRA runinfo 四处交叉，识别出「宣称规模」与「实际交付」的差异。
§3.3 数据格式表
| 文件/入口 | 格式 | 内容 | 大小 |
|---|---|---|---|
GSE326002_RAW.tar |
TAR（内含 gzip 压缩 TSV） | 6 个样本的基因计数 | 1,576,960 B |
GSM9618668_X1_RNASEQ_count.tsv.gz |
TSV.gz | DMSO 对照样本 1 计数矩阵 | 261,523 B |
GSM9618669_X2_RNASEQ_count.tsv.gz |
TSV.gz | DMSO 对照样本 2 计数矩阵 | 262,543 B |
GSM9618670_X3_RNASEQ_count.tsv.gz |
TSV.gz | DMSO 对照样本 3 计数矩阵 | 261,796 B |
GSM9618671_X4_RNASEQ_count.tsv.gz |
TSV.gz | MK-801 处理样本 1 计数矩阵 | 262,082 B |
GSM9618672_X5_RNASEQ_count.tsv.gz |
TSV.gz | MK-801 处理样本 2 计数矩阵 | 260,776 B |
GSM9618673_X6_RNASEQ_count.tsv.gz |
TSV.gz | MK-801 处理样本 3 计数矩阵 | 262,231 B |
filelist.txt |
纯文本 | 上述文件清单与字节数 | 512 B |
| SRA FASTQ | FASTQ（paired-end） | 原始读段 | 合计约 7,172 MB |
§3.3b 文件命名与内部一致性
命名规则可以确定地解析：GSM<7 位编号>_X<1–6>_RNASEQ_count.tsv.gz。其中 X1–X6 是样本序号，RNASEQ_count 表明这是基因水平计数（不是 UMI 级或读段级）。GSM 编号连续（9618668–9618673），说明是同批提交。
内部一致性上有一处理解需要注意：文件名里的 X1–X6 是样本顺序，但 GSM 标题里的处理组是 DMSO 与 MK-801。按 GSM 编号顺序，X1–X3 对应 DMSO 三重复，X4–X6 对应 MK-801 三重复——这是从 GSM 标题推得的映射，文件内容本身不含处理组标签，必须靠 GEO 元数据表关联。这是典型的小坑，见 §6.5 坑点 2。
§3.4 存储大小
| 层级 | 大小 | 说明 |
|---|---|---|
| GEO 补充文件 | 1.5 MB | 压缩后的 6 个计数矩阵 |
| 解压后 | 约数 MB（未实测，按压缩比估算） | 单细胞/样本级计数矩阵压缩比通常 3–8 倍 |
| SRA 原始数据 | 约 7.0 GB | 12 个 run 的 size_MB 合计 7,172 |
| 图谱本体（若公开） | 未公开；按千万级细胞核 × 2 万基因稀疏矩阵估计，原始与中间文件达 TB 级 | 仅为工程估算，非官方数字 |
工程提示：单细胞稀疏矩阵（sparse matrix）的存储形态选择（CSR/CSC/HDF5/AnnData/Seurat）对 I/O 影响巨大。千万级细胞核若以稠密矩阵存，内存需求不可接受，必须以稀疏格式 + 分块读取处理。
§3.5 标注方式
| 标注类型 | 生成方式 | 粒度 | 公开程度 |
|---|---|---|---|
| 认知分组（CN/AD/CR/PART） | 生前临床评估 + 死后神经病理评估 | 样本级 | 分组名公开，每组 n 未公开 |
| 脑区 | 解剖定位（31 个） | 组织块级 | 数量公开，清单未公开 |
| 细胞类型（>50 类） | 聚类 + marker 注释 + 可能的人工审核 | 细胞核级 | 类型数与主要类别公开 |
| 病理评分 | 神经病理评估（量表未公开） | 样本级 | 未公开 |
| 基因注释 | 参考基因组注释 | 基因级 | 未公开所用参考版本 |
§3.6 标注者资质与一致性
认知分组与病理评分由神经病理学家完成（这是 AD 死后研究的标准做法），但作者未在摘要中报告：评估者人数、盲法设计、评估者间一致性（如 Cohen’s kappa）、细胞类型注释的人工审核比例。细胞类型注释通常由计算流程生成后人工校订，校订比例与校订者资质同样未公开。
这意味着 §5 的「标签可靠性」判断只能基于方法学常识，不能基于本数据集的实证。这是本页反复标注「未公开」的原因之一。
§3.7 采集周期
| 时间点 | 事件 |
|---|---|
| 未公开 | 组织采集起始（尸检队列的建设时间跨度） |
| 未公开 | 测序完成时间 |
| 2026-03-25 | SRA 数据 LoadDate |
| 2025-07-08 | 预印本发布 |
| 2026-09-22 | GEO 系列公开 |
注意一个时序上的特点：预印本（2025-07）早于 GEO 公开（2026-09）约 14 个月，而 SRA 的 LoadDate（2026-03-25）又晚于预印本。也就是说，论文发表时数据尚未公开归档，这在大刊预印本中并不罕见，但对「发表即可复现」这一预期构成了挑战。
§3.8 地域覆盖
提交单位为美国俄亥俄州克利夫兰的 Cleveland Clinic Genome Center。死后脑组织的实际来源机构未公开——AD 死后研究常用的来源包括脑库（brain bank）网络、ADRC（Alzheimer’s Disease Research Center）体系、以及合作医院的病理科。地域与人群构成直接影响结论的可推广性，这一字段的缺失是重要局限。
§3.9 设备规格
| 项目 | 值 |
|---|---|
| 测序平台 | Illumina NovaSeq 6000（GPL24676） |
| 物种注释 | Homo sapiens |
| 文库策略 | RNA-Seq |
| 文库筛选 | cDNA |
| 文库来源 | TRANSCRIPTOMIC |
| 布局 | PAIRED（双端） |
| 平均读长 | 150 bp |
| 每个实验的 run 数 | 2 |
| 单核分离平台 | 未公开（常见为 10x Genomics Chromium，但本数据集未明确） |
| 建库试剂盒版本 | 未公开 |
说明：「单核分离与建库平台未公开」是一个实质性缺口。10x 3’ vs 5’、v2 vs v3、以及是否用了 multiome，会直接改变可比性与整合策略。
§3.10 深度溯源链
尸检脑组织（来源机构未公开）
└─ 31 个脑区的组织块取样（解剖方案未公开）
└─ 细胞核提取（方法未公开）
└─ snRNA-seq 建库（平台/试剂盒未公开）
└─ Illumina NovaSeq 6000 测序（GPL24676，PAIRED 150bp）
└─ 计数矩阵生成（比对工具/参考基因组未公开）
├─ 图谱本体（~14M 核 × 基因）—— 公开入口未定位
└─ 验证子集（6 例 iPSC 小胶质细胞）
└─ SRA PRJNA1442802 / SRP686723（12 runs）
└─ GEO GSE326002（6 GSM + 1.5MB TAR）
这条链路的价值在于暴露断点：从「细胞核提取」到「计数矩阵生成」这四步全部未公开，而其中任何一步的选择都会影响结果。对本数据集而言，「不可复现上游」比「不可下载本体」更根本。
§4 数据结构
§4.0 目录树（以 GEO 补充文件解包后为例）
以下是 GSE326002_RAW.tar 解包后的真实结构，由 filelist.txt 逐条核出：
GSE326002_RAW/
├── GSM9618668_X1_RNASEQ_count.tsv.gz 261,523 B DMSO 对照 rep1
├── GSM9618669_X2_RNASEQ_count.tsv.gz 262,543 B DMSO 对照 rep2
├── GSM9618670_X3_RNASEQ_count.tsv.gz 261,796 B DMSO 对照 rep3
├── GSM9618671_X4_RNASEQ_count.tsv.gz 262,082 B MK-801 处理 rep1
├── GSM9618672_X5_RNASEQ_count.tsv.gz 260,776 B MK-801 处理 rep2
└── GSM9618673_X6_RNASEQ_count.tsv.gz 262,231 B MK-801 处理 rep3
filelist.txt 512 B 文件清单（含 Name / Time / Size / Type）
对照之下，图谱本体若公开，其结构大致会是（推测结构，非官方）：
atlas/
├── counts/ 细胞核 × 基因稀疏矩阵（约 14M 行）
