信息速览
CellMinerCDB 是 CellMiner Cross-Database 的缩写，由美国国家癌症研究所发展治疗学分部与 Dana-Farber 癌症研究所的计算生物学团队共同维护。它本身不产生新的测量，而是把 NCI-60、CCLE、GDSC、CTRP 等十余个来源的细胞系分子与药敏数据，统一到基因符号与化合物编号之下，让同一个界面里能直接问「这株细胞在甲库与乙库里的表达量差多少」。
与单一数据集不同，它的核心难题不是测得多不多，而是同名不同物：同一株细胞系在不同库里叫法不一，同一个化合物在 NCI-60 用 NSC 号、在别处用商品名或内部编号，组织来源的标注也各写各的。它的手艺全在把这些名字对齐，并且在对齐之后不抹平差异——同一个测量值在两个库里不一致时，它并列展示，而不是取平均。
因此它更像一层检索与分析外壳，而不是又一个数据仓库。数据仍归各源所有，许可也随源而定；平台提供的是标识映射、跨库散点、模式比对与多变量回归。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | CellMiner Cross-Database（CellMinerCDB） |
| 前身 | CellMiner（2009 年上线，仅 NCI-60） |
| 维护方 | NCI 发展治疗学分部 + Dana-Farber 计算生物学与生物统计学系 |
| 实现 | R 语言 + Shiny，单页应用 |
| 当前版本 | 2.2（页头标注 2025 年 7 月，发布说明写 2025 年 4 月） |
| 数据源 | NCI-60、NCI-60 HTS384、CCLE、GDSC、CTRP、PRISM、NCI-DTP 小细胞肺癌、NCI-ALMANAC、Project Achilles、MD Anderson 细胞系计划、NCATS |
| 下拉选项 | 十四个（含 GDSC1/GDSC2 与 NCATS 的 IC50/AUC 两个读数分列） |
| 数据类型 | 十九种缩写，从药物活性到表面受体蛋白 |
| 细胞系标识 | 细胞系名 + OncoTree 四级组织分类 |
| 基因标识 | 基因符号（gene name） |
| 药物标识 | NSC 编号或药物名，联合用药写作 NSC1_NSC2 |
| 跨源合计规模 | 约一千四百系（2018 年论文口径） |
| 交付形态 | 按选定横纵轴导出制表符文件，非全库矩阵 |
| 冲突处理 | 并列展示，不合并、不取均值 |
| 明确不含 | 原始测序读段、新测量、跨库共识值、训练好的跨库模型 |
§1 它要解决的具体麻烦
1.1 单库门户解决不了的那一步
到二〇一〇年代中期，肿瘤细胞系的公共数据已经不算稀缺。NCI-60 有六十个系和数万个化合物，GDSC 与 CCLE 各有上千个系，CTRP 补上了化合物侧的广度。问题不在有没有数据，而在这些数据分属四套门户、四套命名、四套处理流程。
一个具体的情形是这样的：研究者想验证某个基因的表达能否预测某药敏感性。他在 GDSC 里看到一条相关，想换 CCLE 复核。这一步在纸面上只是「换个库再跑一次」，实际要做的却包括：把 GDSC 的细胞系名逐个映射到 CCLE 的写法，把两边的药物按成分而不是商品名对齐，确认两边的表达量是不是同一种归一化，最后还要决定两边组织标签不一致时按哪一套分组。任何一步做错，复核结果都会失真，而且失真的方式往往很安静——相关系数照样算得出来，只是算错了对象。
官方在论文里把这件事讲得很直白：各源门户只服务自己的数据，不提供跨库分析；而造成困难的原因，正是实体命名与数据处理的差异。CellMinerCDB 瞄准的就是这一步，它不新增数据，只把「换库复核」这条路上的手工活接过来。
1.2 三条常见的错误期待
| 常见期待 | 实际情况 |
|---|---|
| 以为它是一个新的整合数据集，有一套重新计算的数值 | 它不重算任何测量。看到的值就是各源发布的值，平台只负责把它们放到同一行上 |
| 以为它会替使用者裁定冲突 | 它并列展示两个来源的值，把判断权交回使用者。相关高低由数据决定，平台不表态 |
| 以为下载一次就能拿到全部 | 导出以当次选定的横纵轴为界，得到的是子集。全库需要多次导出后自行归并 |
这三条期待背后是同一个误解：把「整合」理解成「合并成一份」。CellMinerCDB 的整合发生在标识层，不发生在数值层。理解这一点，后面所有的规格与限制都顺了。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 同一株细胞系在两个库的表达量对照 | 同一张散点图上两个来源的点，附 Pearson 相关与 p 值 | 够，且这是它最直接的用途 |
| 某个基因在多个库里的分子特征 | 表达、拷贝数、突变概率、甲基化按来源分列 | 够，但覆盖随来源而变 |
| 某个化合物在多个库的活性谱 | 按 NSC 或药名跨源对齐后的活性值 | 部分够，跨源共测的化合物数量有限 |
| 按组织分层看相关性 | OncoTree 四级分类下的分组相关与样本数 | 够，注意分层后每格样本很少 |
| 用一批基因预测药敏 | 线性回归与套索，带交叉验证 | 够做基线，不够做发表级模型 |
| 直接拿一份全库训练矩阵 | 无。只能按轴导出子集再拼 | 不够，需要自己写归并脚本 |
| 原始测序读段、比对文件 | 无 | 不够，回到各源或受控渠道 |
| 临床结局与疗效 | 无 | 不够，转向患者队列 |
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 |
|---|---|---|
| 论文要求做外部验证，手上模型只在一个库上训过 | 提供另一来源的同名细胞系与同名药物，可直接取交集 | 先确认两库共有的细胞系数，再定评估口径 |
| 两个库对同一标志物的结论相反，需要判断是不是数据问题 | 把两库数值画在同一张散点图上，看偏离点是普遍还是个案 | 按组织分层再看一次，排除谱系混杂 |
| 要为自己的细胞系找参照 | 用同一套组织分类定位相近的系 | 确认参照系与自建系的培养条件可比 |
| 要筛一批化合物在多个面板上的可重复性 | 按 NSC 对齐后比较活性相关 | 注意浓度窗口不同，相关低不等于数据错 |
| 要一篇综述级的资源盘点 | 数据源清单、类型缩写、标识规则都写在帮助页 | 引用时写清版本号与访问日期 |
| 要做临床预后模型 | 无随访字段 | 转向 TCGA 或 CPTAC |
1.5 一句话判断
如果要做的是「同一批细胞系、同一批化合物，在两个独立来源之间对不对得上」，这套平台是目前最省事的一层；如果要做的是「给我一份干净的全库矩阵」，它会把这件事留给你自己做。
