信息速览
CCLE 是「Cancer Cell Line Encyclopedia」的缩写，中文常译作癌细胞系百科全书。它由 Broad 研究所与美国诺华生物医学研究所于 2006 年共同立项、2008 年正式启动，目标是把当时散落在各个实验室里的癌细胞系，做成一套可比较、可检索、可计算的分子档案。2012 年首篇论文发表于《Nature》，报告九百四十七个细胞系的表达、拷贝数与测序数据；2019 年的第二阶段论文把规模推到一千零七十二系，并补齐了甲基化、蛋白与代谢等层次。
它与一般的细胞系目录不同。目录告诉你有哪些系、从哪来、怎么培养；CCLE 要回答的是另一类问题：这一千个系的基因组各自长什么样，同一套分子特征能不能预测它们对某个药物的反应。因此它的产物不是一份名单，而是一组按层次切开的矩阵，每一行是一个细胞系，每一列是一个基因、一个位点或一个化合物。
需要先说清一件事：CCLE 的独立发布已经停下。官方数据集页把最新处理版指向 DepMap 门户，站上保留的是第二阶段那批文件；此后新增的 CRISPR 依赖、RNAi 与 PRISM 药敏，都以 DepMap 的季度版本发布。所以今天谈 CCLE，谈的其实是 DepMap 里那块组学底座。下面先给一屏速览，再逐层拆开。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | Cancer Cell Line Encyclopedia（癌细胞系百科全书） |
| 立项 | 2006 年规划，2008 年 1 月启动第一阶段 |
| 共建方 | Broad 研究所 + 美国诺华生物医学研究所 |
| 首发 | 2012 年《Nature》483 卷 603–607 页 |
| 第二次发布 | 2019 年《Nature》569 卷 503–508 页 |
| 第一阶段规模 | 收集约一千系，报告九百四十七系；二十四药，四百七十九系有药敏 |
| 第二阶段规模 | 一千零七十二系 |
| 蛋白层规模 | 串联质谱定量三百七十五系 |
| 当前发布 | DepMap 26Q3（2026 年第三季度） |
| 当前模型数 | 逾两千个癌症模型 |
| 组学层 | 表达、突变、拷贝数、结构变异、融合、甲基化、组蛋白修饰、蛋白、代谢、miRNA |
| 功能层 | CRISPR 基因效应、RNAi 敲低、PRISM 药敏 |
| 模型标识 | ACH- 开头的 ModelID |
| 交付形态 | 按层拆分的 CSV 矩阵，逐文件下载 |
| 获取方式 | DepMap 门户，首次使用需同意条款 |
| 许可 | 研究用途；商业用途与商业性 AI 训练需另行授权 |
| 明确不含 | 原始 FASTQ（RRBS 原始读段除外）、患者随访字段、正常组织对照 |
§1 它要解决的具体麻烦
1.1 六十个细胞系不够回答的问题
在 CCLE 之前，肿瘤细胞系研究的公共底座是 NCI-60：六十个系、九种组织来源、一套沿用多年的药敏终点。这套面板贡献巨大，但它的边界也很清楚——当一个问题需要按分子亚型分层时，六十个系很快就不够分了。
官方页面给了一个具体的例子。表皮生长因子受体突变在肺癌里被发现时，抑制剂的相关结论主要建立在 A549 这一个系上；而支持该类抑制剂上市的关键三期试验，入组了九百五十二名患者。用一个系去代表一个突变亚群，等于用一个人的体温去代表一个城市的天气。后续研究证明，携带激活型突变的肿瘤对这类药物高度敏感，这个结论在早期之所以被低估，一部分原因就是缺少规模足够大、刻画足够深的细胞系集合。
CCLE 的出发点正是这里：把细胞系的数量从两位数推到四位数，同时把每个系的分子刻画从「测了几个基因」推到「表达、拷贝数、突变、甲基化、蛋白一起上」。数量解决代表性，深度解决可解释性，两者缺一不可。
1.2 三条常见的错误期待
| 常见期待 | 实际情况 |
|---|---|
| 以为它是一个人工核对过的细胞系库 | 它不做细胞系保藏与分发，材料来自 ATCC、DSMZ、KCLB 等公共库，身份核验只做到研究层面的抽检 |
| 以为数据一次发布、永久不变 | 组学与功能数据都在滚动重处理，同一模型的数值会随流程修订而变 |
| 以为细胞系能替代患者 | 细胞系是体外筛选模型，缺免疫微环境、缺给药暴露、缺随访，外推临床需要额外证据 |
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 一批细胞系的表达矩阵 | RNA-seq 的 RPKM、RSEM 基因与转录本、读段计数五套口径 | 够，注意选哪一套 |
| 某个癌种有哪些可用模型 | 注释表按谱系与原发疾病给出分类 | 够，但分类体系随版本更新 |
| 突变与拷贝数的联合视图 | 合并突变调用、绝对拷贝数、基因级拷贝数、分段文件 | 够做关联分析 |
| 药物反应与分子特征的对应 | 二十四药起步，现由 PRISM 承接，覆盖数百系 | 够做假设，不够做确证 |
| 基因依赖（敲掉就死） | CRISPR 与 RNAi 的基因效应矩阵 | 够，且这是 DepMap 的强项 |
| 蛋白层面的验证 | 反相蛋白阵列与三百七十五系的质谱定量 | 部分够，覆盖远小于转录层 |
| 原始测序读段 | 仅 RRBS 提供原始读段，其余只给处理后矩阵 | 不够，需另走受控渠道 |
| 患者生存期与疗效 | 无 | 不够，转向 TCGA 一类队列 |
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 |
|---|---|---|
| 要训练药敏预测模型，缺带分子特征的细胞系面板 | 给出表达、突变、拷贝数与药敏可按模型标识对齐的矩阵 | 先定版本，再按 ModelID 取交集，做药物分层划分防止泄漏 |
| 手上有一个候选生物标志物，想知道它是否预测某药敏感性 | 可在一个癌种内部按标志物状态分组比药敏 | 用同一版本的注释表限定谱系，避免跨谱系混杂 |
| 要为自己的细胞系找一个参照系 | 可用同一套组学流程产出可比矩阵 | 确认注释版本与定量流程一致，再做批次校正 |
| 要筛选某个基因是否为选择性依赖 | DepMap 的基因效应矩阵可直接排序 | 结合表达与突变做条件依赖分析 |
| 写综述需要一份细胞系资源的全景 | 注释表与各层清单可快速定位 | 引用时写清发布版本与日期 |
| 要做临床预后模型 | 无随访字段，无法建模 | 转向 TCGA 或 CPTAC 一类带结局的资源 |
1.5 一句话判断
如果你要的是一块「分子特征齐、模型数量够、还能挂上药敏与基因依赖」的肿瘤细胞系底座，CCLE 与它现在的宿主 DepMap 是目前最完整的一套；如果你要的是能直接回答临床问题的证据，它只是筛选台，不是终点。
1.6 不适合谁：四条边界
第一，不适合把细胞系当患者的人。细胞系在塑料板上传了数十代，丢掉了免疫细胞、成纤维间质与血管结构，也丢掉了药物在体内的暴露曲线。任何从细胞系直接推到疗效的结论，都需要动物模型或临床数据补桥。
第二，不适合需要原始数据做新分析的人。CCLE 交付的是处理后矩阵，比对、定量、变异调用都已经做完。想换比对器、想重做剪接、想看覆盖度，必须回到原始读段，而这批读段并不在公开下载里。