├── metadata/ 细胞核级元数据（供体、脑区、细胞类型、分组）
├── donor/ 供体级表型表（认知分组、病理评分、年龄、性别）
├── annotation/ 细胞类型标签与 marker 基因
└── embeddings/ 基础模型表征（作者所述的生成式框架输出）
重要声明：下半部分是基于同类 snRNA-seq 图谱的通用结构推演，不是本数据集的真实目录。本数据集本体尚未公开，任何人声称拿到「官方目录结构」都应要求其给出可核验的下载链接。本页只对上半部分（GEO 归档）作事实陈述。
§4.1 DAIMS 字段字典（GEO 样本层，可核验）
DAIMS（Data and Information Management System）是评估数据资产可管理性的框架。下表按 DAIMS 视角把 GEO 归档层的字段结构化。
| 字段 | 类型 | 含义 | 取值/示例 | 必填 | 来源 |
|---|---|---|---|---|---|
gsm_id |
string | GEO 样本编号 | GSM9618668…GSM9618673 | 是 | GEO |
sample_title |
string | 处理组与重复编号 | DMSO-treated IUGB267.2 AD patient iPSC-derived microglia_1 | 是 | GEO GSM 标题 |
treatment |
enum | 处理条件 | DMSO / Dizocilpine maleate (MK-801) 10 µM | 是 | 从标题解析 |
replicate |
int | 生物学重复序号 | 1 / 2 / 3 | 是 | 从标题解析 |
cell_source |
string | 细胞来源 | 患者 iPSC 来源小胶质细胞 | 是 | 标题 |
donor_code |
string | 患者编号 | IUGB267.2 | 是 | 标题 |
disease_context |
string | 供体疾病背景 | AD patient | 是 | 标题 |
organism |
string | 物种 | Homo sapiens | 是 | GEO |
platform |
string | 平台 | GPL24676（Illumina NovaSeq 6000） | 是 | GEO |
library_strategy |
enum | 文库策略 | RNA-Seq | 是 | SRA |
library_layout |
enum | 布局 | PAIRED | 是 | SRA |
avg_read_length |
int | 平均读长 | 150 | 是 | SRA |
file_name |
string | 补充文件名 | GSM9618668_X1_RNASEQ_count.tsv.gz | 是 | filelist.txt |
file_bytes |
int | 字节数 | 261523 | 是 | filelist.txt |
sra_experiment |
string | SRA 实验号 | SRX32658285…SRX32658290 | 是 | SRA |
sra_run |
string | SRA 运行号 | SRR37786399 等 12 个 | 是 | SRA |
bioproject |
string | 项目号 | PRJNA1442802 | 是 | SRA |
submitter |
string | 提交单位 | CHENG, GENOME CENTER, THE CLEVELAND CLINIC RESEARCH | 是 | SRA |
§4.1b DAIMS 字段字典（图谱层，概念性）
这一层的字段来自摘要描述，无实际文件可核，因此标注为概念性：
| 字段 | 类型 | 含义 | 取值/示例 | 状态 |
|---|---|---|---|---|
nucleus_id |
string | 细胞核唯一标识 | 未公开（通常为 barcode + 样本前缀） | 未公开 |
donor_id |
string | 供体编号 | 未公开 | 未公开 |
region |
enum | 脑区（31 类） | 未公开（常见如 DLPFC、MTG、HIP 等缩写，但本数据集的 31 区清单未公布） | 未公开 |
cognitive_group |
enum | 认知分组 | CN / AD / CR / PART | 已公开（分组名） |
cell_type_major |
enum | 大类细胞 | 神经元 / 星形胶质 / 少突胶质 / OPC / 小胶质 / 内皮等 | 部分公开（>50 类总数，大类未逐条列） |
cell_type_fine |
string | 细分类 | 未公开 | 未公开 |
n_counts |
int | 每核总计数 | 未公开 | 未公开 |
n_genes |
int | 每核检出基因数 | 未公开 | 未公开 |
pct_mito |
float | 线粒体基因占比 | 未公开 | 未公开 |
amyloid_score |
float | 淀粉样蛋白病理评分 | 未公开 | 未公开 |
tau_score |
float | tau 病理评分 | 未公开 | 未公开 |
age |
int | 年龄 | 未公开 | 未公开 |
sex |
enum | 性别 | 未公开（论文做了性别分层，故该字段必然存在） | 未公开 |
apoe |
enum | APOE 基因型 | 未公开 | 未公开 |
pmi |
float | 死后间隔 | 未公开 | 未公开 |
这张表的用处不是「告诉你有什么」，而是「告诉你该问什么」。拿到本体后的第一件事，就应该按这张表逐项核对，缺失项决定了后续分析的可做范围。
§4.1c 主键与跨表 join 提示
三套主键的分工必须分清，否则 join 会错：
- GEO 层主键
gsm_id：一个 GSM 对应一个样本（一个测序文库）。6 个 GSM 是并列关系，不是层级关系。 - SRA 层主键
sra_run：一个 SRX 对应两个 SRR（两个 lane/run）。因此 6 个 GSM → 6 个 SRX → 12 个 SRR。join 时必须先聚合到 SRX 再关联 GSM，否则样本会被重复计数。 - 图谱层主键
nucleus_id：理论上应内含样本前缀（barcode 在样本间会重复，这是 10x 类平台的经典陷阱），但本数据集未公开其构成规则。
跨层 join 的正确路径：
GSM9618668 ←→ SRX32658285 ←→ SRR37786399 + SRR37786400
↑
└── 文件名 GSM9618668_X1_RNASEQ_count.tsv.gz（文件名前缀即 GSM）
错误路径（常见）：用 X1–X6 去 join，因为 X 编号是文件名内部的序号，不是任何官方主键；或用 SRR 直接 join GSM，会得到 1:2 的膨胀。
§4.2 标签分布
| 标签 | 类别数 | 各类计数 | 状态 |
|---|---|---|---|
| 认知分组 | 4 | CN / AD / CR / PART，各组 n 未公开 | 已公开类别，未公开计数 |
| 脑区 | 31 | 各区细胞核数未公开 | 未公开 |
| 细胞类型（粗） | 未公开 | 神经元、胶质、血管类各占比未公开 | 未公开 |
| 细胞类型（细） | >50 | 逐类计数未公开 | 部分公开 |
| 处理组（GEO 验证层） | 2 | DMSO 3 例 / MK-801 3 例 | 已公开 |
| 性别 | 2 | 分布未公开 | 未公开 |
类别不平衡的预判：AD 死后队列中，PART 组通常占比最小（因为 PART 的诊断要求「无/低淀粉样蛋白」，多数老年脑都有一定程度淀粉样蛋白）。若 PART 仅占个位数百分比，做 PART vs AD 的分类会有严重不平衡。CR 组同样稀有，因为「病理达标但认知正常」本身就是少数表型。这一预判未经数据验证，仅作为建模时的先验提醒。
§4.3 关键统计
| 统计项 | 值 | 计算方式 |
|---|---|---|
| 摘要样本数 | 2,239 | 官方叙述 |
| 归档样本数 | 6 | GEO esummary |
| 归档/摘要比 | 0.27% | 6 ÷ 2,239 |
| 归档下载总量 | 1,577,472 B | 1,576,960（TAR）+ 512（filelist）≈ 1.58 MB |
| 单样本平均文件大小 | 261,825 B | 6 个 TSV.gz 合计 1,570,951 B ÷ 6 |
| SRA 总碱基数 | 21,932,759,250 bp | 12 run bases 求和 |