1.6 不适合谁：四条边界
第一，不适合要原始数据的人。平台交付的是各源处理后的矩阵，且只交付被选中的两轴。想换比对器、想重做定量、想看覆盖度，必须回到各源，而 NCI-60 与 GDSC 的原始读段各有各的获取规则。
第二，不适合要一份可直接训练的大宽表的人。它的查询模型是「横轴一个特征、纵轴一个特征」，天然是两列。想拼出「一千系乘两万基因」的矩阵，得按数据类型逐次导出、按细胞系名归并，工作量不小，而且每次导出的细胞系集合可能不同。
第三，不适合要临床证据的人。全部数据停在体外细胞系层面，没有给药暴露、没有免疫微环境、没有随访。任何从这里的相关性直接推到疗效的说法，都缺一座桥。
第四，不适合要求细胞系身份绝对可靠的人。平台的对齐是名称层面的对齐，它把两个库里的「同一个名字」接起来，但不会重新做 STR 核验。若两个库对同一株系的身份判断本身有分歧，平台只会把这个分歧原样传递下来。
§2 数据构成与规格
2.1 十四个下拉选项，十个来源
页面的横纵轴选择框里列出的选项并非各自独立的数据库，而是十个来源加上若干分列。GDSC 的药敏按第一代与第二代拆成两个选项；NCATS 按 IC50 与 AUC 两种读数拆成两个；NCI-60 另有 HTS384 这一版 384 孔读数的选项。
| 选项 | 主办方 | 主要贡献 |
|---|---|---|
| NCI-60 | NCI 发展治疗学计划 | 分子层最厚，化合物最多，含重复实验 |
| NCI-60 HTS384 | NCI 发展治疗学计划 | 384 孔板与发光读数的新版药敏 |
| CCLE | Broad 研究所与诺华 | 上千系的组学底座 |
| GDSC | Sanger 研究所与麻省总医院 | 临床相关抗癌药的系统药敏，分两代 |
| CTRP | Broad 研究所 | 化合物侧广度，含机制注释 |
| PRISM | Broad 研究所 | 池化条码筛选，化合物数量大 |
| NCI-DTP 小细胞肺癌 | NCI 发展治疗学计划 | 单一癌种的深挖专集 |
| NCI-ALMANAC | NCI 发展治疗学计划 | 两两联合用药的活性数据 |
| Project Achilles | Broad 研究所 | CRISPR 基因依赖 |
| MD Anderson 细胞系计划 | MD Anderson 癌症中心 | 反相蛋白阵列的功能蛋白组 |
| NCATS | 美国转化科学促进中心 | 另一套药敏读数与终点 |
值得注意的是，这份清单里没有 Genentech 的 gCSI。有些综述会把 gCSI 与 CCLE、GDSC 并列讨论，久而久之被误记成这套平台的成员；官方数据源页面从未列过它。
2.2 十九种数据类型与两组标识
平台把数据类型压缩成三字母缩写，列名由「缩写 + 标识 + 来源后缀」拼成。这张表是理解全部查询的钥匙。
| 缩写 | 数据 | 标识 ID |
|---|---|---|
| act | 药物活性 | 药物 NSC 或药名 |
| cop | DNA 拷贝数 | 基因名 |
| mut | DNA 突变 | 基因名 |
| met | 450K 甲基化 | 基因名 |
| mth | 850K 甲基化 | 基因名 |
| bmt | 体细胞 850K 甲基化 | 基因名 |
| rrb | RRBS 甲基化 | 基因名 |
| exp | 微阵列表达（z 分数） | 基因名 |
| xai | 微阵列表达（平均 log2） | 基因名 |
| xsq | RNA-seq 表达（log2 FPKM+1） | 基因名 |
| pro | 反相蛋白阵列 | 蛋白或基因名 |
| swa | 质谱蛋白 | 蛋白或基因名 |
| sur | 表面受体蛋白 | 蛋白或基因名 |
| mir | microRNA | microRNA 编号 |
| cri | CRISPR | 基因名 |
| mtb | 代谢组 | 代谢物 |
| his | 组蛋白 H3K27ac | 基因名 |
| hs4 | 组蛋白 H3K4me3 | 基因名 |
| mda | 杂项表型 | 表型名 |
这些类型里，十七种以基因符号为键，一种以 microRNA 编号为键，一种以代谢物名为键，药物活性单独以 NSC 或药名为键。这就是所谓「两组标识」的实际含义：分子侧一套基因符号，药物侧一套 NSC，中间靠细胞系名连接。
2.3 一条记录长什么样
在结果表里，列名不是「SLFN11 表达」，而是 expSLFN11_nci60。前缀说明数据类型，中间是标识，后缀说明来源。这个命名法有三个好处：一眼能看出这列从哪来；同一标识在不同来源的列不会撞名；列名本身就可以直接做变量名。
以拓扑替康为例，它在 NCI-60 里有两个药物编号。平台默认选缺失值较少的那个，并在页面上注明选中的编号；使用者也可以手动指定。这个细节说明了一件事：平台对「同一药物多个编号」的处理是有默认规则的，而默认规则不等于唯一正确答案，做严格复现时应把编号写进方法。
细胞系侧的记录则带四层组织标注。以 MCF7 为例，它的组织值是 breast（一级）与 breast: breast carcinoma（二级）；BT-549 多一层，到 breast: breast carcinoma: Breast Invasive Ductal Carcinoma（三级）。这个层级来自纪念斯隆凯特琳的 OncoTree，等级一到四由粗到细。分层相关就是按这个层级切片的。
2.4 细胞系与药物的重叠矩阵
跨库分析能成立，全靠重叠。论文给出的重叠数字如下，它们决定了任何一次跨库查询的实际样本量。
| 重叠关系 | 数量 |
|---|---|
| NCI-60 系同时出现在 GDSC | 五十五 |
| NCI-60 系同时出现在 CCLE | 四十四 |
| CCLE 与 GDSC 共有系 | 六百七十一，约占 CCLE 的六成 |
| 小细胞肺癌专集系同时出现在 GDSC | 四十（该专集共六十七系） |
| 小细胞肺癌专集系同时出现在 CCLE | 三十六 |
| GDSC 与 CTRP 共测化合物 | 七十四 |
| NCI-60 与 CTRP 共测化合物 | 六十三 |
| 三个大库共测化合物 | 三十八 |
这张表解释了一个反直觉的现象：库里有一千多个系，做跨库比较时常常只剩几十个。三库都能找到的化合物不到四十个，所以「跨三个库验证同一药物」这件事，能做的药物本来就不多。
2.5 三种查询语义，别混着用
界面上横纵轴各选一个来源，看起来是同一个动作，实际对应三种不同的语义。分不清这三种，就会把不同性质的数字放在一起比较。