第三，不适合需要商业授权的人。DepMap 门户的使用条款把商业用途与商业性 AI 训练排除在默认授权之外，企业内部研究可以使用，做成产品则需要另行取得许可。这一点对创业团队尤其关键。
第四，不适合要求身份绝对可靠的人。官方自己就写明，第一阶段发现有细胞系其实是已知系的错标版本，另有一批系未检出任何遗传改变、表达谱却与成纤维细胞一致。这类问题在细胞系领域是系统性的，不是个别失误。
§2 数据构成与规格
2.1 三个阶段，三套产物
CCLE 的产物按项目阶段分成三块，块与块之间不是简单的叠加关系，而是口径在变。
| 阶段 | 时间 | 细胞系数 | 主要产出 |
|---|---|---|---|
| 第一阶段 | 2008–2012 | 九百四十七 | SNP 6.0 拷贝数、U133 2.0+ 表达、OncoMap 点突变、一千六百余基因的外显子捕获测序、二十四药药敏 |
| 第二阶段 | 2012–2019 | 一千零七十二 | RNA-seq、外显子、miRNA、RRBS 甲基化、组蛋白 H3 修饰、反相蛋白阵列、二百二十五种代谢物 |
| 第三阶段 | 2019–2020 | 三百七十五 | 串联质谱蛋白定量，数千种蛋白 |
| 承接期 | 2020 至今 | 逾两千 | 并入 DepMap，叠加 CRISPR、RNAi、PRISM 与季度组学更新 |
第一阶段用的是阵列与靶向测序，第二阶段换成测序，第三阶段才碰蛋白。这意味着跨阶段合并数据时，同一层可能有两套技术口径，不能直接拼接。
2.2 五组数据层与它们的文件
官方数据集页把处理后的产物分成五组。下表按组列出各层、对应的产物形态与官方标注的覆盖范围。
| 组 | 层 | 产物 | 官方标注覆盖 |
|---|---|---|---|
| 遗传 | 体细胞突变 | 合并突变调用（编码区，已滤生殖系） | 未标线数 |
| 遗传 | 拷贝数 | ABSOLUTE 绝对拷贝数、基因级拷贝数、hg19 分段文件 | 未标线数 |
| 遗传 | 结构变异 | SvABA 调用结果 | 三百二十九系 |
| 遗传 | 基因融合 | STAR-Fusion 过滤后调用，另有未过滤版 | 一千零一十九系 |
| 表达 | RNA-seq | RPKM、RSEM 基因、RSEM 转录本、读段计数、外显子包含率 | 一千零一十九系 |
| 表达 | miRNA | miRNA 表达矩阵 | 未标线数 |
| 表观 | DNA 甲基化 | RRBS：启动子上游一千碱基、CpG 簇、CpG 岛、五百五十七个增强子区 | 未标线数 |
| 表观 | 组蛋白修饰 | H3 尾部修饰的质谱多反应监测、全局染色质图谱 | 未标线数 |
| 蛋白 | 反相蛋白阵列 | RPPA 矩阵与抗体清单 | 未标线数 |
| 蛋白 | 质谱 | 串联质谱定量，三百七十五系 | 三百七十五系 |
| 代谢 | 代谢组 | 二百二十五种代谢物，清洗并填补后的矩阵 | 未标线数 |
| 功能 | CRISPR | Chronos 基因效应 | 逾一千系 |
| 功能 | RNAi | 敲低筛选的基因效应 | 平台早期批次 |
| 药理 | 池化药敏 | PRISM 单浓度初筛与剂量反应 | 数百系 |
表里最值得注意的一列是「官方标注覆盖」。只有四层明确给了细胞系数，其余写的是文件名而不是规模。这不是遗漏，而是这一层的样本量随批次变化，官方选择不写死。使用前应当直接从文件里数行，而不是引用别处的数字。
2.3 一条记录的解剖
同一株细胞系在不同文件里出现时，靠的是同一个模型标识。取乳腺癌的 MCF7 做例子，它在四个文件里的样子如下。
#-- 以 MCF7 为例，同一个模型标识贯穿各层（示意，字段名以实际文件为准）
Model.csv
ModelID = ACH-000019
StrippedCellLineName = MCF7
OncotreeLineage = Breast
OncotreePrimaryDisease = Invasive Breast Carcinoma
OmicsSomaticMutations
ModelID = ACH-000019
HugoSymbol = PIK3CA
HGVSpShort = p.E545K
VariantType = Missense Mutation
OmicsExpression 系列
行索引 = ACH-000019
列 = 蛋白编码基因符号
值 = log2(TPM+1)
CRISPRGeneEffect.csv
行索引 = ACH-000019
列 = 基因符号
值 = 基因效应分数，0 附近表示敲除无影响，越负越依赖
三件事从这个片段里能看出来。其一是主键统一：所有层都用 ACH- 开头的标识，细胞系名只是别名，改名或发现错标时主键不动。其二是量纲不统一：表达是 log2(TPM+1)，拷贝数是相对值，基因效应是无量纲分数，跨层运算前必须各自标准化。其三是文件之间不同宽：表达矩阵是「行模型、列基因」，突变表是「一行一个突变事件」的长表，药敏又是另一套键。把它们拼起来的工作量，往往超过建模本身。
2.4 层与层之间不对齐
CCLE 最容易被低估的工程细节，是各层的模型集合并不相同。表达层有一千零一十九系，结构变异只有三百二十九系，质谱蛋白三百七十五系，而 CRISPR 筛选覆盖逾一千系。任何一次「多组学联合建模」，第一步都是取交集，而这个交集往往比想象的小。
| 对齐方式 | 适用场景 | 风险 |
|---|---|---|
| 按 ModelID 取交集 | 跨层联合建模的标准做法 | 交集可能只剩几百系 |
| 按细胞系名匹配 | 与外部数据对接时常用 | 同名不同系、改名、错标都会造成错配 |
| 按谱系分层后对齐 | 癌种内部比较 | 谱系分类本身随版本更新 |
还有一层不对齐来自时间。组学层每年重跑，功能层按季度增补，注释表每季修订，三者节奏不同。用 26Q3 的注释表去配 2019 年的表达矩阵，谱系标签可能已经改过。稳妥的做法是把版本号写进文件名，一次分析只用同一版本的整套文件。
2.5 与同类资源的形态差异
| 维度 | CCLE / DepMap | GDSC | PRISM | NCI-60 |
|---|---|---|---|---|
| 定位 | 细胞系分子底座 + 依赖 + 药敏 | 药敏为主，分子特征为辅 | 池化条码药敏平台 | 经典药筛面板 |
| 模型规模 | 逾两千 | 约一千 | 数百系 | 六十系 |
| 组学深度 | 十层以上 | 突变、拷贝数、表达、甲基化 | 依附 DepMap 组学 | 表达、突变、拷贝数 |
| 药敏口径 | PRISM 单浓度初筛 + 剂量反应 | IC50 与 AUC，浓度窗口按药定制 | AUC 与 log fold change | GI50、TGI、LC50 |
| 交付 | 按层 CSV | 拟合表 + 原始剂量反应 | 矩阵 + 化合物注释 | 分终点文本文件 |
| 主要用途 | 泛癌种关联与依赖发现 | 药敏预测基准 | 化合物重定位 | 历史对照与机制研究 |
§3 它的身份：谁的数据，对谁负责
3.1 四个名字，一条脉络
围绕这套资源有四个名字，混用会造成严重误解。