| SRA 总 spots | 146,218,395 | 12 run spots 求和 |
| SRA 平均每 spot 长度 | 150 bp | runinfo avgLength |
| 核数/样本数比值 | 约 6,253 | 14,000,000 ÷ 2,239（若 2,239 为供体，则每供体约 6,253 核，偏低；若为组织块，则合理） |
这里藏着一个有用的推断：千万级核数除以 2,239 得约 6,253 核/样本。对 snRNA-seq 而言，单个 10x 通道通常产出 3,000–10,000 个高质量核，6,253 正好落在这个区间。这说明 2,239 更可能是「独立测序文库/组织块」而非「供体」——若 2,239 是供体，每个供体只测 6,000 核就显得太少了，而且 2,239 个供体的组织采集在现实中极难实现。这是一个基于数量级的合理推断，不是官方结论，但它解释了为什么本页坚持不把 “postmortem samples” 改写为 “donors”。
§4.4 数据层级
Level 0 原始读段（FASTQ，SRA 12 runs） —— 可下载
Level 1 样本级计数（6 × TSV.gz，~260 KB） —— 可下载
Level 2 细胞核级计数（~14M × 基因） —— 不可下载（GEO 内）
Level 3 细胞类型注释（>50 类） —— 不可下载
Level 4 供体级表型（认知分组、病理） —— 分组名公开，明细不可下载
Level 5 表征/嵌入（生成式基础模型输出） —— 不可下载
Level 6 论文结论（IHC 验证、iPSC 验证） —— 见预印本
这个层级图是本页最重要的图示之一：Level 0 与 Level 1 可得，Level 2 及以上全部不可得。所有「用本数据集训练模型」的设想都必须先跨过 Level 2 这道门槛。
§4.5 缺失值 + 信息性缺失
数据工程中，缺失分两种：随机缺失（missing at random）与信息性缺失（missing not at random）。本数据集的缺失绝大多数属于结构性缺失——不是「该填没填」，而是「整张表都没发布」。
| 缺失项 | 类型 | 影响 | 可否补救 |
|---|---|---|---|
| 各组 n | 结构性 | 无法做分层重采样与功效计算 | 需联系作者 |
| 31 个脑区清单 | 结构性 | 无法核对脑区覆盖是否匹配自有数据 | 需联系作者 |
| 年龄/性别/APOE | 结构性 | 无法做协变量校正 | 需联系作者 |
| 病理评分量表 | 结构性 | 无法复现「clinico-pathologically confirmed」的判定 | 需联系作者 |
| 细胞核级 QC 指标 | 结构性 | 无法判断过滤阈值是否合理 | 需联系作者 |
| 参考基因组版本 | 结构性 | 无法保证基因 ID 可对齐 | 需联系作者 |
| 单核分离平台 | 结构性 | 无法判断批次效应的来源 | 需联系作者 |
对建模的直接影响：协变量缺失意味着「年龄校正」这类基础操作无法在本地完成。作者报告 PLCG2/GPNMB 与 AD 进展「年龄非依赖」，但这个结论依赖于作者内部的年龄数据，外部研究者无法独立复核。
§4.6 一个「细胞核级」整合示例（概念）
假设已获得 Level 2 与 Level 4 数据，一个标准的整合流程如下（伪代码层面，非可运行代码）：
读取 counts（稀疏） → 计算 QC（n_counts, n_genes, pct_mito）
→ 过滤（低质量核、双细胞 doublet）
→ 归一化（log1p 或 SCTransform）
→ 高变基因选择
→ PCA → 邻居图 → Leiden 聚类
→ 细胞类型注释（marker + 参考映射）
→ 按供体聚合（pseudobulk）
→ 差异表达（AD vs CN，校正年龄/性别/批次）
→ 通路富集
→ 韧性打分（CR vs AD）
关键设计点是「先按供体聚合为 pseudobulk 再做差异表达」。单细胞水平的差异检验（如 Wilcoxon）会把同一个供体的成千上万个细胞当作独立样本，导致 p 值极度虚假。这是单细胞分析最常见的统计学错误之一，见 §6.5 坑点 4。
§5 划分与使用建议
§5.1 官方划分
本数据集没有官方数据划分。 作者未发布 train/validation/test 切分，也未发布固定的 benchmark 协议。这在图谱类资源中是常态——图谱的定位是「资源」而非「基准」，划分责任落在使用者。
这意味着任何声称「在 GSE326002 官方 test set 上达到 X 分」的说法都不可信，因为不存在这样的划分。
§5.2 社区惯例划分
虽然没有官方划分，但单细胞 AD 研究的通行做法可以归纳为三种：
按供体划分（donor-level split）：最推荐。把供体随机分成训练/验证/测试，保证同一供体的所有细胞只出现在一个集合中。这是唯一能真实评估「跨个体泛化」的方式。
按脑区划分（region-level split）：用部分脑区训练、留出脑区测试。适合评估「跨脑区泛化」，但会引入脑区特异性混杂。
按细胞类型留出（cell-type holdout）：留出若干细胞类型做 zero-shot 评估。主要用于基础模型的表征质量测试。
§5.3 泄漏风险（重点）
本数据集的泄漏风险有三层，且层层叠加：
第一层：细胞核级泄漏。 若随机按细胞核划分训练/测试，同一供体、同一脑区、甚至同一测序通道的细胞会同时出现在两侧。由于相邻细胞核在表达上高度相似，测试集性能会被严重高估，可能虚高十几个百分点。这是最致命也最常见的错误。
第二层：供体级泄漏（跨数据集）。 本数据集的供体如果同时也出现在 SEA-AD、HBCC、ROSMAP 等公共图谱中（AD 脑库之间常有重叠），那么在 GSE326002 上训练、在 SEA-AD 上测试，也可能存在隐性泄漏。由于本数据集未公开供体来源机构与去标识规则，这一风险无法排除。
第三层：预处理泄漏。 若在高变基因选择、PCA、批次校正时使用了全部数据（包括测试集），则信息已经从测试集流入训练。正确做法是在训练集内拟合所有变换参数，再应用到测试集。
§5.4 交叉验证建议
| 场景 | 建议方案 | 理由 |
|---|---|---|
| 细胞类型注释模型 | 留一供体交叉验证（leave-one-donor-out） | 直接测「新个体」泛化 |
| 差异表达 | 不做 CV，用 pseudobulk + 混合效应模型 | DE 是推断任务，不是预测任务 |
| 韧性分类 | 分组 k-fold，按供体分层，保持 CR/AD 比例 | 类别不平衡 |
| 基础模型预训练 | 不划分，但下游评测必须按供体隔离 | 预训练可全量，评测须干净 |
| 超参搜索 | 嵌套 CV（nested CV） | 避免超参调优泄漏 |
关于 pseudobulk 的强调：差异表达必须聚合到供体（或样本）×细胞类型的水平，再以样本为独立单位做检验。若因无法获取供体信息而只能按细胞核检验，则结果的 p 值只能作为「排序参考」，不能作为显著性声明。
§5.5 外部验证建议
由于本数据集本体不可得，现实的外部验证路径反而是「用本数据集的公开结论去验证别人的数据」：
- 用 GEO 验证层做方法学对照：6 个 iPSC 小胶质细胞样本可用来测试「谷氨酸信号阻断是否改变小胶质细胞转录组」，与作者结论对照。
- 用公共图谱做结论复核：若作者报告的 PLCG2/GPNMB 关联在 SEA-AD 或 ROSMAP 中同样成立，则结论获得独立支持。
- 等待本体公开后做真正的跨队列验证：这是最理想的路径，但依赖作者的发布计划。
§5.6 何时该用 / 何时不该用（决策清单）
该用的时候：
- 你在写 AD 单细胞领域的综述，需要引用「迄今最大规模」这一事实陈述。
- 你在研究 iPSC 小胶质细胞的谷氨酸信号，需要用 GEO 的 6 个样本做对照。
- 你在设计新的 AD 死后 snRNA-seq 研究，需要参考其四分组设计（CN/AD/CR/PART）。
- 你在做数据可获得性的元研究，需要一个「宣称规模 vs 归档规模」的典型案例。
不该用的时候：
- 你需要立刻拿到千万级细胞核矩阵训练模型——拿不到。
- 你需要临床协变量做校正——没有。
- 你需要官方的 train/test 划分做公平比较——不存在。
- 你要做临床诊断推断——超出数据性质。
- 你把 2,239 当作「可下载文件数」写进论文的方法段——会被审稿人质疑。
一句话总结：把本数据集当作「一个重要的方法学与结论来源 + 一个小规模的公开验证集」，而不是「一个即取即用的千万级数据仓库」。
§6 AI 就绪指南 ⭐
§6.0 云端快速启动