第一种是同库两特征。横纵轴都选 NCI-60，一个选表达、一个选药物活性，参与计算的细胞系就是 NCI-60 的全部可用系。这是传统意义上的一次相关分析，样本边界清楚。
第二种是跨库同名两特征。横轴选 NCI-60 的表达，纵轴选 GDSC 的表达，同一个基因。这时平台只在两库共有的细胞系上算，样本量从六十掉到五十五。若两库的定量口径不同，相关里就混进了平台差异。
第三种是跨库借层。某一层在甲库没有，平台用乙库的匹配系补上，但列名仍标乙库。这时横纵轴名义上都是甲库，其中一列的数据其实来自乙库。语义上它既不是第一种也不是第二种，而是第三种：来源与样本范围分离了。
三种语义的差别不在操作，而在「这条相关到底在检验什么」。第一种检验的是同一批测量内部的关系，第二种检验的是跨平台的一致性，第三种检验的是借用层能否替代缺失层。写方法时若只写「用平台做了相关分析」，这三种情况会被读成同一种。
2.6 与单一库的形态差异
拿 CCLE 作对照，差别在交付形态上。CCLE 给的是按层切好的矩阵文件，下载下来是一整块；CellMinerCDB 给的是一次查询的结果，下载下来是两列加一批注释。前者适合批量建模，后者适合逐个假设检验。
另一处差别在数据归属。CCLE 的数据由自己生产、自己发布、自己版本化；CellMinerCDB 的数据来自十个机构，它只做映射，不做版本化。这意味着同一个「CellMinerCDB 版本号」下，不同来源的数据可能分别停在不同日期。版本号管的是应用与映射表，不管源数据。
§3 它的身份：谁做的，对谁负责
3.1 从 CellMiner 到 CellMinerCDB
这条工具链有清晰的四代。二〇〇九年，CellMiner 作为 NCI-60 的关系型数据库上线，解决的是「六十个系的多层分子数据与药理数据怎么放在一起查」。二〇一二年与二〇一五年，同一团队把它扩成一套网页工具集，加入模式比对与批量查询。二〇一五年，rcellminer 这个 R 包让 NCI-60 的数据可以在本地用代码取用。
二〇一八年是分水岭。Rajapakse 等人在 iScience 上发表 CellMinerCDB，把 NCI-60、GDSC、CCLE、CTRP 与小细胞肺癌专集五个来源放进同一个界面，并第一次系统地论证了跨库数值的可重复性。二〇二一年，Luna 等人在《核酸研究》上发表 1.2 版，补入联合用药、蛋白组、甲基化与依赖数据，并加上跨源的模式比对、多变量分析与数据集下载功能。此后转入学半年一次的常规发布，版本号从 1.3 走到 2.2。
3.2 四层维护者
第一层是 NCI 发展治疗学分部的基因组学与生物信息学组，负责数据、注释与生物学解释，Reinhold、Varma、Sunshine、Elloumi 与 Pommier 是长期核心。第二层是 Dana-Farber 的计算生物学团队，Luna 与 Sander 负责应用架构与跨库方法。第三层是纪念斯隆凯特琳的计算生物学组，提供 OncoTree 组织分类这套外部标准。第四层是各数据源机构，它们生产数据并发布，平台只是取用。
这个结构决定了一件事：平台没有自己的实验台。它的产出质量上限，等于各源数据质量与映射表准确度的乘积，而不取决于它自己做了什么实验。
3.3 三条责任边界
第一，不保藏、不分发细胞系。要拿到某株系，得去 ATCC、DSMZ 或原实验室。平台里只有这株系的数值。
第二，不产生新测量。所有数值都能在某个源找到出处，平台的工作是搬运与对齐。这一点在引用时很重要：引平台论文不等于引数据来源，两者都要引。
第三，不改写源数据。发现某源有错，平台的处理通常是标注或在映射表里修正名称，而不是悄悄改数值。若某源撤回数据，平台会在发布说明里记一笔。
3.4 三个子门户
主站之外还有三个专用入口。小细胞肺癌版在小细胞肺癌专集上加了癌种特有的注释与筛选；NCATS 版把 NCATS 的药敏数据单独做成一套界面，当前为 1.2 版、2024 年 10 月发布；肉瘤版聚焦一百三十三条肉瘤细胞系，把各源的组学数据按肉瘤亚型重新组织。
另有一个容易混淆的相邻产品：TumorMinerCDB。它处理的是二百零四例小细胞肺癌肿瘤样本，不是细胞系，架构相似但对象不同，不能混用。
§4 它的手艺：冲突怎么处理
4.1 细胞系对齐：手工参照表加外部词典
官方的说法是，对每一个来源、每一株细胞系，人工维护一张参照表，用来把不同来源的细胞系对上。遇到歧义，查 Cellosaurus 这类细胞系词典。这句话看着平淡，实际是整套平台最耗人力的部分。
原因在于细胞系命名没有强制标准。同一株系可能有带组织前缀与不带前缀两种写法，有连字符与下划线两种写法，有别名与正式名两套；更麻烦的是不同库对「这株系是不是同一株」的判断可能不同。人工参照表的价值在于，它把这个判断固定下来并可被审阅，而不是每次查询时临时猜。
组织分类则统一交给 OncoTree。所有来源的系都映射到同一套四级树，这样「按组织分层」在不同库之间才有可比性。注意这是分类的可比，不是样本的可比：两库都标成乳腺，不代表它们收录的是同一批乳腺系。
4.2 药物对齐：NSC 起步，PubChem 兜底
药物侧的对齐规则更具体。对 NCI-60，注释从 NCI 发展治疗学计划的记录出发，以 NSC 编号为主键，补上首选名、别名、作用机制与 FDA 状态。命名遇到问题时有一条明确的替换规则：如果 NCI 给的名字化学名评分偏高（大于三）或长度过长（超过二十字符），就改用 PubChem 的首选名，前提是后者评分不高于三且长度不超过二十。
对其他来源，注释来自数据提供方与 PubChem 等外部资源，拿到编号、名称、同义词与作用机制后，再用编号把跨源的同一个药接起来。平台另外提供一张跨全部细胞系集的药物同义词对照表供下载，这张表是把「商品名、代号、NSC 号」三种写法打通的关键。
联合用药另有一套写法：两个 NSC 用下划线连接，NSC1_NSC2。这一套只在 NCI-ALMANAC 一类联合数据里出现。
4.3 冲突不合并，这是核心设计
这是整套平台最需要讲清楚的一点。当两个来源对同一株细胞系的同一测量给出不同数值时，平台不做任何调和：不取均值，不做共识值，不按数据量加权，不判定哪一方正确。它把两个数值并列在同一行，配一张散点图与一个相关系数，把判断留给使用者。
这个选择有明确的方法论依据。跨库数值不一致的来源至少有四类：细胞系身份判断不同、测量平台不同、数据处理流程不同、以及实验本身的随机性。把这四类混在一起平均，得到的既不是真值，也不是任何一方的原值，而是一个无法追溯的第三个数。并列展示则保留了可追溯性——每一个点都能回到某个来源的某次实验。
代价是使用者要自己做判断。相关系数高，说明两库在这批系上一致；相关系数低，可能是平台差异，也可能是细胞系身份有分歧，还可能只是样本太少。官方在论文里提醒，这类相关不一定很高，但仍有参考价值。这个提醒很克制，也很诚实。