CCLE 是项目名，也是组学数据的名字，指那一千余个细胞系的分子表征。DepMap 是门户与联盟的名字，指在 CCLE 之上叠加基因依赖与药敏之后的整体资源。Project Achilles 是依赖筛选的项目名，产出 CRISPR 与 RNAi 的基因效应。PRISM 是药敏平台的名字，用分子条码把数百个细胞系混在一孔里同时测活。
四者的关系是层层套嵌：CCLE 提供「这些细胞系是什么」，Achilles 提供「敲掉哪个基因它们会死」，PRISM 提供「给什么药它们会死」，DepMap 是把三者按模型标识缝起来的门户。因此「CCLE 有多少细胞系」和「DepMap 有多少模型」问的不是同一件事。
3.2 从两家公司的合作到一个联盟
项目的起点是很具体的产业需求。2006 年，诺华的 Sellers、Broad 的 Garraway 与诺华的 Schlegel 一起拟定了对约一千个癌细胞系做大规模遗传表征的计划，随后两次续期，形成三个阶段。第一阶段从 2008 年 1 月启动，细胞系直接购自 ATCC、DSMZ 与韩国细胞系库，目的是让测序数据尽可能贴近公共库里的原始代次。
这个出身决定了它的气质：有明确的药物发现导向，有产业方的化合物与筛选能力，也有学术方的测序与分析方法。2012 年的论文标题直接写着「enables predictive modelling of anticancer drug sensitivity」，落脚点在预测药敏，不在编目。
今天承接它的是 DepMap 联盟，一个公私合作体，Broad 与 Sanger 各有一套依赖筛选体系，数据在门户上并列发布。这层结构带来一个后果：CCLE 的名字仍在使用，但它的边界已经由联盟的发布节奏决定，而不是由最初那两家机构决定。
3.3 三条责任边界
| 责任对象 | 它承担的部分 | 它不承担的部分 |
|---|---|---|
| 细胞系提供方 | 记录来源库与目录号，尽量贴近原始代次 | 不保证每一株的身份都经过 STR 级复核 |
| 数据使用者 | 提供统一主键、版本号、流程文档与发布说明 | 不保证跨版本可比，也不保证各层覆盖同一批模型 |
| 学术共同体 | 提供可引用的论文、DOI、季度发布记录与论坛答疑 | 不提供逐样本的实验记录与失败清单 |
把三条摆在一起，能得到一条使用准则：把它当作「一套带版本号的公共底座」，而不是「一份经过认证的标准物质」。身份的可靠性、批次的稳定性、覆盖的完整性，都需要使用者自己再核一遍。
3.4 坐标系的三根轴
CCLE 建立的是一个三维坐标系，理解这三根轴比记住任何单个数字都有用。
模型轴由 ACH- 标识定义。这个标识一旦分配就不随细胞系改名而变，是跨文件、跨版本对齐的唯一稳妥键。细胞系名是给人看的，标识是给机器用的。
层次轴由组学与功能两类数据构成。组学回答「它是什么」，功能回答「它怕什么」。同一株细胞系在这两类数据里的可用性完全不同，做联合分析前必须先看这一株在目标层里是否存在。
版本轴由季度发布定义。DepMap 从早期的按季发布改为半年一次，2025 年起又改回在第一与第三季度发布，理由在官方论坛里有说明：年底假期容易拖慢流程。版本一变，基因效应分数会因流程修订而变化，注释表的谱系标签也可能更新。
§4 它的手艺：从一管细胞到一个矩阵
4.1 源头：细胞系从哪里来
第一阶段的一千个系主要购自三个公共库：美国的 ATCC、德国的 DSMZ、韩国的 KCLB。选择直接从库里买、而不是从论文作者手里要，是一个刻意的决定——公共库的系有明确的目录号与代次记录，可比性更好。
扩增之后提取 DNA 与 RNA，分成几条流水线：SNP 6.0 阵列做拷贝数与杂合性缺失，U133 2.0+ 阵列做表达，OncoMap 3.0 做已知致癌位点的基因分型，外显子捕获测序覆盖一千六百余个已知或候选癌症基因。药敏在约五百个系上完成，覆盖二十四种抗肿瘤药。第二阶段全部换成测序：RNA-seq 替代阵列，外显子组与全基因组测序替代靶向 panel。
4.2 组学流水线：五条并行的加工线
表达线从 RNA-seq 出发，比对后按转录本定量，再汇总成基因级 TPM 与 RPKM，同时保留读段计数与外显子包含率，供剪接分析使用。五套口径并存是刻意的：RPKM 便于与老数据对接，RSEM 便于做转录本水平的差异，计数便于做负二项模型。
突变线把全外显子与全基因组测序的比对结果送进体细胞变异调用器，输出一张长表，一行一个突变事件，含基因符号、蛋白改变、变异类型与判定为热点与否的标记。生殖系变异在流程里被过滤掉，剩下的才进入公开文件。
拷贝数线用阵列与测序深度两路证据估计总拷贝数，再用 ABSOLUTE 一类方法校正肿瘤纯度与倍性，输出绝对拷贝数、基因级相对拷贝数与分段文件。分段文件用的是 hg19 坐标，这一点在与其他资源对接时要特别留意。
甲基化线用 RRBS 富集 CpG 密集区，输出三个粒度：启动子上游一千碱基、CpG 簇、CpG 岛，另有一组来自 VISTA 的五百五十七个增强子区。RRBS 只测 CpG 密集区，因此它给出的是局部甲基化，不是全基因组甲基化谱。
蛋白与代谢线分工明确：反相蛋白阵列用抗体测特定蛋白的丰度，覆盖受抗体限制；串联质谱在三百七十五系上做深覆盖定量，能测到数千种蛋白；代谢组用质谱定量二百二十五种代谢物，官方提供的是清洗并填补后的矩阵。
4.3 案例：MCF7 在矩阵里的样子
拿 MCF7（ACH-000019）走一遍完整的取数路径，能看清这套数据的拼接方式。
第一步是查注释。注释表里这一行给出细胞系名、谱系（乳腺）、原发疾病（浸润性乳腺癌）、来源库与目录号。谱系字段是做分层分析时最常用的筛选键。
第二步是取表达。表达矩阵的行是模型标识，列是蛋白编码基因，值是 log2(TPM+1)。取一行就得到这一株的完整转录谱，约两万个数值。
第三步是取突变与拷贝数。突变是长表，按模型标识过滤后得到这一株的全部体细胞变异，常见如 PIK3CA 的螺旋区错义突变；拷贝数是宽表，取一行得到全基因组的相对拷贝数。
第四步是取功能层。CRISPR 基因效应矩阵里，这一行给出每个基因被敲除后的增殖影响，接近零表示无影响，显著为负表示依赖。药敏矩阵里，这一行给出它对各化合物的反应。
四步走完，得到的是「一株细胞系的完整档案」。这个档案的每一块都来自不同文件、不同版本、不同流程，把它们当成一个整体使用之前，必须先确认四份文件出自同一次发布。§4.3 的这条路径在后面的取数章节里会以代码形式再走一遍。
4.4 药敏与依赖：两套功能读数
药敏这一侧经历了平台换代。第一阶段是传统的板式筛选，二十四药、四百七十九系、每药一条剂量反应曲线；现在的主力是 PRISM，用分子条码把数百个细胞系混在同一孔里，先做单浓度初筛，再对活性化合物做多剂量确认。混孔的好处是通量大、批次效应小，代价是化合物之间可能互相干扰，需要用条形码与孔内对照来校正。
依赖这一侧是 DepMap 的看家本领。全基因组 CRISPR 敲除筛选在逾一千系上完成，原始读数经 Chronos 模型转成基因效应分数，再做拷贝数校正。这个分数是「相对存活」的代理，不是绝对的致死率，解读时要结合该基因在模型里的表达水平。
两套读数合起来，才能回答「这个标志物是否既预测药敏、又对应一个真实的依赖」。只用药敏、不看依赖，容易把非特异毒性当成靶点效应。
4.5 质控与身份核验
细胞系领域最顽固的问题是身份错配与交叉污染。官方的处理方式有三层：一是尽量从公共库直接购系，保留目录号与代次；二是在第一阶段结束后做了一轮核查，发现问题系并在页面里记录；三是把模型标识做成稳定的主键，发现错标时只改注释、不改数据。