本数据集没有官方 Docker 镜像或云启动脚本，但 GEO 归档层可以在一台普通笔记本上十几分钟内跑完。「快速启动」的现实含义是：先用 1.5 MB 的验证子集把流程跑通，再去申请本体。
# 1) 建工作目录
mkdir -p gse326002 && cd gse326002
# 2) 拉取补充文件（约 1.5 MB，秒级完成）
curl -O https://ftp.ncbi.nlm.nih.gov/geo/series/GSE326nnn/GSE326002/suppl/GSE326002_RAW.tar
curl -O https://ftp.ncbi.nlm.nih.gov/geo/series/GSE326nnn/GSE326002/suppl/filelist.txt
# 3) 校验并解包
tar -xf GSE326002_RAW.tar
ls -lh *.tsv.gz
# 4) 快速看一个矩阵的形状
python3 -c "
import pandas as pd
df = pd.read_csv('GSM9618668_X1_RNASEQ_count.tsv.gz', sep='\t', index_col=0)
print(df.shape); print(df.head(3))
"
需要注意：GSE326002_RAW.tar 内解出的文件名与 filelist 一致（形如 GSM9618668_X1_RNASEQ_count.tsv.gz），解包后直接覆盖同名文件是预期行为。
§6.1 快速上手
最小可用路径分四步：
- 拿数据：
GSE326002_RAW.tar（6 个样本）。 - 读矩阵：每个 TSV 是样本 × 基因的计数表，第一列通常是基因标识符。
- 合表：6 个样本按基因对齐，得到 6 × N_genes 的矩阵。
- 做差异：DMSO（X1–X3）为对照，MK-801（X4–X6）为处理，做配对差异表达。
这条路径的产出不是 AD 图谱的结论，而是「验证实验的复现」。这是当前唯一能在本地闭环的分析。
§6.2 数据获取
| 渠道 | 内容 | 可用性 |
|---|---|---|
| GEO FTP 补充文件 | 6 个 TSV.gz + filelist | ✅ 直接下载 |
| GEO 网页 | 元数据、样本列表 | ⚠️ 部分网络环境返回 403，建议走 E-utilities |
| SRA（PRJNA1442802 / SRP686723） | 12 个 run 的 FASTQ | ✅ 可用 fasterq-dump / prefetch |
| 图谱本体 | ~14M 核矩阵 | ❌ GEO 内未见；入口未公开 |
E-utilities 取元数据（绕开网页 403）：
curl -s "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esummary.fcgi?db=gds&id=200326002&retmode=json"
返回 JSON 中含 n_samples、gpl、taxon、pdat、suppfile、bioproject 等字段，是本页核验数字的第一手来源。注意 db=gds 时 Series 的 UID 前缀是 200，平台（GPL）的前缀是 100，两者不能混用。
SRA 下载：
prefetch --option-file <(printf "SRX32658285\nSRX32658286\nSRX32658287\nSRX32658288\nSRX32658289\nSRX32658290\n")
fasterq-dump --split-files SRR37786399
§6.3 预处理全流程
若最终拿到本体，标准流程如下（按单细胞 AD 研究的通行做法）：
import scanpy as sc
import anndata as ad
# 1) 读入（H5AD 或 10x 目录）
adata = sc.read_h5ad("atlas_raw.h5ad") # 占位：实际文件名以作者发布为准
# 2) QC 指标
sc.pp.calculate_qc_metrics(adata, qc_vars=["mt"], percent_top=None, log1p=False, inplace=True)
# 3) 过滤（阈值需按分布定，此处为常用起点，不是官方推荐）
adata = adata[(adata.obs.n_genes_by_counts > 200) &
(adata.obs.total_counts > 500) &
(adata.obs.pct_counts_mt < 5)].copy()
# 4) 归一化与高变基因
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=3000, batch_key="donor_id")
# 5) 降维聚类
sc.pp.pca(adata, n_comps=50)
sc.pp.neighbors(adata, n_neighbors=15)
sc.tl.leiden(adata, resolution=1.0)
# 6) 注释（marker 打分或参考映射）
sc.tl.rank_genes_groups(adata, "leiden", method="wilcoxon")
关键提醒：第 3 步的阈值必须按你自己的数据分布来定。本数据集未公开官方 QC 阈值，任何直接抄用别人的阈值都可能过度过滤或过滤不足。尸检脑组织的核往往线粒体基因比例偏高，pct_counts_mt < 5 这个常用于新鲜细胞的阈值在这里可能过于严格。
批次校正的选择：31 个脑区 × 2,239 个样本，批次结构非常复杂。常用方案有 Harmony（快、稳）、scVI（生成式，与作者的「生成式框架」思路接近）、BBKNN（图层面整合）。选择时要注意：过度校正会抹掉真实的疾病信号（尤其 AD 效应本身可能被当成批次）。
§6.4 PyTorch DataLoader
单细胞稀疏矩阵不能直接塞进 DataLoader（内存爆炸）。以下是按样本分块、按基因子集取的可行写法：
import torch
from torch.utils.data import Dataset, DataLoader
import scipy.sparse as sp
import numpy as np
class SparseNucleiDataset(Dataset):
"""按行（细胞核）索引的稀疏表达数据集，避免整矩阵驻留显存。"""
def __init__(self, X_csr, labels, gene_idx=None):
self.X = X_csr # scipy CSR，行=细胞核
self.y = labels
self.gene_idx = gene_idx # 可选的基因子集
def __len__(self):
return self.X.shape[0]
def __getitem__(self, i):
row = self.X[i]
if self.gene_idx is not None:
row = row[:, self.gene_idx]
x = torch.from_numpy(np.asarray(row.todense()).ravel()).float()
return x, torch.tensor(self.y[i], dtype=torch.long)
ds = SparseNucleiDataset(X_csr, labels, gene_idx=np.arange(2000))
dl = DataLoader(ds, batch_size=512, num_workers=4, pin_memory=True)
性能要点：num_workers > 0 时，每个 worker 会 fork 一份数据引用；在 Linux 上 copy-on-write 下共享内存尚可，但若数据集极大，建议改用 webdataset 分片格式或 memory-map 的 .npy，避免 fork 时的实际拷贝。
§6.5 坑点（8 个）
坑点 1：「1400 万核」不是「1400 万核可下载」。
这是本数据集最大的坑，也是本页反复强调的原因。GEO 摘要写 ~14M 核，但 GEO 实际只挂了 6 个样本、1.5 MB 补充文件。若你的流水线按「先下载全部数据」设计，会在第一行 curl 之后就卡住——因为根本没有那个文件。对策：把「获取」拆成「验证子集获取」与「本体申请」两个独立步骤，先用前者跑通流程。
坑点 2：文件名里的 X1–X6 不是处理组标签。