论文给出的具体例子说明了不一致的真实程度：三库共测的那批化合物里，多数相关尚可，但达卡巴嗪与长春新碱的可重复性明显偏差，前者是烷化剂，后者是抗微管药。这不是平台的对齐出错，而是两库在这两个药上的测量本身对不上。
4.4 缺口靠借，但要标明是借的
有些来源缺某一层数据。典型例子是 CCLE 没有公开的基因级甲基化。平台的解法是借用：GDSC 的甲基化数据可以覆盖到与之匹配的六百七十一株 CCLE 系与五百九十七株 CTRP 系。
这里的关键不是「借」，而是「借来的数据仍标原来源」。平台不会因为某层来自 GDSC，就把它记成 CCLE 自有数据。使用者在列名后缀上能看出它来自哪个源，做分析时也就知道该在哪一层考虑平台差异。这一点与 4.3 的原则一致：可以补，不可以混。
4.5 变异数据的概率化
突变是跨库比较里最难对齐的一层，因为不同流程给出的「有没有突变」判断不同。平台的折中办法是把二值改成概率：基因级突变值表示「该突变为纯合且影响功能」的概率；若同一细胞系在同一基因上有多个有害突变，按累积概率合并。
做跨库比较时，这个概率再被二值化：高于阈值的记为有突变，其余记为无。论文用 Jaccard 系数衡量两库突变谱的重合度，结论是整体一致性显著，但不一致之处也不少；一致性高有时只是因为只有一两个突变系，基数太小，系数容易被推到接近一。
这段处理说明了一个普遍规律：跨库比较的难点往往不在主数据，而在「怎么把连续或半连续的判据压成可比的形式」。压法一改，结论就变，所以压法必须写进方法。
4.6 质控与已知的不一致
平台对 NCI-60 的药敏数据做了质控标记，只把通过质控的药物纳入；1.2 版还移除了一批质量不佳的实验。这类清洗是平台自己做的，属于少数它会改动源数据呈现的地方，改动记录在发布说明里。
需要提醒的是，平台层面的质控不等于全库质控。其余来源的数据按原样接入，质量问题由源方负责。使用者若把十个来源当成同一质量等级，很容易在高噪声层上得出过度自信的结论。
4.7 对齐出错会以什么方式暴露
映射表是人工维护的，人工就会出错。好在映射错误在跨库散点图上有相对固定的症状，认识这些症状比记住映射规则更有用。
第一种是漏配。同一个细胞系在两库写法不同，映射表没接上，于是它从交集里消失。症状是交集异常小，且缺的恰好是某个组织。检查办法是拿两库的细胞系全名做一次模糊比对，看有没有只差连字符或大小写的成对名称。
第二种是错配。两个不同来源的细胞系共用一个名字，被接成同一株。症状是散点图出现明显的离群点，且这些点在所有基因上都不守规律。这类错误比漏配危险，因为它不缩样本，只是把噪声塞进来。
第三种是药物侧的折叠错误。盐型与母体、代号与商品名、同一化合物的两个 NSC，都可能被当成两个药或一个药。当成两个药时，交集变小；当成一个药时，两个不同化合物的活性谱被混在一起，散点会出现双峰。看到双峰先怀疑这一点，而不是先怀疑生物学。
第四种是层级压平。OncoTree 的细层被合并成粗层，组内异质性上升，分层相关的解释力下降。症状是分层前后相关变化很大，而各层的样本数又都够。
这四种症状都不是平台独有的，任何跨库整合都会遇到。区别在于，这套平台把来源标在列名上，症状一旦出现，至少能顺着后缀追到是哪两库之间出的问题。这是「并列不合并」在设计上的另一个收益。
§5 取数：从网页到代码
5.1 五条路径的取舍
| 路径 | 适合的人 | 代价 | 边界 |
|---|---|---|---|
| 单点查询（Plot Data） | 想先看一眼关系 | 一次两列 | 不能批量 |
| 表格视图（View Data） | 要一小块可核对的数据 | 需手工设定两轴 | 只含共有细胞系 |
| 模式比对（Compare Patterns） | 找一个特征的全库相关谱 | 结果按相关排序，p 值未校正 | 多重比较需自行处理 |
| 多变量分析 | 建基线预测模型 | 仅线性回归与套索 | 不支持跨库迁移模型 |
| 子门户与 R 包 | 专门癌种或本地流程 | 各有自己的接口 | 与主站口径需核对 |
五条路径背后是同一批数据，区别在「谁来切片」。网页最省事，代价是不能批量；导出最灵活，代价是要自己写归并；R 包适合本地流水线，代价是要维护环境。
5.2 下载什么，下载不到什么
平台提供四类下载：当次选定两轴的数据（制表符）、当前细胞系集的注释、跨全部细胞系集的药物同义词对照表、以及各页脚注。1.2 版起增加了数据集下载功能，可以按数据集取整块。
下载不到的是「全库快照」。没有一键打包的压缩包，没有固定 URL 的全量文件，也没有带校验值的版本化归档。这一点对可复现性影响很大：同一个版本号下，不同时间导出的子集可能因为源数据更新而不同。
5.3 用 Python 走一遍
下面演示从表格视图导出到做一次跨库相关的完整路径。列名按「缩写 + 标识 + 来源」的规则生成，所以取列时要用完整列名。
#-- 第一步：读入表格视图导出的制表符文件，确认列名规则
import pandas as pd
df = pd.read_csv("cellminercdb_export.txt", sep="\t")
print(df.shape)
print([c for c in df.columns if c.startswith("exp")][:5])
print([c for c in df.columns if c.startswith("act")][:5])
#-- 第二步：取两列做跨库相关，先看共有细胞系有多少
import pandas as pd
df = pd.read_csv("cellminercdb_export.txt", sep="\t")
x, y = "expSLFN11_nci60", "expSLFN11_gdsc"
sub = df[["Cell Line", x, y]].dropna()
print("共有细胞系数：", len(sub))
print("Pearson r =", round(sub[x].corr(sub[y]), 3))
#-- 第三步：按组织分层重算，避免谱系混杂拉高相关
import pandas as pd
df = pd.read_csv("cellminercdb_export.txt", sep="\t").dropna(subset=["expSLFN11_nci60", "expSLFN11_gdsc"])
for tissue, g in df.groupby("Tissue of Origin"):
if len(g) >= 5:
print(tissue, len(g), round(g["expSLFN11_nci60"].corr(g["expSLFN11_gdsc"]), 3))