即便如此，官方在回顾第一阶段的页面里，对问题系的数量用的是占位符而不是具体数字：一句写有多少系被发现是已知系的错标版本，一句写有多少系未检出遗传改变、表达谱却与成纤维细胞一致，两处的数目都留成了待填。这个细节说明，连项目方都认为这件事没有彻底收口。使用者在做关键结论前，应当自己对目标细胞系做一次身份核对。
§5 取数：从门户到代码
5.1 四条取数路径的取舍
| 路径 | 适合的人 | 代价 | 边界 |
|---|---|---|---|
| 门户逐文件下载 | 要一次性拿全量 | 需先同意条款，单文件可达数百兆 | 不能按需切片 |
| Data Explorer | 先看趋势再决定 | 交互式，导出能力有限 | 不适合批量 |
| cBioPortal | 做突变与表达的可视化 | 需另一套标识体系 | 只覆盖部分层 |
| CLiFF | 比较两组细胞系的差异 | 需先定义好分组 | 面向假设生成 |
| 直链接口 | 工程化接入流水线 | 需处理会话与签名链接有效期 | 条款约束同样适用 |
五条路径背后是同一批文件，区别只在「谁来做切片」。门户下载最稳，代价是磁盘与带宽；交互工具最快，代价是无法批量；接口最适合接进流水线，代价是要处理鉴权与链接过期。
5.2 门户下载与使用条款
DepMap 门户的下载不需要账号，但首次进入会弹出使用条款，必须点击同意才能继续。条款的核心内容有三条值得记住。
其一，数据为研究目的生成，不用于临床或商业用途，明确列举的直接销售、嵌入产品，以及用数据训练、开发、增强机器学习或 AI 模型（内部研究使用除外）都属于需要另行授权的商业使用。其二，用于非营利研究目的共享模型是允许的，也就是说学术合作不受影响。其三，再分发时必须原样附上条款全文，不能只给一个链接。
对做 AI 的团队来说，第二条与第一条之间的界线要读清楚：自己内部训练、内部评估可以做；把用这套数据训出来的模型做成对外收费的产品，就需要单独谈许可。这不是 CCLE 独有的限制，而是当前公共生物医学数据的普遍状态。
5.3 用 Python 走一遍最小流程
下面的脚本演示从注释表定位模型、再到表达矩阵取行的完整路径。文件名用通配符匹配，是因为发布版本之间文件名有过调整，硬编码容易在换版本时失效。
#-- 第一步：读注释表，按细胞系名定位模型标识
import pandas as pd
model = pd.read_csv("Model.csv", low_memory=False)
name_col = [c for c in model.columns if "CellLineName" in c][0]
hit = model.loc[model[name_col] == "MCF7",
["ModelID", "OncotreeLineage", "OncotreePrimaryDisease"]]
print(hit.to_string(index=False))
#-- 第二步：按模型标识取表达向量与突变记录
import glob
import pandas as pd
expr_file = glob.glob("OmicsExpression*.csv")[0]
expr = pd.read_csv(expr_file, index_col=0, low_memory=False)
vec = expr.loc["ACH-000019"]
print(vec.shape, vec.head(3).to_dict())
mut_file = glob.glob("OmicsSomaticMutations*.csv")[0]
mut = pd.read_csv(mut_file, low_memory=False)
sub = mut.loc[mut["ModelID"] == "ACH-000019", ["HugoSymbol", "HGVSpShort"]]
print(sub.head(10).to_string(index=False))
#-- 第三步：取基因效应，做一次简单的选择性依赖排序
crispr = pd.read_csv("CRISPRGeneEffect.csv", index_col=0)
row = crispr.loc["ACH-000019"].sort_values()
print(row.head(15))
三段脚本的共同点是：先确定主键，再取数，最后才做统计。反过来做——先把整个矩阵读进内存再筛选——在两千行乘两万列的规模上会让一台普通工作站的内存吃紧。
5.4 版本固定与可复现
可复现的第一条纪律是把版本号写死。把发布号、下载日期、文件校验值三样写进实验记录，比在方法段落里写一句「数据来自 DepMap」有用得多。
#-- 记录版本与校验值，随分析结果一起归档
mkdir -p ccle_26Q3 && cd ccle_26Q3
md5sum Model.csv CRISPRGeneEffect.csv > checksums.txt
date -u +"%Y-%m-%dT%H:%M:%SZ" > downloaded_at.txt
第二条纪律是不要跨版本拼接。表达矩阵用 26Q1、基因效应用 26Q3，看似只差半年，实际上基因列表、模型集合与流程都可能变过，交集会悄悄缩水。第三条纪律是把模型清单单独存一份，任何结论都能回溯到「用了哪几百个系」。
5.5 其他入口
cBioPortal 上有 CCLE 的可视化入口，适合快速看某个基因在各系的突变与表达，但它的标识体系与 DepMap 不完全一致，导出后要重新对齐。CLiFF 是官方推荐的分组比较工具，用来问「A 组细胞系与 B 组在某个特征上是否有差异」，比自己在矩阵上写脚本快。Data Explorer 适合探索，不适合作为生产管线的一环。
5.6 四类常见的取数错误
取数环节的错误大多不出在代码，而出在对结构的误解。下面四类最常出现，且每一类都会在后期造成返工。
| 错误做法 | 后果 | 正确做法 |
|---|---|---|
| 用细胞系名当主键跨文件匹配 | 改名、错标、同名不同系都会造成静默错配 | 一律用 ACH- 标识，名称只用于人工核对 |
| 认为各层覆盖同一批模型，直接按行号对齐 | 第 i 行在不同文件里不是同一株细胞系 | 显式取索引交集，再做位置重排 |
| 用门户交互页面批量导出 | 导出有上限，且字段被裁剪 | 交互页面只用于探索，批量走文件下载 |
| 不记录下载日期与版本号 | 半年后无法复现，也无法解释数值差异 | 版本、日期、校验值三者一并归档 |
第一类错误的隐蔽性最强。按名称匹配在某些版本里能跑通，跑通之后结果看起来也正常，直到某一天发现两个不同来源的系共用一个名字，或者某一株改过名，整条流水线才暴露出错位。标识体系存在的意义就在这里：它把「这株细胞是谁」与「这株细胞叫什么」分开。
第二类错误往往在建模阶段才显现。用行号对齐两组矩阵，得到的是一张形状正确、内容错位的表，任何统计检验都不会报错，但结论全错。规避的办法很朴素：每次对齐后打印一次交集大小与前后三行标识，肉眼确认一遍。
第三类与第四类属于流程纪律。交互工具的设计目标是探索，导出能力自然受限；文件下载的设计目标是完整，代价是体积。把两者混用，要么拿不到全量，要么拿到一堆口径不一的小表。至于版本记录，它不产生任何分析价值，却是唯一能在半年后救回一次返工的动作。