GSM9618668_X1_RNASEQ_count.tsv.gz 的 X1 只是序号。真正的处理组（DMSO vs MK-801）写在 GSM 标题里，必须通过 GEO 元数据表关联。若按「X1-X3 是对照、X4-X6 是处理」直接假设，虽然本例碰巧是对的（因为提交顺序如此），但在别的数据集上会翻车。对策：永远从元数据表取标签，不要从文件名推断。
坑点 3：6 个 GSM → 12 个 SRR，直接 join 会翻倍。
一个 SRX 对应两个 SRR（两个 run）。若用 SRR 列表去 join 样本表，样本数会变成 12 而不是 6，后续所有统计都会错一倍。对策：先在 SRX 层聚合，再关联 GSM。
坑点 4：把细胞核当独立样本做差异检验。
单细胞数据的伪重复（pseudo-replication）问题极其严重。同一个供体的 5,000 个细胞核不是 5,000 个独立观测，它们的表达高度相关。用 Wilcoxon 检验会得到「几乎所有基因都显著」的荒谬结果。对策：聚合到供体或样本身份（pseudobulk）后，用混合效应模型或 limma-voom。
坑点 5：批次效应被误当成疾病信号。
2,239 个样本必然来自不同批次、不同时间、不同操作者。若不分层，AD 组与 CN 组可能系统性地来自不同批次（例如先测了对照、后测了病例），那么「疾病差异」很大一部分是批次差异。对策：先检查分组与批次是否混杂（用卡方检验），再做校正；若完全混杂，则无法分离。
坑点 6：脑区特异性被平均掉。
31 个脑区如果混在一起做聚类，神经元亚型会按脑区而非类型分开（因为不同脑区的同一类型神经元表达谱差异可能大于不同类型之间）。对策：要么按脑区分层分析，要么在整合时显式把脑区作为协变量。
坑点 7：PART 组样本量可能极小。
PART 的诊断要求「淀粉样蛋白低」，在老年队列中占比通常很小。若 PART 只有几十例，任何 PART 相关的结论都缺乏统计功效。对策：先用功效分析估算可用样本量，不要默认四组均衡。
坑点 8：iPSC 验证样本被误读为「脑组织样本」。
GEO 里那 6 个样本是体外培养的 iPSC 来源小胶质细胞，不是脑组织。把它们当作「脑样本」去做脑区分析、或与尸检组织混池，是类别错误。对策：在元数据里显式标注 sample_type = in_vitro_ipsc 与 sample_type = postmortem_brain，任何跨类型合并都要显式声明。
§6.6 数据增强
单细胞数据的「增强」与图像领域完全不同，常见做法有四类：
| 方法 | 做法 | 风险 |
|---|---|---|
| 计数下采样（count downsampling） | 对每个细胞的 UMI 做二项下采样，模拟低深度 | 过度下采样会破坏稀疏结构 |
| 基因丢弃（gene dropout） | 随机置零部分表达，模拟 dropout | 可能放大噪声 |
| 细胞混合（mixup in latent space） | 在 PCA/embedding 空间做线性插值 | 混合后的「细胞」无生物学意义，只适合做正则 |
| 批次重采样（batch resampling） | 对少数批次过采样 | 加剧批次偏倚 |
不推荐在原始计数上做随机翻转或加高斯噪声——单细胞计数是离散的，加连续噪声会破坏负二项分布假设。
§6.7 模型推荐表
| 任务 | 推荐模型 | 理由 |
|---|---|---|
| 细胞类型注释（有参考） | scANVI / CellTypist / scArches | 支持标签转移与不确定度估计 |
| 细胞类型注释（无参考） | Leiden + marker 打分 | 简单可靠，可解释 |
| 批次整合 | scVI / Harmony | 大规模可扩展 |
| 差异表达 | limma-voom（pseudobulk）/ MAST | 统计严谨 |
| 细胞状态轨迹 | scVelo（若有序）/ Palantir | 需要时间或伪时间假设 |
| 韧性分类 | 梯度提升（XGBoost/LightGBM） | 表格型特征，样本量有限 |
| 基础模型 | scGPT / Geneformer 类 | 与作者的「生成式框架」思路同源，可作对照 |
| 配体-受体通讯 | CellPhoneDB / CellChat | 标准工具，注意细胞比例偏倚 |
§6.8 硬件需求表
| 场景 | 内存 | 存储 | GPU | 说明 |
|---|---|---|---|---|
| GEO 验证子集（6 样本） | 8 GB | <1 GB | 不需要 | 笔记本即可 |
| SRA 原始数据下载 | 16 GB | ~15 GB（FASTQ 约为压缩的 2 倍） | 不需要 | 12 个 run |
| 图谱本体（若获得，百万级核） | 128–256 GB | 1–2 TB | 可选 | 需稀疏格式 + 分块 |
| 图谱本体（完整 14M 核） | 512 GB+ 或分布式 | 数 TB | 强烈建议 | 单机基本不可行 |
| 基础模型预训练 | 视模型而定 | 数 TB | A100/H100 级 | 超出一般实验室能力 |
§6.9 评估指标代码
import numpy as np
from sklearn.metrics import (adjusted_rand_score, normalized_mutual_info_score,
f1_score, roc_auc_score, average_precision_score)
def clustering_metrics(true_labels, pred_labels):
"""聚类评估：ARI 对类别数不敏感，NMI 对类别数敏感，两者并报。"""
return {
"ARI": adjusted_rand_score(true_labels, pred_labels),
"NMI": normalized_mutual_info_score(true_labels, pred_labels),
}
def celltype_metrics(y_true, y_pred, y_prob=None):
"""注释评估：宏平均 F1 优先（类别不平衡时比准确率可靠）。"""
out = {"macro_f1": f1_score(y_true, y_pred, average="macro"),
"weighted_f1": f1_score(y_true, y_pred, average="weighted")}
if y_prob is not None:
out["auroc"] = roc_auc_score(y_true, y_prob, multi_class="ovr")
out["auprc"] = average_precision_score(y_true, y_prob)
return out
指标选择的提醒：细胞类型注释严重不平衡（少突胶质细胞可能占一半，稀有类型只有几十个），此时准确率会被大类主导。必须报宏平均 F1。聚类则建议同时报 ARI 与 NMI，因为二者对「过度切分」的惩罚方式不同。
§6.10 MLOps 笔记
| 环节 | 建议 |
|---|---|
| 数据版本 | 以 GEO 的 dateModified（2026-09-22）为锚点，不要用下载日期 |
| 实验追踪 | 记录随机种子、scanpy 版本、参考基因组版本——三者任一变动都会改变结果 |
| 模型产物 | 单细胞模型的「权重」意义有限，更应保存「数据快照 + 参数 + 代码」 |
| 监控 | 关注细胞类型比例的漂移；比例突变通常意味着上游数据源变了 |
| 复现 | 用 conda lock 或 pip freeze 固定环境；scanpy 小版本间 API 变动频繁 |
§6.11 一个可运行的端到端最小示例
以下脚本只依赖 pandas / numpy，可以在完全没有 scanpy 的环境里跑完 GEO 验证子集的差异表达：
import pandas as pd, numpy as np
from scipy.stats import mannwhitneyu
files = {
"ctrl_1": "GSM9618668_X1_RNASEQ_count.tsv.gz",
"ctrl_2": "GSM9618669_X2_RNASEQ_count.tsv.gz",
"ctrl_3": "GSM9618670_X3_RNASEQ_count.tsv.gz",
"mk801_1": "GSM9618671_X4_RNASEQ_count.tsv.gz",
"mk801_2": "GSM9618672_X5_RNASEQ_count.tsv.gz",
"mk801_3": "GSM9618673_X6_RNASEQ_count.tsv.gz",
}
mats = {k: pd.read_csv(v, sep="\t", index_col=0).