三段脚本的重点都在「先看样本量，再算相关」。跨库查询最常见的陷阱是相关系数看着漂亮，实际只用了七八个细胞系，而且集中在同一个组织。
5.4 版本固定与可复现
可复现的第一条纪律是记下三样东西：页面版本号、访问日期、当次导出的细胞系清单。版本号在页头，形如 2.2；访问日期要精确到日；细胞系清单可以随导出文件一起存。
#-- 归档一次查询的上下文，随结果一起保存
mkdir -p cmcdb_2.2_20261029 && cd cmcdb_2.2_20261029
date -u +"%Y-%m-%dT%H:%M:%SZ" > accessed_at.txt
md5sum cellminercdb_export.txt > checksums.txt
第二条纪律是不要把不同日期的导出混用。平台没有全库快照，每次导出都是当时状态的切片；今天导表达、下月导药敏，两批数据的细胞系集合可能已经不同。第三条纪律是记录药物编号。同一药物可能有多个 NSC，平台有默认选择，但默认可能随版本变化。
5.5 四类常见的取数错误
| 错误做法 | 后果 | 正确做法 |
|---|---|---|
| 把两个来源的同一测量取平均 | 得到一个既非甲库也非乙库、无法追溯的数 | 分别建模，或把来源当作一个因子 |
| 用模式比对的结果直接当显著性结论 | p 值未做多重比较校正，假阳性率高 | 自行做 FDR 校正并报告校正前后 |
| 忽略分层后的样本量 | 单组织相关建立在个位数样本上 | 每次分层都打印样本数，低于阈值不报相关 |
| 把导出的子集当成全库 | 后续分析的范围被悄悄限死 | 在方法里写明来源、轴与细胞系数 |
第一类错误最隐蔽，因为它看起来像是「提高了稳健性」。实际上跨库取平均会系统性地压低极端值，让强响应系看起来没那么强，最终削弱的正是药敏研究最关心的信号。
第二类错误常见于探索阶段。模式比对一次能扫过成千上万个特征，不校正的话，几乎任何特征都能找到「显著」相关。平台不做校正，这个责任在使用者。
§6 与库内相邻词条的关系
6.1 关系图谱
按「单库—跨库」这条轴排，库内的细胞系药敏资源可以分成两层。底层是四个单库词条：CCLE 提供组学底座，GDSC 提供临床相关药的系统药敏，CTRP 提供化合物侧广度，NCI-60 提供最厚的分子层与最长的筛选史。上层是这一个跨库检索层，它不新增数据，只把这些底层的标识接起来。
| 库内相关词条 | 与本词条的关系 | 一句话区隔 |
|---|---|---|
| CCLE | 被整合的组学来源 | CCLE 是单库组学底座，本词条是跨库检索层 |
| GDSC | 被整合的药敏来源，且分两代接入 | GDSC 以药敏为主，本词条按药物对齐多库 |
| CTRP | 被整合的化合物面板 | CTRP 提供化合物广度，本词条提供跨库对照 |
| NCI-60 | 被整合的核心面板，也是前身 CellMiner 的对象 | NCI-60 是单面板，本词条是十源之上的索引 |
| NCI-ALMANAC | 通过联合用药数据集接入 | ALMANAC 是两两组合数据，本词条把它按 NSC 对接到其他源 |
| PRISM | 通过池化筛选数据集接入 | PRISM 是筛选平台，本词条是查询入口 |
6.2 检索路径
从使用者的角度，进入这套资源有三条路。想知道某个基因在哪些库有数据，走 Search IDs 的基因编号检索；想知道某个药在哪些库被测过，走药物编号检索并对照同义词表；想做一次具体的两库对照，直接在横纵轴各选一个来源与特征。三条路都指向同一批底层数据，区别在于入口。
6.3 与四个近邻的逐项区隔
与 CCLE 的区隔最容易被混淆。CCLE 是一个数据生产项目，有自己的测序、自己的流程、自己的版本；本词条不生产数据，只做映射。用 CCLE 建模得到的是一个模型；用本词条得到的是「这个模型在另一个库里表现如何」。前者是训练，后者是检验。
与 GDSC 的区隔在范围。GDSC 覆盖上千系、数百药，是一个完整的药敏资源；本词条把 GDSC 当作十个来源之一，价值在于把它与 CCLE、CTRP、NCI-60 放在一起看。单独用 GDSC 做分析，不需要经过本词条。
与 CTRP 的区隔在类型。CTRP 是化合物面板，强项是化合物数量与机制注释；本词条不扩化合物，只做对齐。若问题是「这个化合物在别的面板上是否也有效」，才需要本词条。
与 NCI-60 的区隔最需要说清。NCI-60 与 CellMiner 是同一套数据的两个面：前者是面板与筛选，后者是查询工具，二者都只服务六十个系。本词条把 NCI-60 作为十个来源之一纳入，并用同一套标识把它与上千系的其他库接起来。这也是为什么两个词条可以并存而不重复：一个讲面板本身，一个讲面板之上的索引层。
6.4 什么时候不该用它
第一种情况是问题只在单库内部。若分析只用到 CCLE 的表达与突变，或者只用 GDSC 的药敏，直接去源库更省事：源库有完整矩阵、有原生注释、有确定的版本。绕一层平台，反而多了一次人工对齐的不确定性。
第二种情况是需要统一质量等级。平台把十个来源并列，但没有给出一个跨源的质量分级。若研究要求所有样本经过同等强度的质控，平台帮不上忙，得回到各源的质控文档里逐条比对。
第三种情况是需要原始数据。平台不存读段、不做比对，任何涉及重新定量的分析都必须离开它。
第四种情况是结论要外推到患者。平台的数据全部停在细胞系层面，且没有给药暴露与随访，任何临床方向的推论都需要另一套证据链。这一点与它的质量高低无关，是对象本身决定的。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
评估这套资源时，最容易犯的错是拿评估数据集的尺子来量它：问它样本量多大、测了多少层、有没有原始文件。这些维度上它必然吃亏，因为它压根不是数据生产方。
正确的框架应该换三把尺子：作为索引层，映射表的准确率与覆盖面如何；作为分析工具，统计方法是否透明、假设是否写明；作为公共设施，可及性与可持续性如何。用这三把尺子量，才能看出它真正的强项与短板在哪里。
7.1 五维评分
| 维度 | 分数 | 依据 |
|---|---|---|
| 来源覆盖 | 5 / 5 | 十个来源涵盖美欧主要细胞系药敏项目，横向覆盖在同类工具里最全 |
| 标识统一 | 5 / 5 | 基因符号、NSC、OncoTree 三套标识齐备，且有可下载的同义词表 |
| 冲突透明 | 5 / 5 | 并列展示、不合并，附散点与相关，可追溯性最好 |
| 可复现 | 3 / 5 | 有版本号与发布说明，但无全库快照、无固定数据集 DOI |
| 取数便利 | 3 / 5 | 网页与导出都好用，但没有 API，批量取数要自己拼 |