§6 与库内相邻词条的关系
6.1 关系图谱
CCLE 在库内的位置，可以按「底座、平台、面板」三层理解。CCLE 与 DepMap 是底座，提供分子特征与依赖；GDSC 与 PRISM 是两种不同口径的药敏平台；NCI-60 与 CTRP 是更早或平行的筛选面板；TCGA 与 CPTAC 是把同一套组学思路搬到患者身上的队列。
| 库内相关词条 | 与本词条的关系 | 一句话区隔 |
|---|---|---|
| GDSC | 同为细胞系药敏资源，模型大量重叠 | GDSC 以药敏为主、组学为辅；CCLE 以组学为主、药敏为延伸 |
| PRISM | 现属 DepMap 的药理分支 | PRISM 是池化条码平台，CCLE 是它的组学底座 |
| NCI-60 | 前身式的经典面板 | NCI-60 六十系、终点为 GI50 一类；CCLE 逾千系、终点为 AUC 一类 |
| CTRP v2 | 平行的药敏资源 | CTRP 以化合物覆盖见长，CCLE 以分子层数见长 |
| TCGA | 同一套组学思路的患者队列版本 | TCGA 有随访与分期，CCLE 只有细胞系注释 |
| CPTAC | 蛋白层的患者队列版本 | CPTAC 做患者肿瘤蛋白组，CCLE 做细胞系蛋白组 |
| LINCS L1000 | 扰动转录组资源 | LINCS 记录化合物扰动的表达变化，CCLE 记录基线表达 |
一句话概括这层关系：CCLE 提供「基线」，LINCS 提供「扰动后的变化」，GDSC 与 PRISM 提供「扰动后的存活」，TCGA 提供「患者身上的结局」。四者串起来才构成一条从机制到临床的链。
6.2 检索路径
| 你的问题 | 该去哪个词条或入口 | 理由 |
|---|---|---|
| 某个细胞系的表达谱 | 本词条 | 表达层是它的核心产物 |
| 某个化合物的细胞系药敏 | PRISM 或 GDSC 词条 | 药敏由这两个平台提供，口径不同 |
| 某个基因敲掉后哪些系会死 | 本词条（DepMap 基因效应） | 依赖数据在 DepMap 里 |
| 某个癌种的患者生存 | TCGA 词条 | 细胞系无随访 |
| 某个肿瘤的蛋白组 | CPTAC 词条 | 患者来源的蛋白组在那边 |
| 化合物扰动后的转录响应 | LINCS 词条 | 记录的是扰动，不是基线 |
6.3 与三个近邻的逐项区隔
| 对比项 | CCLE / DepMap | GDSC | PRISM | NCI-60 |
|---|---|---|---|---|
| 一句话定位 | 细胞系分子底座 | 药敏预测基准 | 高通量药敏平台 | 经典药筛面板 |
| 模型数 | 逾两千 | 约一千 | 数百 | 六十 |
| 组学层 | 十层以上 | 四层左右 | 依附 DepMap | 三层 |
| 药敏终点 | AUC 与 IC50 | IC50 与 AUC | AUC 与 log fold change | GI50、TGI、LC50 |
| 化合物数 | 二十四药起步，现由 PRISM 扩至数千 | 数百 | 数千 | 十万量级筛选、数万公开 |
| 读数方式 | 板式与池化并存 | 荧光与发光 | 条码池化 | 蛋白染色与发光 |
| 最强用途 | 泛癌种关联 | 药敏基准与交叉验证 | 化合物重定位 | 历史对照 |
需要强调一点：PRISM 与 CCLE 不是竞争关系。PRISM 的药敏矩阵要靠 CCLE 的组学矩阵解释，两者在 DepMap 门户里共用同一套模型标识，这正是这套资源比单点数据库好用的地方。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
评估 CCLE 时最容易犯的错，是拿评估临床队列的尺子来量它：问它样本量够不够代表人群、随访是否完整、终点是否硬。这些维度上它必然低分，因为它压根不是为回答临床问题设计的。
正确的框架是三层：作为细胞系目录，它的身份可靠性如何；作为分子底座，它的层数与覆盖是否够用；作为公共资源，它的许可与可及性是否友好。三层各有各的扣分项，混在一起评就会得出「又大又不可靠」这种没有信息量的结论。
7.1 五维评分
| 维度 | 分数 | 依据 |
|---|---|---|
| 模型规模 | 5 / 5 | 逾两千个模型，覆盖泛癌种，规模在公共细胞系资源里居首 |
| 组学层数 | 5 / 5 | 十层以上，从突变到代谢到蛋白均有覆盖 |
| 层间一致性 | 4 / 5 | 主键统一，但各层覆盖的模型集合不同，交集需自算 |
| 可追溯性 | 4 / 5 | 有版本号、发布说明与流程文档，但无逐样本实验记录 |
| 复用自由度 | 2 / 5 | 条款限制商业使用与商业性 AI 训练，再分发须附全文 |
五项里最低的是复用自由度，这一项的分数低不是数据质量问题，而是授权问题。很多团队在建模做到一半才发现条款约束，返工成本很高，所以这一项应当放在选型的第一步看，而不是最后一步。
7.2 DAIMS 视角下的四条线
| DAIMS 线 | 表现 |
|---|---|
| 数据获取与处理 | 流程有公开文档与季度发布说明，关键修订会在论坛公示；无逐样本日志 |
| 数据建模 | 以模型标识为主键的星型结构，注释表居中，各层矩阵环绕，模型极简且稳定 |
| 数据溯源 | 版本号 + 文件名 + 发布日期，粒度到发布而非到样本 |
| 数据使用与治理 | 有明确的使用条款与再分发要求，商业使用需另行授权 |
四条线里最稳的是建模，最弱的是逐样本溯源。简单模型的代价是无法表达「一个模型有多条培养条件记录」这类关系，好处是任何工具都能读，这也是它能活这么久的原因之一。
7.3 已知的、可枚举的偏差
第一，身份偏差。细胞系错标与交叉污染是整个领域的系统性问题，官方在回顾第一阶段时明确记录过发现错标系与成纤维样系，但没有给出确切数目。做关键结论前应自行核对。
第二，培养适应偏差。细胞系在塑料板上传代数十次，能活下来的克隆被强烈选择过。官方在展望下一代模型时也承认，二维培养会丢失一部分体内特征，这正是后来引入三维类器官模型的动因。
第三，覆盖偏差。层与层之间的模型集合差别很大，蛋白层只有三百七十五系，结构变异只有三百二十九系。想同时用表达与蛋白做联合建模，可用模型会骤减。
第四，平台偏差。第一阶段用阵列、第二阶段用测序，同一层的两代数据分布不同。跨阶段合并必须做批次校正，而官方并不提供校正后的合并矩阵。
第五，版本偏差。基因效应分数每次重跑都会变，Chronos 的修订会同时影响所有基因。拿两年前的结果与今年的结果比较，差异里混着流程改进。
7.4 外部验证矩阵
| 验证角度 | 外部证据 | 结论 |
|---|---|---|
| 药敏的可重复性 | 2013 年有研究指出两套药敏数据相关性偏低，2015 年《Nature》的联合再分析给出更一致的结论 | 平台差异真实存在，但可通过对齐浓度窗口缓解 |
| 依赖筛选的稳健性 | Broad 与 Sanger 两套 CRISPR 体系并行发布，结论大体重合 | 体系差异存在，方向一致 |
| 组学与患者肿瘤的可比性 | Celligner 一类工具被用于把细胞系与肿瘤投影到同一空间 | 部分癌种吻合好，部分差得远 |