groupby(level=0).sum().iloc[:, 0].rename(k) for k, v in files.items()}
df = pd.concat(mats.values(), axis=1).fillna(0)
ctrl = df[["ctrl_1", "ctrl_2", "ctrl_3"]].mean(axis=1)
trt = df[["mk801_1", "mk801_2", "mk801_3"]].mean(axis=1)
lfc = np.log2((trt + 1) / (ctrl + 1))
pvals = [mannwhitneyu(df.loc[g, ["ctrl_1","ctrl_2","ctrl_3"]],
df.loc[g, ["mk801_1","mk801_2","mk801_3"]]).pvalue for g in df.index]
res = pd.DataFrame({"log2FC": lfc, "p": pvals}, index=df.index).sort_values("p")
print(res.head(20))
这个示例的局限必须说清：每组只有 3 个重复，统计功效极低，p 值仅作示范。它证明的是「数据能被读、能量化」，不是「能得出生物学结论」。真实的验证实验设计需要更多重复与更严格的对照。
§6.12 常见分析路径小结
| 你的目标 | 最短路径 | 预计投入 |
|---|---|---|
| 复现 GEO 验证实验 | §6.11 脚本 | 半小时 |
| 学习 snRNA-seq 流程 | 下载 6 样本 → scanpy 教程 | 半天 |
| 引用规模数字 | 读 GEO 摘要 + 预印本 | 十分钟 |
| 做 AD 差异表达研究 | 申请本体 → pseudobulk 流程 | 数周（受制于获取） |
| 做基础模型研究 | 申请本体 → 分布式预处理 | 数月 |
§7 质量评估与局限性
§7.1 已知偏倚表
| 偏倚类型 | 描述 | 严重度 | 可否缓解 |
|---|---|---|---|
| 选择偏倚（纳入） | 死后队列依赖自愿捐献与脑库覆盖，纳入者通常受教育程度更高、就医更充分 | 高 | 需加权或外部对照 |
| 生存偏倚 | 能进入尸检队列的人都已死亡，重症早亡者可能被系统性排除 | 高 | 难以缓解 |
| 病理分类偏倚 | 「clinico-pathologically confirmed」的判定阈值未公开，不同中心标准可能不同 | 中高 | 需索取判定方案 |
| 脑区取样偏倚 | 31 个脑区的清单与取样方案未公开，可能偏向 AD 易感区 | 中 | 需索取清单 |
| 性别构成 | 未公开性别比例；但论文报告了女性特异的干扰素签名，说明两性均有 | 中 | 需索取人口学表 |
| 祖先/族裔 | 未公开；AD 脑库通常以欧洲裔为主 | 高 | 不可从公开信息缓解 |
| 批次 | 2,239 样本必然跨多批次，分组与批次是否混杂未知 | 高 | 需索取批次字段 |
| 测序深度 | 各样本深度分布未公开 | 中 | 需索取 QC 指标 |
| 发表偏倚 | 仅预印本，未经同行评议 | 中 | 时间可缓解 |
| 可获得性偏倚 | 本体未公开，只有能联系到作者的研究组能用 | 极高 | 需推动开放 |
关于可获得性偏倚的说明：这是本数据集最独特的一种偏倚，通常不在偏倚清单里出现。它的后果是：所有基于本数据集的二次研究，实际上都来自少数能接触到原始数据的团队，这会系统性地削弱独立复现的可能性。
§7.2 标注质量
| 维度 | 评价 | 依据 |
|---|---|---|
| 认知分组标签 | 预期较高（临床+病理双源） | 方法学常识 |
| 病理评分 | 未知 | 量表与一致性统计未公开 |
| 细胞类型注释 | 未知 | 注释流程与人工审核比例未公开 |
| 脑区标注 | 未知 | 解剖方案未公开 |
| 标签粒度 | 较好（四分组 + >50 细胞类型） | 摘要 |
综合判断：标签设计的意图是高质量的（双源确认、四分组、细分细胞类型），但证据不足（无一致性统计、无审核流程）。在 AI 就绪度评估中，这属于「设计良好、验证缺失」。
§7.3 泛化性表
| 泛化方向 | 预期表现 | 理由 |
|---|---|---|
| 跨供体（同一人群） | 中等 | 个体差异大，需足够训练供体 |
| 跨脑区 | 较差 | 脑区特异性强，神经元亚型分布差异大 |
| 跨人群（不同族裔） | 未知，可能较差 | 供体族裔构成未公开 |
| 跨平台（10x vs 其他） | 中等 | 平台差异是已知的整合难题 |
| 跨物种（人→鼠） | 较差 | 细胞类型与基因调控有物种差异 |
| 从尸检到活体 | 不可直接迁移 | 死后 RNA 降解、组织处理差异 |
§7.4 伦理
| 议题 | 状态 |
|---|---|
| 知情同意 | 未公开（死后组织通常由脑库在生前取得同意或由近亲代同意） |
| 伦理审查批号 | 未公开 |
| 去标识化程度 | 部分（GEO 公开了患者编号 IUGB267.2，属研究内编号） |
| 数据使用协议 | GEO 公开数据，无额外 DUA |
| 商业使用 | 未明确 |
| 弱势群体保护 | 认知障碍患者的同意能力问题，通常由法定代理人处理，具体流程未公开 |
值得注意的一点：GEO 中公开的患者编号 IUGB267.2 虽然是研究内编号，但在同一实验室的其他论文中可能被反复使用，构成潜在的「跨数据集可重识别」风险。这类风险在稀有疾病或小样本研究中更值得关注。
§7.5 公平性
| 维度 | 风险 |
|---|---|
| 性别 | 若女性样本比例失衡，性别特异结论（如干扰素签名）的外推受限 |
| 年龄 | 老年队列为主，结论不适用于早发型 AD |
| 族裔 | 若以欧洲裔为主，PRS 与药物靶点的可迁移性存疑 |
| 社会经济 | 死后队列通常偏向高教育人群，认知储备的估计可能偏高 |
| 地理 | 单中心为主，医疗实践与病理判读标准可能不具代表性 |
公平性评估的最大障碍：本数据集未公开任何人口学分布表。因此上表全部是「风险提示」而非「风险评估」——没有数据就无法评估。
§7.6 数据漂移
| 漂移来源 | 描述 | 监测建议 |
|---|---|---|
| 批次漂移 | 不同测序批次的技术差异 | 监控每批的 median counts 与基因检出数 |
| 试剂批次 | 建库试剂盒批次差异 | 记录试剂批号（若可得） |
| 参考基因组更新 | 注释版本变化导致基因集合变化 | 固定注释版本 |
| 组织处理 | 死后间隔与固定方式差异影响 RNA 质量 | 监控 RIN 或 3’/5’ 偏倚 |
| 队列构成 | 若后续补充样本，人群构成可能变化 | 监控分组与人口学分布 |
§7.7 DAIMS 24 项评估
| # | DAIMS 维度 | 评分（1–5） | 说明 |
|---|---|---|---|
| 1 | 数据集标识（identifier） | 5 | GSE326002 / PRJNA1442802 / SRP686723 三码齐备 |
| 2 | 版本管理 | 3 | 有 v1 与 GEO 归档日期，但无明确版本号 |
| 3 | 元数据完整性（样本级） | 3 | GSM 标题含处理组，但缺供体人口学 |
| 4 | 元数据完整性（图谱级） | 1 | 仅摘要叙述 |
| 5 | 数据字典 | 1 | 无 |
| 6 | 变量命名规范 | 2 | 文件名可解析，但字段名未标准化 |
| 7 | 数据格式 | 4 | 标准 TSV.gz / FASTQ |
| 8 | 格式文档 | 2 | 无格式说明文档 |
| 9 | 数据可获取性 | 2 | 验证层可得，本体不可得 |
| 10 | 获取门槛 | 5 | 无 DUA、无申请 |
| 11 | 许可清晰度 | 3 | GEO 公共政策，但未显式声明 |
| 12 | 引用规范 | 4 | 预印本 DOI 明确 |
| 13 | 数据量说明 | 2 | 数字有，但与归档不符 |
| 14 | 质量控制记录 | 1 | 无 |
| 15 | 缺失值说明 | 1 | 无 |
| 16 | 标签定义 | 3 | 分组名明确，判定标准不明 |
| 17 | 标注一致性 | 1 | 无统计 |
| 18 | 划分方案 | 1 | 无 |
| 19 | 基线模型 | 2 | 论文有内部对照，无公开基线 |
| 20 | 评测协议 | 2 | 无标准化协议 |
| 21 | 文档（README） | 1 | 无 |
| 22 | 教程/示例 | 1 | 无 |
| 23 | 社区支持 | 2 | 需联系作者 |
| 24 | 长期维护承诺 | 2 | 未见明确承诺 |
DAIMS 总分：约 55/120（46%）。分数分布极不均衡：标识、格式、获取门槛三项接近满分，而数据字典、质量控制、划分方案、文档四项接近零分。这勾勒出一个典型画像——「归档合规、交付不足」：作者满足了 GEO 的提交要求，但未达到 AI 就绪资源的标准。
§7.8 外部验证矩阵
| 验证维度 | 是否已有 | 说明 |
|---|---|---|
| 作者内部验证 | ✅ | IHC 验证 SST 神经元；iPSC 验证谷氨酸 crosstalk |
| 独立团队复现 | ❌ | 未见公开复现报告 |
| 跨队列验证 | ❌ | 未见 |
| 基准对比 | ❌ | 无 leaderboard |
| 同行评议 | ❌ | 仅预印本 |
| 数据审计 | ❌ | 无第三方审计规模数字 |
结论：本数据集目前处于「作者自证」阶段。作者做了两类实验验证（IHC 与 iPSC），这在单细胞论文中属于较强的自证，但仍不等于独立复现。在缺乏本体公开的情况下，独立复现在可预见的未来难以发生。
§8 基准性能与生态
§8.1 排行榜