最低的两项都不是数据问题，而是工程问题。可复现性扣分，是因为「同一个版本号下数据可能已变」这件事对严谨研究是硬伤；取数便利扣分，是因为没有程序化接口，流水线接入要靠爬取或人工导出。
7.2 DAIMS 视角下的四条线
| DAIMS 线 | 表现 |
|---|---|
| 数据获取与处理 | 各源数据的来龙去脉在帮助页与论文里写清；平台自身的处理限于标识映射与部分质控，改动记入发布说明 |
| 数据建模 | 以「细胞系 × 标识 × 类型 × 来源」四元组为核心，模型克制；组织用四级树表达层级，药物用同义词表表达等价 |
| 数据溯源 | 溯源到来源与标识两级，不到实验批次；列名后缀即来源标记，这一点做得比多数整合库彻底 |
| 数据使用与治理 | 平台自身免费，治理责任下沉到各源；没有统一的许可声明，也没有统一的再分发规则 |
四条线里最强的是建模与溯源，最弱的是治理。治理这一项的弱不是疏忽，而是结构性的：十个来源有十套许可，平台无权替它们统一。
7.3 已知的、可枚举的偏差
第一，来源偏差。NCI-60 的化合物数量远超其他源，但只有六十个系；CCLE 与 GDSC 系数多，但每个系测过的化合物少。任何「跨库合并后化合物很多」的印象，都是把不同系的测量加在一起造成的错觉。
第二，平台偏差。同一层数据在不同源用不同技术：微阵列与 RNA-seq 的分布不同，反相蛋白阵列与质谱的量纲不同。跨源比较高相关时，平台差异会被误读为生物学差异。
第三，缺失偏差。跨库相关只在两轴共有的细胞系上算，缺失不插补。这会让样本量随查询而变，也会让「系被某些库系统性漏掉」的偏倚进入结果。
第四，名称偏差。映射表是人工维护的，人工就有出错的可能。错配的后果是安静的：两个不同系的数值被当成同一系比较，相关系数照样出得来。
第五，版本偏差。源数据在更新，平台在更新，映射表也在更新。三者的更新节奏不同步，跨时间比较时差异里混着三种变化。
第六，选择偏差。能进入这些库的细胞系，都是能在体外长期传代的系。生长慢的、依赖特定基质的、需要共培养的肿瘤，系统性缺席。
7.4 外部验证矩阵
| 验证角度 | 外部证据 | 结论 |
|---|---|---|
| 表达谱跨库一致性 | 论文报告多源表达相关中位数超过零点七 | 一致性总体良好，个别基因偏离 |
| 甲基化跨库一致性 | NCI-60 与 GDSC 的甲基化相关中位数接近零点九七 | 同平台同流程的源之间一致性极高 |
| 拷贝数跨库一致性 | 论文以 CDKN2A 等基因为例展示 | 方向一致，绝对水平有差 |
| 突变跨库一致性 | Jaccard 系数分布整体显著，但存在明显不一致 | 二值化阈值对结论影响大 |
| 药敏跨库一致性 | 三库共测的药物不多，多数相关尚可，个别药偏差明显 | 平台与浓度窗口差异是主因 |
| 与患者肿瘤可比性 | 多篇方法学论文用投影方法比较细胞系与肿瘤 | 部分癌种吻合，部分偏离 |
7.5 它为何能持续
第一，它嵌在别人的复核流程里。做跨库验证的研究者需要一个现成的标识映射，自己维护一张映射表的成本远高于用一个现成工具。需求一旦形成，工具就有了存在理由。
第二，它由联邦机构供养。NCI 的内部研究项目不靠用户付费，也不靠融资，更新节奏由项目排期决定。这使它不必为了增长而扩张来源，也就不容易因为商业化而改变数据边界。
第三，它的维护成本被架构压得很低。R 加 Shiny 的单应用，加上缓存提速，一个人可以维持。数据不落地，只做映射，存储成本也低。
第四，它的引用在累积。跨库可重复性这个题目本身就有方法学价值，只要还有人做药敏预测的外部验证，这套工具就会被引用。
§8 生态位与历史
8.1 时间线
| 时间 | 事件 |
|---|---|
| 2009 年 6 月 | CellMiner 上线，NCI-60 的关系型数据库与查询工具 |
| 2012 年 7 月 | CellMiner 扩为网页工具集，加入模式比对 |
| 2015 年 9 月 | 1.6 版方法学论文，系统药理与基因组分析 |
| 2015 年 12 月 | rcellminer 发布，NCI-60 数据可在 R 内取用 |
| 2018 年 12 月 | CellMinerCDB 首发，五个来源进入同一界面 |
| 2019 年 5 月 | NCI-60 的 RNA-seq 数据并入 |
| 2020 年 9 月 | 1.2 版，补入联合用药、蛋白组、依赖与代谢 |
| 2021 年 1 月 | 1.2 版论文发表于《核酸研究》 |
| 2022 年 4 月 | 1.5 版，加入 PRISM、Achilles 与组蛋白数据 |
| 2023 年 4 月 | 1.7 版，更新 GDSC 两代药敏与表面基因列表 |
| 2024 年 4 月 | 2.0 版，新增 NCI-60 表面受体蛋白 |
| 2024 年 10 月 | 2.1 版，NCATS 子门户同期发布 |
| 2025 年 4 月 | 2.2 版，加入 HTS384 药敏与 NCATS 数据 |
8.2 与患者队列的分工
细胞系与患者队列常被放在一起比较，其实两者回答的问题不同。队列回答「这批患者的结局与哪些特征相关」，细胞系回答「在可控条件下，这个特征是否因果地改变药物反应」。前者有随访无干预，后者有干预无随访。
这套平台的位置在后者，而且是比较靠前的一环：它不产生新的干预数据，只把已有的干预数据横向对齐。真正要做因果，还需要在单一体系内做剂量梯度与敲除验证；真正要外推到人，还需要类器官、动物模型与临床试验。
8.3 AI 时代的再定位
对做模型的人，这套平台最实际的用途不是取训练数据，而是做切分。跨库验证是检验泛化能力最直接的方式：在甲库训练，在乙库测试，性能下降的幅度就是「模型学到的是生物学还是平台特征」的一个下界估计。
这也带来一个提醒。跨库性能下降，可能是模型过拟合了甲库的平台特征，也可能是乙库的标签口径本就不同。平台把两个来源并列，正好让这两种原因可以被分开检查：先看同一批细胞系上两库标签的相关，若相关本身就低，那么模型在乙库上的低性能不该全算在模型头上。
论文明确提到，把在一个数据集上训练好的模型固定下来、直接套到另一个数据集上，这个功能当时并不提供。也就是说，跨库迁移要自己做，平台只提供数据。
8.4 三维模型与下一步
细胞系领域的下一步是更接近体内的模型：三维类器官、球状体、共培养。这些模型目前不在本平台的来源清单里。若未来接入，标识层要面对的新问题是「同一株系在二维与三维条件下算不算同一个对象」——按现在的四元组模型，培养条件不是一个独立维度，这会是架构上的一次真实挑战。
§9 使用指引
9.1 三种角色的路径
做外部验证的建模者路径最短：先在两个来源各导一次同一特征，取交集，确认样本量，再决定是否值得继续。若交集只有十几个系，任何跨库比较的结论都很脆弱，应当先扩特征或换库。