| 蛋白与 RNA 的一致性 | 质谱蛋白组论文报告蛋白与 RNA 的相关在部分通路里明显偏离 | 蛋白层提供的是增量信息，不是冗余 |
| 长期可用性 | 2008 年至今持续发布，2026 年仍在按季更新 | 停更风险低，但条款可能调整 |
7.5 它为何能持续
一个公共资源能活十八年，通常不是因为它做得最全，而是因为它嵌进了别人的工作流。CCLE 的生存逻辑有三条。
第一，它是很多论文的基线。药敏预测、依赖发现、生物标志物挖掘，几乎都要在这套数据上跑一遍再比。基线一旦形成，替换成本就极高。
第二，它有两家机构的长期供给。产业方提供化合物与筛选能力，学术方提供测序与分析，联盟制又把它从单一机构项目变成多方共担。这种结构比一次性基金资助稳。
第三，它的交付形态足够简单。按层切分的 CSV，任何语言都能读，不需要专用客户端，也没有复杂的权限体系。简单到无趣，恰恰是它能被反复使用的原因。
§8 生态位与历史
8.1 时间线
| 时间 | 事件 |
|---|---|
| 2005 年 | Sellers 实验室用高密度 SNP 阵列刻画 NCI-60，发现黑色素瘤的 MITF 扩增 |
| 2006 年 | 三方拟定对约一千个细胞系做大规模表征的计划 |
| 2008 年 1 月 | 第一阶段正式启动 |
| 2012 年 3 月 | 首篇论文发表于《Nature》，报告九百四十七系与二十四药 |
| 2013 年 11 月 | 全局染色质图谱论文，报告儿童急性淋巴细胞白血病中的 NSD2 突变 |
| 2015 年 12 月 | 与 GDSC 的药敏一致性联合分析发表于《Nature》 |
| 2017 年 | 依赖图谱的方法学论文发表，确立基因效应分数的分析框架 |
| 2019 年 5 月 | 第二阶段三篇论文同期发表，规模推到一千零七十二系 |
| 2020 年 1 月 | 三百七十五系的质谱蛋白组论文发表于《Cell》 |
| 2020 年 | PRISM 药敏平台论文发表，把化合物覆盖推到数千 |
| 2026 年 8 月 | 三维类器官与球状体模型纳入，约一百五十个新模型 |
| 2026 年第三季度 | 26Q3 发布，门户同步更新 |
从这条线能读出两次转向。第一次是从阵列转向测序，发生在第二阶段，解决了「测得准」的问题；第二次是从核酸转向蛋白与功能，发生在第三阶段与承接期，解决了「测什么才有用」的问题。两次转向都不是推倒重来，而是在同一套模型标识上迭加新层。
8.2 与患者队列的分工
CCLE 与 TCGA 常被拿来对比，其实两者是上下游。TCGA 回答「患者肿瘤里有什么」，CCLE 回答「把这些改变放进一个可控系统里会发生什么」。前者的优势是真实、有结局，劣势是无法做扰动实验；后者正好相反。
这条分工也解释了两者的数据形态差异：TCGA 的每一行是一个患者，带生存期与治疗记录；CCLE 的每一行是一个细胞系，带培养条件与筛选结果。把两者硬拼在一起做联合建模，必须通过 Celligner 一类工具做空间对齐，而不能直接按行拼接。
8.3 AI 时代的再定位
这套数据在机器学习圈子里的地位，近年经历了明显变化。早期它主要被当作药敏预测的基准集：输入分子特征，输出 IC50 或 AUC，比的是回归精度。现在更多被当作预训练语料与评测集：用表达谱做自监督预训练，用基因效应做下游任务，用 PRISM 做零样本药物响应测试。
这个转向带来两个新问题。其一是泄漏。同一株细胞系的不同层数据高度相关，如果按行随机划分训练集与测试集，模型会记住细胞系而不是学到规律，指标虚高。正确做法是按细胞系或按谱系做分组划分。其二是条款。用这套数据训练商业模型需要授权，这一点在做产品规划时必须前置确认，而不是等到融资尽调才发现。
8.4 三维模型与下一步
2026 年新增的三维模型是一个信号。官方在发布说明里写明，这一批约一百五十个类器官与球状体模型覆盖十种癌种，与传统二维细胞系在基因依赖上有明显差异，一些在二维里看不到的依赖在三维里显现出来。
这意味着 CCLE 的「细胞系」概念正在扩张。未来的版本里，「模型」可能同时包含二维细胞系、三维类器官、球状体，甚至患者来源的异种移植。使用者需要开始关注注释表里的模型类型字段，而不能默认每一行都是一株贴壁培养的细胞系。
§9 使用指引
9.1 三种角色的路径
算法研究者的路径最短：下载注释表与表达、突变、拷贝数、基因效应四个矩阵，按模型标识取交集，按细胞系或谱系做分组划分，然后直接开始训练。要点是把版本号写死，把划分方式写进方法段落。
肿瘤生物学家的路径是反的：先有一个具体的生物学问题，比如某个突变是否造成选择性依赖；再在注释表里圈定相关谱系；再在基因效应矩阵里排序；最后回到表达与突变层解释。这条路径不需要下载全量矩阵，按需取行即可。
数据工程师的路径最重：要把这套数据接进现有数据湖。要点有三：一是把主键统一到模型标识，二是把版本号与发布日期做成表的元数据，三是把条款约束写进数据使用登记，避免下游误用。
9.2 一条最短的可用流程
从零到一份可建模的小表，路径如下。前两步在命令行完成，后两步在 Python 里完成。
#-- 第一步：建工作目录，固定版本
mkdir -p ccle_26Q3 && cd ccle_26Q3
#-- 第二步：把当次发布的说明与日期一并存下
date -u +"%Y-%m-%d" > release_date.txt
#-- 第三步：只保留四个层都有的模型，避免后续反复对齐
import glob
import pandas as pd
def load(pattern):
return pd.read_csv(glob.glob(pattern)[0], index_col=0, low_memory=False)
expr = load("OmicsExpression*.csv")
crispr = load("CRISPRGeneEffect.csv")
common = expr.index.intersection(crispr.index)
print("四层共有的模型数：", len(common))
#-- 第四步：按谱系圈定乳腺癌，做一次组内比较
model = pd.read_csv("Model.csv", low_memory=False)
breast = set(model.loc[model["OncotreeLineage"] == "Breast", "ModelID"])
keep = [m for m in common if m in breast]
print("其中乳腺癌模型：", len(keep))
这段流程里有三个判断值得说明。用交集而不是并集，是为了让后续每一步都有值可用；按谱系筛选而不是按疾病名，是因为谱系字段在版本间更稳定；把模型清单单独打印出来，是为了在写论文时能一键生成附录。
9.3 引用方式
引用要写到三层，缺一层都会让复现打折扣。
第一层是论文。组学部分引 2012 年的首篇与 2019 年的第二次发布，蛋白部分引 2020 年的质谱论文，依赖与药敏部分引对应的平台论文。只引首篇而用着最新的基因效应矩阵，是常见错误。
第二层是发布版本。写明发布号（如 26Q3）、下载日期与所用文件清单。DepMap 门户在引用说明页给出了推荐的措辞，应当照抄而不是自拟。