本数据集没有公开排行榜。 检索未见任何基于 GSE326002 的标准化 benchmark、leaderboard 或挑战赛。原因很直接：本体不可得，无法形成可比的测试集。
这与其他大型脑图谱形成对比。例如 Allen 体系的 SEA-AD 有配套的评分任务与公开基线，而本数据集目前只有论文内部的方法学对照。任何「在 GSE326002 上达到 X 分」的宣称都应当被要求提供测试集来源与划分方案。
§8.2 SOTA 总结与选型建议
由于没有排行榜，这里的「SOTA」只能理解为作者自报的关键定量结论，而非跨方法比较的结果。下表整理摘要中的可核查陈述：
| 结论 | 具体内容 | 验证方式 | 可核查性 |
|---|---|---|---|
| 规模 | ~14M 核 / 31 脑区 / 2,239 样本 / >50 细胞类型 | 自报 | 仅自报，无第三方审计 |
| 韧性机制 | SST 神经元线粒体生物能量学上调与 CR 相关 | 免疫组织化学验证 | 方法自洽，数据不可核 |
| AD 进展基因 | PLCG2 下调、GPNMB 与 AD 进展相关，年龄非依赖 | 统计关联 | 未公布统计量与效应量 |
| 性别特异 | IFIT3、IFI44 为女性特异 DAM 标记；USP18 亦被提及 | 分层分析 | 未公布分层 n |
| 免疫-神经元 crosstalk | 谷氨酸介导的 T 细胞-小胶质细胞通讯与 AD 相关 | 患者 iPSC 小胶质细胞转录组签名 | GEO 有 6 个验证样本，部分可核 |
| 补体信号 | 增殖性小胶质细胞介导的补体信号与 AD 病理相关 | 会议摘要提及，预印本摘要未强调 | 待核 |
阅读建议：把这张表当作「作者的论点清单」，而不是「已验证的事实清单」。其中只有最后两行有实验层面的公开材料，其余均为摘要层面的主张。
选型建议：如果你的研究问题是「验证某个具体基因在 AD 中的方向性」，本数据集的摘要可以作为一个先验来源，但必须用可获取的独立数据（SEA-AD、ROSMAP、GTEx brain）复核。如果你的问题是「构建新的脑细胞图谱」，本数据集的设计（四分组、31 脑区）值得借鉴，但数据无法直接复用。
§8.3 评测协议
一个针对本类数据集的合理评测协议应包含以下要素。下表是建议协议，非官方协议：
| 要素 | 建议 | 理由 |
|---|---|---|
| 划分单位 | 供体（donor-level） | 避免细胞级泄漏 |
| 划分比例 | 70/15/15，按分组分层 | 保持 CR/PART 比例 |
| 预处理隔离 | 所有拟合步骤仅在训练集内完成 | 避免预处理泄漏 |
| 主要指标 | 宏平均 F1（注释）、AUPRC（不平衡分类） | 类别不平衡 |
| 次要指标 | ARI/NMI（聚类）、校准误差（概率输出） | 多角度评估 |
| 统计检验 | 配对 bootstrap，报告 95% CI | 避免单点估计 |
| 报告要求 | 必须报告供体数、细胞数、分组构成 | 可复现性 |
关于「必须报告供体数」的强调：这是单细胞研究中最常被省略、也最能暴露问题的一项。只报「14M 核」而不报「2,239 样本中有多少是真正独立的生物学重复」，会让读者误判统计功效。
§8.4 相关数据集表
| 数据集 | 关系 | 本站条目 |
|---|---|---|
| GEO GSE326002 | 本身 | 本条 |
| PRJNA1442802 / SRP686723 | 同项目的 SRA/BioProject 归档 | 本条 |
| ADNI | 同疾病的活体纵向队列，互补 | rid 101 |
| Allen Brain Atlas | 脑图谱家族，模态不同 | rid 275 |
| SEA-AD | 同类人脑 snRNA-seq 图谱（Allen Institute） | 库内未见 |
| Human Brain Cell Census / HBCC | 同类人脑 snRNA-seq 图谱，解剖覆盖最广 | 库内未见 |
| Human Cell Atlas | 全身单细胞参考，含脑组织子集 | rid 319 |
| CZ CELLxGENE | 单细胞数据托管平台，本数据集本体可能经此外链（未证实） | rid 38 / rid 1035 |
| ROS/MAP（ROSMAP） | 同疾病死后多组学队列，可作外部验证 | rid 345 |
| GTEx | 含脑区 bulk RNA-seq，可作表达基线对照 | rid 568 / rid 109 |
| OpenNeuro | 开放神经影像平台，提供活体对照影像 | rid 100 |
上表只列「语义上可比」的条目，不代表它们与本数据集有直接数据血缘。特别提醒：CZ CELLxGENE 与本数据集是否有关联，目前未证实——这是一个合理的猜测（单细胞论文常把矩阵放在 cellxgene），但没有证据支持，本页不做断言。
§8.5 关键论文
| 类型 | 标题 | 标识 | 状态 |
|---|---|---|---|
| 预印本 v1 | A Scalable Human Brain Cell Atlas Foundation Model Dissects the Cellular Immune Codes and Cognitive Resilience | DOI 10.21203/rs.3.rs-6986171/v1 | posted 2025-07-08，CC BY 4.0，未经同行评议 |
| 会议摘要 | A Scalable Human Brain Cell Atlas Dissects the Cellular Immune Codes and Cognitive Resilience in Alzheimer’s Disease | AD/PD 2026，ID 1051 | 会议摘要 |
| GEO 系列 | A Scalable Human Brain Cell Atlas Dissects the Microglial Immune Codes and Cognitive Resilience | GSE326002 | 2026-09-22 公开 |
三个标题的差异值得逐字对照：
- 预印本：
Foundation Model+Cellular Immune Codes - 会议摘要：无
Foundation Model，改为…in Alzheimer's Disease - GEO：
Microglial Immune Codes（把 cellular 收窄为 microglial）
从 “Cellular” 到 “Microglial” 的收窄，可能反映了作者在投稿过程中对论证范围的调整——把小胶质细胞作为核心叙事，而非泛泛的「细胞免疫密码」。这是一个观察，不是作者声明。
§8.6 社区活跃度
| 渠道 | 状态 |
|---|---|
| GitHub 代码仓库 | 未公开（检索未见） |
| 数据门户 | 未公开（检索未见） |
| 论坛/讨论 | 未见 |
| 后续论文 | 未见（截至 2026-10） |
| 引用 | 计数未公开 |
| 社交传播 | 预印本发布时有若干报道，未见持续讨论 |
判断：社区活跃度低，且主要受制于「数据不可得」。一个资源型数据集如果没有可下载的数据，很难形成活跃的下游生态。
§8.7 生态快照表
| 生态位 | 本数据集的角色 |
|---|---|
| AD 单细胞研究 | 规模标杆（自述最大） |
| 脑图谱体系 | 疾病特化型，与正常参考图谱互补 |
| 基础模型语料 | 潜在语料源，但当前不可取用 |
| 开放数据实践 | 反面案例（规模宣称与交付不匹配） |
| 韧性研究 | 稀缺资源（CR/PART 双组） |
| 方法学研究 | 生成式整合框架的示范 |
§9 资源与引用
§9.1 官方资源
访问提示：部分网络环境访问
www.ncbi.nlm.nih.gov的网页会返回 403（NCBI 反滥用拦截）。此时改用eutils.ncbi.nlm.nih.gov的 E-utilities 接口或ftp.ncbi.nlm.nih.gov的 FTP 镜像可以正常获取同一批元数据。本页的全部 GEO 事实均通过这两种通道核验。
§9.1b 教程与入门路径（建议顺序）
- 先读摘要：GEO 系列摘要（约 200 词）已经把规模、分组、五个核心结论说完，是性价比最高的一步。
- 再核数字：用 E-utilities 拉 esummary JSON，核对
n_samples、gpl、pdat。这一步会立刻暴露 6 vs 2,239 的落差。 - 读预印本方法：预印本 v1 是唯一成文的方法描述，重点读「数据可用性」与「细胞注释」两节。
- 跑验证子集：按 §6.11 跑一遍 6 个样本的差异表达，建立对数据格式的直觉。
- 评估可获得性：若研究必须依赖本体，此时应直接联系通讯作者，而不是继续在公开渠道找。
- 找替代方案：如果拿不到本体，转向 SEA-AD 或 ROSMAP 做同题研究。
§9.2 BibTeX
@article{cheng2025brainatlas,
title = {A Scalable Human Brain Cell Atlas Foundation Model Dissects the
Cellular Immune Codes and Cognitive Resilience},
author = {Cheng, Feixiong and Xu, Jielin and Zhou, Yadi and Lorincz-Comi, Noah
and Dou, Lijun and Hou, Yuan and Qiu, Yunguang and Liu, Tian and
Zhu, Xiongwei and Yang, Xiaoyu and Song, Wenqiang and Tan, Zhibing and