做生物标志物复现的生物学家路径是反的：先有一个具体的基因-药物对，再分别在两库看相关方向是否一致，再按组织分层看是否由单一谱系驱动，最后回到原始文献核对测量条件。
做数据工程的人路径最重：要把这套平台的导出接进数据湖，得自己定义一套稳定的中间表，把「来源」做成一列而不是列名后缀，并给每次导出打上版本与日期。
9.2 一条最短的可用流程
从零到一次可发表的跨库对照，四步。前两步在网页完成，后两步在本地完成。
第一步，在横轴选甲库、纵轴选乙库，各指定一个特征，先看默认散点与相关系数。第二步，切到表格视图，导出制表符文件，同时下载细胞系注释。第三步，在本地按细胞系名归并两列，剔除缺失，统计实际样本量。第四步，按组织分层重算相关，并做多重比较校正。
#-- 建目录并记录访问上下文，便于写方法段
mkdir -p cmcdb_check_20261029 && cd cmcdb_check_20261029
date -u +"%Y-%m-%d" > accessed.txt
printf 'version=2.2\nsources=nci60,gdsc\nfeatures=expSLFN11,act609699\n' > query.txt
9.3 引用方式
引用要写四层。第一层是平台论文，1.2 版引 Luna 等 2021 年《核酸研究》，首发引 Rajapakse 等 2018 年 iScience；只引后者而用着 2.x 的功能，是不准确的。第二层是平台版本与访问日期。第三层是具体来源的原始文献，用了 GDSC 的数据就要引 GDSC，用了 CCLE 就要引 CCLE，平台论文不能替代。第四层是查询条件，包括横纵轴、数据类型、细胞系数与药物编号。
§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、帮助文档与论文原文起草，人工核对数字与表述 |
| 数字来源层级 | 见附录 B，官方页面与帮助文档为一级，论文正文为二级 |
| 未核实项 | 当前版本各来源的确切细胞系数与化合物数、映射表的完整项数、各子门户的独立版本号 |
| 版本信息 | 以 2026 年 10 月读取的 2.2 版页面为准 |
| 已知不一致 | 页头写 2025 年 7 月发布、发布说明写 2025 年 4 月；小细胞肺癌专集系在论文中同时出现六十六与六十七两种表述 |
| 适用边界 | 本文描述资源的结构、标识体系与边界，不含对具体研究结论的评价 |
| 更新机制 | 平台按约半年一个版本发布，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 |
|---|---|---|
| 「它是又一个整合数据集」 | 它是检索与对齐层，不产生新测量，数值仍归各源 | 官方帮助页「Data Sources」与论文引言 |
| 「冲突值会被合并成一个共识值」 | 并列展示，不取均值、不加权、不裁定 | 帮助页关于模式比对只在共有数据上计算的说明 |
| 「它收录 gCSI」 | 官方来源清单不含 Genentech 的 gCSI | 数据源页面逐一列出的十个来源 |
| 「它就是 CellMiner」 | CellMiner 只做 NCI-60，本平台是跨库扩展 | 工具总览页对两者的并列描述 |
| 「下载能拿到全库矩阵」 | 导出以选定两轴为界，得到的是子集 | 帮助页下载章节 |
| 「各来源的细胞系是同一批」 | 跨源共有系远少于单库总量，三库共测药物不足四十 | 论文的重叠分析 |
| 「突变是简单的有或无」 | 值表示纯合且影响功能的概率，多突变按累积概率合并 | 论文方法段对突变处理的说明 |
| 「按组织分组就等于同质样本」 | 分组只统一分类，不统一样本，组内仍跨库 | OncoTree 映射说明 |
| 「有 API 可以批量拉」 | 无程序化接口，批量需导出后归并 | 帮助页仅列网页与文件导出 |
| 「商用没有限制」 | 平台免费，但各源许可不同，需逐一核对 | 门户未提供统一许可声明 |
| 「版本号一致数据就一致」 | 版本号管应用与映射，不管源数据更新 | 发布说明只记应用变更 |
FAQ
Q1：它和 CellMiner 到底差在哪？
CellMiner 是二〇〇九年上线的 NCI-60 专用查询工具，只服务六十个系。CellMinerCDB 是二〇一八年上线的跨库版本，把 NCI-60 与 CCLE、GDSC、CTRP 等放在同一套标识下。前者是单面板工具，后者是索引层。两者共用同一批 NCI-60 数据，但解决的问题不同。
Q2：两个库数值不一致时，它站在哪一边？
不站边。它把两个值并列，配散点与相关，让使用者自己判断。这个设计是刻意的：跨库差异可能来自细胞系身份、测量平台、处理流程或随机误差，取平均会把这些来源混成一个无法追溯的数。
Q3：到底有多少个细胞系？
没有单一答案。上面那个跨源合计是并集，任何一次具体查询只能用两轴共有的那批，常常只有几十个。引用时应写明来源与查询条件，而不是撇开条件报一个总数。
Q4：为什么三库共测的药物这么少？
因为三个库的化合物库本来就不同。NCI-60 偏重化合物与天然产物，GDSC 与 CTRP 偏重临床相关药。交集小是资源设计的必然结果，不是数据缺失。
Q5：能一次下载全部数据吗？
不能。导出以当次选定的横纵轴为界，另有注释表与药物同义词表可单独下载。要全库，需要按类型与来源逐次导出再归并，并且要记下每次导出的日期。
Q6：突变那一列的数字怎么读？
它表示该突变为纯合且影响功能的概率，不是简单的零一。同一细胞系同一基因有多个有害突变时，按累积概率合并。做跨库比较时通常再二值化，但阈值会明显影响结论。
Q7：能不能用它训练跨库模型？
可以取数，但平台不提供迁移功能。论文明确写到，把在一个数据集上训好的模型固定后套到另一个数据集，这个功能当时并不提供。跨库迁移要自己做。
Q8：组织分类为什么要四级？
因为「乳腺」与「乳腺浸润性导管癌」在分析上是两个粒度。四级树让使用者可以在粗粒度上保留样本量，在细粒度上看亚型差异。代价是层级越细，每格样本越少。
Q9：数据可以商用吗？
平台本体免费，但每个来源另有许可。CCLE 与 GDSC 对商业使用各有条款，再分发要求也不同。商用前应逐一核对来源方，而不是只看平台是否免费。
Q10：它和 DepMap 是什么关系？
没有直接关系。DepMap 是 CCLE 的承接门户，管的是 CCLE 及其后续模型；本平台是把 CCLE 当作十个来源之一，与 GDSC、CTRP、NCI-60 等并列。两者在 CCLE 数据上有交集，但定位不同。
Q11：为什么有些层的基因数是红的？