第三层是模型清单。把分析用到的全部模型标识列进补充材料，让审稿人能核对你的交集是怎么来的。这一层最容易被省略，也最影响可复现性。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 本页 AI 参与程度 | 由 AI 助手依据官方页面与论文摘要起草，人工核对数字与表述 |
| 数字来源层级 | 见附录 B，官方页面为一级，论文摘要为二级 |
| 未核实项 | 当前版本各层的模型覆盖数、细胞系错标的确切数目、注释表字段的完整列表 |
| 版本信息 | 以 2026 年 10 月读取的官方页面与 26Q3 发布说明为准 |
| 已知不一致 | 官方回顾页对问题细胞系的数量以占位符代替，未给出具体数字 |
| 适用边界 | 本文描述的是资源本身的结构与边界，不含对具体研究结论的评价 |
| 更新机制 | 资源按季度发布，本文不承诺随版本同步刷新 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 「CCLE 还在自己发布数据」 | 独立发布已停在第二阶段，最新处理版指向 DepMap 门户 | 官方数据集页首行写明最新数据在 DepMap |
| 「CCLE 有一千零七十二个细胞系」 | 那是一九年的数字，当前门户称逾两千个模型 | 官方方法与门户首页的模型数表述 |
| 「细胞系能代表患者肿瘤」 | 细胞系是体外模型，缺微环境与随访 | 官方在引入三维模型时对二维局限的说明 |
| 「数据可以随便商用」 | 条款把商业用途与商业性 AI 训练排除在默认授权外 | 门户使用条款正文 |
| 「有原始 FASTQ 可以重跑」 | 仅甲基化的 RRBS 提供原始读段 | 数据集页各层的文件说明 |
| 「各层覆盖的是同一批细胞系」 | 表达一千零一十九系，结构变异三百二十九系，蛋白三百七十五系 | 数据集页各层的线数标注 |
| 「细胞系身份都有 STR 级核验」 | 官方记录过错标系与成纤维样系，且未给数目 | 第一阶段回顾段落 |
| 「用最新版一定比旧版好」 | 复现旧论文必须用旧版，新版基因效应分数已变 | 发布说明中的流程修订记录 |
| 「药敏数据只有 CCLE 一家」 | GDSC 与 PRISM 是两套独立口径，结论需交叉验证 | 2015 年两库一致性联合分析 |
| 「DepMap 与 CCLE 是两个数据集」 | DepMap 是门户与联盟，CCLE 是它的组学底座 | 官方方法页对两者关系的表述 |
FAQ
Q1：CCLE 现在到底有多少个细胞系？
三个数字分属三个口径：二〇一二年论文报告九百四十七系，二〇一九年报告一千零七十二系，当前 DepMap 门户称逾两千个模型。此外还有按层计的覆盖数，比如表达层一千零一十九系、蛋白层三百七十五系。引用时必须说明是哪一种。
Q2：它和 DepMap 是什么关系？
CCLE 是 DepMap 的前身与组学底座。DepMap 官方写明，它建立在 CCLE 之上，后者表征了一千个细胞系模型；如今模型数已逾两千。CCLE 提供分子表征，DepMap 在其上叠加基因依赖与药敏。
Q3：原始测序数据能拿到吗？
基本不能。公开下载以处理后矩阵为主，仅甲基化的 RRBS 提供原始读段。需要 FASTQ 做新分析，得走受控访问渠道或联系数据方。
Q4：为什么同一株细胞系在不同版本里数值不同？
因为流程在改。基因效应分数每次重跑都会因 Chronos 的修订而变化，表达矩阵也会因注释版本更新而变。跨版本比较前应先确认流程是否变动。
Q5：做药敏预测该用 CCLE 还是 GDSC？
两者都用会更稳。CCLE 现在的药敏主力是 PRISM，GDSC 是另一套独立口径，两库模型大量重叠但浓度窗口与读出方式不同。用一套训练、另一套外部验证，是比较常见的做法。
Q6：细胞系身份问题有多严重？
官方明确记录过第一阶段发现错标系与成纤维样系，但没有给出确切数目。这类问题在整个细胞系领域普遍存在，不能视为个别事故。关键结论前应自行核对目标系。
Q7：能否用它做临床预后模型？
不能直接做。它没有随访、分期、疗效这些字段，全部数据停留在细胞系层面。要做预后必须转向患者队列。
Q8：商业上能不能用？
内部研究可以用，做成对外产品需要另行取得许可。条款明确把商业用途与商业性 AI 训练排除在默认授权之外，再分发还要求原样附上条款全文。
Q9：为什么有的层只有几百个系？
因为实验成本不同。全基因组测序、质谱蛋白组、结构变异检测的单位成本远高于表达谱，覆盖自然少。做多组学联合分析时，交集往往是几百系而不是两千系。
Q10：三维模型算不算 CCLE？
算在 DepMap 的模型集合里，但与传统二维细胞系是两类模型。二〇二六年新增了约一百五十个类器官与球状体模型，注释表里的模型类型字段可以区分。
术语表
| 术语 | 含义 |
|---|---|
| 细胞系 | 从肿瘤组织分离、可在体外无限传代的细胞群体 |
| 模型标识 | ACH- 开头的稳定主键，跨文件对齐用 |
| 谱系 | 肿瘤起源的细胞谱系分类，比疾病名更稳定 |
| 体细胞突变 | 肿瘤细胞后天获得、非遗传自生殖系的变异 |
| 拷贝数变异 | 基因组片段的扩增或缺失 |
| 结构变异 | 大片段的易位、倒位、缺失等重排 |
| 基因融合 | 两个基因断点相连形成新的转录本 |
| RRBS | 简化代表性亚硫酸氢盐测序，富集 CpG 密集区测甲基化 |
| 反相蛋白阵列 | 用抗体在固相载体上定量多种蛋白丰度 |
| 串联质谱标签 | 一种可多重定量的蛋白组学标记方法 |
| 基因效应分数 | CRISPR 敲除后细胞增殖相对变化的无量纲度量 |
| 依赖 | 某基因被敲除后细胞显著死亡的现象 |
| 共依赖 | 两个基因同时被敲除才致死的关系 |
| PRISM | 用分子条码把多个细胞系混孔测活的药敏平台 |
| AUC | 剂量反应曲线下面积，越小表示越敏感 |
| IC50 | 抑制一半增殖所需浓度 |
| Chronos | 用于估计 CRISPR 基因效应的计算模型 |
| DEMETER2 | 用于估计 RNAi 敲低效应的计算模型 |
| Celligner | 把细胞系与肿瘤表达谱投影到同一空间的工具 |
| 批次效应 | 由技术因素造成的样本间系统差异 |
| 类器官 | 由干细胞或肿瘤细胞自组织形成的三维培养物 |
| 球状体 | 细胞聚集成球的三维培养形式 |
| DAIMS | 数据档案与信息管理系统的评估框架 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 第一阶段细胞系数 | 九百四十七 | 论文摘要 | 二级 |
| 第一阶段药敏 | 二十四药、四百七十九系 | 论文摘要 | 二级 |
| 第二阶段细胞系数 | 一千零七十二 | 论文摘要 | 二级 |
| 表达层覆盖 | 一千零一十九系 | 官方数据集页 | 一级 |
| 结构变异覆盖 | 三百二十九系 | 官方数据集页 | 一级 |
| 蛋白层覆盖 | 三百七十五系 | 论文摘要与官方页 | 一级 |
| 代谢物数量 | 二百二十五种 | 官方回顾页 | 一级 |
| 增强子区数量 | 五百五十七个 | 官方数据集页 | 一级 |
| 当前模型数 | 逾两千 | 官方方法页 | 一级 |
| 当前发布 | 26Q3 | 门户首页 | 一级 |