Liu, Zhigang and Hu, Ming and Li, Yang and Shen, Jingdi and Jehi, Lara
and Pillai, Jagan and Pieper, Andrew and Cummings, Jeffrey},
year = {2025},
month = {jul},
note = {Preprint (not peer reviewed), Research Square, version 1},
doi = {10.21203/rs.3.rs-6986171/v1},
url = {https://doi.org/10.21203/rs.3.rs-6986171/v1}
}
@misc{gse326002,
title = {A Scalable Human Brain Cell Atlas Dissects the Microglial
Immune Codes and Cognitive Resilience},
howpublished = {NCBI Gene Expression Omnibus, series GSE326002},
year = {2026},
note = {BioProject PRJNA1442802; SRA study SRP686723;
platform GPL24676 (Illumina NovaSeq 6000)},
url = {https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE326002}
}
§9.3 引用指南
| 引用场景 | 建议引用 | 原因 |
|---|---|---|
| 引用规模数字 | GEO 系列（gse326002） | 数字本身来自 GEO 摘要 |
| 引用科学结论 | 预印本（cheng2025brainatlas） | 结论的完整论证在预印本 |
| 引用数据本身 | 两者都引 | 数据与解释分离，符合 FAIR 原则 |
| 期刊投稿 | 优先引预印本，注明「preprint」 | 避免审稿人误认为已同行评议 |
| 二次分析 | 必须注明「数据经 GEO GSE326002 获取」 | 可追溯性 |
引用时的常见错误：
- 只引预印本、不引 GEO 编号——读者无法定位数据。
- 把预印本写成「published in …」——目前未见期刊版，这属于学术不端风险。
- 引用时写「2,239 donors」——原文是 “postmortem samples”，改写会造成实质错误。
§9.4 支持与进一步帮助
| 需求 | 建议途径 |
|---|---|
| 申请图谱本体 | 联系通讯作者（Cleveland Clinic，Feixiong Cheng 团队） |
| 报告元数据错误 | 通过 GEO 的联系渠道或作者 |
| 复现问题 | 预印本方法节 + 作者补充材料（Supplemental Table S1–S4） |
| 相关工具 | scanpy / Seurat / scVI / Harmony 官方文档 |
| 同类数据 | SEA-AD、HBCC、ROSMAP、GTEx brain |
说明：预印本页面列出了 4 个补充表格压缩包（SupplementalTableS1–S4.zip）与补充图（18 张）。这些是本数据集除 GEO 之外最可能包含细粒度信息的材料，值得优先查阅。
§10 AI 使用声明卡
§10.1 AI 模型列表
| 项目 | 内容 |
|---|---|
| 撰写模型 | 由 RSI 生产流水线的写作代理生成初稿 |
| 检索方式 | 通过 WebSearch、WebFetch 与 NCBI E-utilities / FTP 接口直接获取一手元数据 |
| 人工审核 | 由千方病案医学编辑部交叉审核结构与事实陈述 |
| 图像生成 | 封面图由图像生成模型依据 cover_image_prompt 生成 |
§10.2 AI 参与范围
| 环节 | AI 参与 | 人工参与 |
|---|---|---|
| 章节结构 | 依据站点模板生成 | 审核 |
| 事实检索 | 全部由 AI 执行 | 抽查 |
| 数字核对 | 全部由 AI 执行（GEO esummary / filelist / SRA runinfo 三处交叉） | 抽查 |
| 医学背景 | AI 撰写 | 审核 ICD-11 / SNOMED CT 映射 |
| 代码示例 | AI 撰写 | 未实机运行 |
| 局限判断 | AI 撰写，基于可获得性证据 | 审核 |
| 结论表述 | AI 撰写 | 审核 |
§10.3 输入来源列表
| 来源 | 用途 | 类型 |
|---|---|---|
| GEO esummary JSON（gds id 200326002） | 标题、摘要、样本数、平台、日期、BioProject | 一手元数据 |
| GEO FTP suppl 目录 + filelist.txt | 补充文件名与字节数 | 一手元数据 |
| NCBI GPL 记录（100024676） | 平台名称 | 一手元数据 |
| SRA runinfo（通过 trace 接口逐实验获取） | 12 个 run 的 spots / bases / 平台 / 布局 | 一手元数据 |
| Research Square 预印本页面与 PDF | 标题、日期、DOI、许可、作者 | 一手文献 |
| AD/PD 2026 会议摘要页 | 会议标题变体与摘要口径 | 一手会议材料 |
| 本站数据库查询 | 互链条目 rid 与 slug 对应 | 内部数据 |
§10.4 人工校验表
| 校验项 | 方法 | 结果 |
|---|---|---|
| 规模三数字（14M / 31 / 2,239） | GEO 摘要、预印本摘要、会议摘要三源比对 | 一致 |
| GEO 样本数（6） | esummary n_samples |
一致 |
| 平台（GPL24676） | esummary gpl + GPL 记录名称 |
一致 |
| 补充文件大小 | FTP 目录 + filelist 字节数 | 一致（1,576,960 B） |
| SRA 运行数（12） | 6 个 SRX 逐个查询 | 一致 |
| 发布时间（2026-09-22） | esummary pdat + ReleaseDate + filelist 时间戳 |
一致 |
| 预印本日期（2025-07-08） | Research Square 页面 | 一致 |
| 四分组名称 | GEO 摘要原文 | 一致 |
| 与前序数据集区分 | 与 rid 101 / 100 / 275 逐条比对 | 无重叠 |
§10.5 AI 生成章节标注
| 章节 | 生成方式 | 备注 |
|---|---|---|
| §0 E-E-A-T | 模板 + AI 填充 | 免责声明为站点标准文本 |
| §1 概览 | AI 撰写 | 数字全部来自 §10.3 来源 |
| §2 医学背景 | AI 撰写 | ICD-11 / SNOMED CT 映射需医学审核 |
| §3 规格 | AI 撰写 | 设备规格来自 SRA runinfo |
| §4 数据结构 | AI 撰写 | 图谱层为概念性推演，已显式标注 |
| §5 划分建议 | AI 撰写 | 属方法论建议，非官方规定 |
| §6 就绪指南 | AI 撰写 | 代码未实机运行 |
| §7 质量评估 | AI 撰写 | DAIMS 评分为编者判断 |
| §8 生态 | AI 撰写 | 无官方排行榜，已说明 |
| §9 引用 | AI 撰写 | BibTeX 作者列表依预印本页面 |
| §10 声明 | 本卡 | — |
§10.6 最后人工审核日期
2026-10-17
本页所有「未公开」标注均为核查后的结论，不是省略。若后续作者公开本体或发表期刊版，需重新核查 §3.2、§4.3、§6.5 与 §7.7 四节。
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：
- perturbai-crispr-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 神经科学 / 神经退行性疾病 / 转录组
- psychad-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 神经科学 / 阿尔茨海默病 / 转录组
- amygdala-spatial-atlas — 共享标签：单细胞基因组学 / 神经科学 / 转录组
- dementiabank-pitt — 共享标签：神经科学 / 神经退行性疾病 / 阿尔茨海默病
- tabula-sapiens — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- single-cell-portal — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- hcl — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- cellxgene-census — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- adrenal-gland-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- kpmp — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
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。