| 发布节奏 | 每年第一与第三季度 | 官方论坛答疑 | 一级 |
| 三维新模型 | 约一百五十个 | 发布说明 | 一级 |
| 错标细胞系数 | 官方以占位符代替 | 第一阶段回顾页 | 三级 |
附录 B：数字的来源分层
一级：官方页面。 包括 CCLE 官方站的项目回顾段与数据集页、DepMap 门户首页与发布说明、门户使用条款、官方论坛的答疑帖。本文的层覆盖数、模型数、发布号与条款表述均取自这一层。
二级：论文摘要。 包括二〇一二年与二〇一九年两篇《Nature》的摘要、二〇二〇年《Cell》蛋白组论文的摘要。这些数字反映的是发表时的状态，用于说明历史规模与方法取舍。
三级：未核实。 官方回顾页对问题细胞系的数量以占位符代替，本文如实记录这一状态而不代为填补；注释表的完整字段列表与各层在最新版本中的确切模型数，未逐一在官方页面确认。
附录 C：完整参考文献
- Barretina J, Caponigro G, Stransky N, 等. The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity. Nature, 2012, 483(7391): 603–607. DOI: 10.1038/nature11003.
- Ghandi M, Huang FW, Jané-Valbuena J, 等. Next-generation characterization of the Cancer Cell Line Encyclopedia. Nature, 2019, 569(7757): 503–508. DOI: 10.1038/s41586-019-1186-3.
- Nusinow DP, Szpyt J, Ghandi M, 等. Quantitative Proteomics of the Cancer Cell Line Encyclopedia. Cell, 2020, 180(2): 387–402. DOI: 10.1016/j.cell.2019.12.023.
- 两套细胞系药敏数据的药理学一致性联合分析. Nature, 2015, 528(7580): 84–87. DOI: 10.1038/nature15736.
- CCLE 官方站，项目回顾与数据集页，https://sites.broadinstitute.org/ccle/ ，2026 年 10 月访问。
- DepMap 门户首页、方法与使用条款，https://depmap.org/portal/ ，2026 年 10 月访问。
- DepMap 社区论坛，26Q3 发布说明与发布节奏答疑，https://forum.depmap.org/ ，2026 年 10 月访问。
附录 D：取数代码
#-- 完整流程：定位、取交集、按谱系圈定、导出小表
import glob
import pandas as pd
def load(pattern, index_col=0):
path = glob.glob(pattern)[0]
return pd.read_csv(path, index_col=index_col, low_memory=False)
model = pd.read_csv("Model.csv", low_memory=False)
expr = load("OmicsExpression*.csv")
crispr = load("CRISPRGeneEffect.csv")
common = expr.index.intersection(crispr.index)
name_col = [c for c in model.columns if "CellLineName" in c][0]
breast = set(model.loc[model["OncotreeLineage"] == "Breast", "ModelID"])
keep = [m for m in common if m in breast]
sub_expr = expr.loc[keep]
sub_crispr = crispr.loc[keep]
#-- 导出时把模型清单一起存下，便于写附录
pd.DataFrame({"ModelID": keep}).to_csv("models_used.csv", index=False)
sub_expr.to_csv("expr_breast.csv")
sub_crispr.to_csv("crispr_breast.csv")
print(sub_expr.shape, sub_crispr.shape)
附录 E：如果只记五件事
第一，CCLE 是一千余个癌细胞系的分子底座，2012 年首发九百四十七系，2019 年扩到一千零七十二系，当前由 DepMap 承接，模型逾两千。
第二，它的产物是按层切分的矩阵：表达、突变、拷贝数、结构变异、融合、甲基化、组蛋白修饰、蛋白、代谢、miRNA，再叠加 CRISPR 与药敏两类功能读数。
第三，各层覆盖的模型集合不一样，蛋白层只有三百七十五系，做联合分析第一件事是取交集。
第四，它不提供原始测序文件，也不含患者随访，身份核验有已知缺口。
第五，使用条款限制商业用途与商业性 AI 训练，内部研究与学术共享不受影响，做产品要先谈许可。
编辑说明
本篇的核验时间为 2026 年 10 月 29 日。核验方式为直接读取 CCLE 官方站的项目回顾段与数据集页、DepMap 门户首页与使用条款、26Q3 发布说明，并对照三篇核心论文的摘要。所有层覆盖数、模型数、发布号与条款表述以官方页面为一级依据；论文数字用于说明历史规模与方法取舍，不用于描述当前状态。
未覆盖的内容包括：官方回顾页对问题细胞系数量的占位符未被填补、注释表完整字段列表未逐一核对、各层在最新版本中的确切模型数未从文件里实数。发布节奏在历史上经过多次调整，本文只记录当前状态与官方给出的理由。
本页描述的只是资源本身的结构、规模与边界，不涉及对任何具体研究结论的评价，也不构成许可方面的法律意见。商业使用前应自行阅读门户条款全文或咨询授权方。
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：
- cancer-models — 共享标签：基因组学与多组学 / 药物发现与化学 / 肿瘤学
- cellminer-cdb — 共享标签：基因组学与多组学 / 药物发现与化学 / 肿瘤学
- depmap-ccle — 共享标签：基因组学与多组学 / 药物发现与化学 / 肿瘤学
- prism — 共享标签：药物发现与化学 / 肿瘤学
- target — 共享标签：基因组学与多组学 / 肿瘤学
- nci-almanac — 共享标签：药物发现与化学 / 肿瘤学
- aacr-genie — 共享标签：基因组学与多组学 / 肿瘤学
- intact — 共享标签：基因组学与多组学 / 药物发现与化学
- msigdb — 共享标签：基因组学与多组学 / 药物发现与化学
- lipid-maps — 共享标签：基因组学与多组学 / 药物发现与化学
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。