红色标记表示该层数据不是来源方原生发布，而是平台用 NCI-60 的流程从公开原始数据重算的，典型是 GDSC 的基因级突变与甲基化。这类数据的口径与源方不同，跨源比较时要额外小心。
Q12：子门户和主站数据一致吗？
同一批底层数据，但子门户有自己的筛选与注释，版本号也可能不同步。用小细胞肺癌版或 NCATS 版做的分析，方法段里应写明子门户名称与版本。
术语表
| 术语 | 含义 |
|---|---|
| CellMinerCDB | CellMiner Cross-Database，跨库细胞系药理基因组检索应用 |
| CellMiner | 前身工具，仅服务 NCI-60 |
| NSC 编号 | NCI 发展治疗学计划给化合物的内部唯一编号 |
| OncoTree | 纪念斯隆凯特琳维护的肿瘤组织分类体系，分四级 |
| Cellosaurus | 细胞系参比词典，用于核对名称与身份 |
| 数据类型缩写 | 三字母代码，如 act、exp、cop、mut |
| 来源后缀 | 列名末尾的来源标记，如 _nci60、_gdsc |
| 模式比对 | 把一个特征与全库所有特征算相关并排序的功能 |
| Jaccard 系数 | 两个集合交集除以并集，用于衡量突变谱重合度 |
| 累积概率 | 同一基因多个有害突变合并后的概率值 |
| 反相蛋白阵列 | 用抗体在固相载体上定量多种蛋白丰度 |
| SWATH-MS | 一种数据独立采集的质谱蛋白定量方法 |
| 池化筛选 | 把多个细胞系加条码混孔测活，PRISM 采用此法 |
| 基因依赖 | 某基因被敲除后细胞显著死亡的现象 |
| 交叉验证 | 把样本分折训练与测试，估计模型泛化误差 |
| 套索回归 | 带 L1 正则的线性回归，可做变量选择 |
| 偏相关 | 控制其他变量后两个变量的相关 |
| 多重比较校正 | 对大量检验的 p 值做校正以控制假阳性 |
| 缺失不插补 | 跨库比较只保留两轴都有值的细胞系 |
| 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 |
|---|---|---|---|
| 当前版本 | 2.2 | 页面页头 | 一级 |
| 页头发布月 | 2025 年 7 月 | 页面页头 | 一级 |
| 发布说明发布月 | 2025 年 4 月 | 发布说明页 | 一级 |
| 下拉选项数 | 十四 | 横纵轴选择框 | 一级 |
| 数据源数 | 十 | 数据源说明页 | 一级 |
| 数据类型缩写数 | 十九 | 数据类型表 | 一级 |
| 组织分类层级 | 四 | 帮助页 OncoTree 说明 | 一级 |
| 跨源合计细胞系 | 约一千四百 | 2018 年论文 | 二级 |
| CCLE 与 GDSC 共有系 | 六百七十一 | 2018 年论文 | 二级 |
| 三库共测化合物 | 三十八 | 2018 年论文 | 二级 |
| GDSC 与 CTRP 共测化合物 | 七十四 | 2018 年论文 | 二级 |
| CTRP 化合物构成 | 一百七十个已批或在研药加一百九十六个其他化合物 | 2018 年论文 | 二级 |
| NCI-ALMANAC 联合药 | 一百零五个已批药两两组合 | 2021 年论文 | 二级 |
| 肉瘤子门户细胞系 | 一百三十三 | 工具总览页 | 一级 |
| 1.2 版新增数据集 | 十二 | 2021 年论文 | 二级 |
附录 B：数字的来源分层
一级：官方页面与帮助文档。 包括主站页头的版本与日期、横纵轴选择框的选项、数据类型与标识对照表、数据源说明页、发布说明页、工具总览页。本文的选项数、类型数、层级数、子门户规模均取自这一层。
二级：论文正文。 包括二〇一八年 iScience 论文的重叠分析与来源描述、二〇二一年《核酸研究》论文的版本更新说明。这类数字反映发表时状态，用于说明结构与历史规模，不用于描述当前。
三级：未核实。 当前版本各来源的确切细胞系数与化合物数、映射表的项数、各子门户的独立版本号，均未从官方页面取得明确数值。发布说明与页头在 2.2 版的月份上互相矛盾，本文如实记录两种表述而不代为裁定。
附录 C：完整参考文献
- Rajapakse VN, Luna A, Yamade M, 等. CellMinerCDB for Integrative Cross-Database Genomics and Pharmacogenomics Analyses of Cancer Cell Lines. iScience, 2018, 10: 247–264. DOI: 10.1016/j.isci.2018.11.028.
- Luna A, Elloumi F, Varma S, 等. CellMiner Cross-Database (CellMinerCDB) version 1.2: Exploration of patient-derived cancer cell line pharmacogenomics. Nucleic Acids Research, 2021, 49(D1): D1083–D1093. DOI: 10.1093/nar/gkaa968. PMID: 33196823.
- Shankavaram UT, Varma S, Kane D, 等. CellMiner: a relational database and query tool for the NCI-60 cancer cell lines. BMC Genomics, 2009, 10: 277. DOI: 10.1186/1471-2164-10-277.
- Reinhold WC, Sunshine M, Liu H, 等. CellMiner: a web-based suite of genomic and pharmacologic tools to explore transcript and drug patterns in the NCI-60 cell line set. Cancer Research, 2012, 72(14): 3499–3511. DOI: 10.1158/0008-5472.CAN-12-1370.
- Reinhold WC, Sunshine M, Varma S, 等. Using CellMiner 1.6 for Systems Pharmacology and Genomic Analysis of the NCI-60. Clinical Cancer Research, 2015, 21(17): 3841–3852. DOI: 10.1158/1078-0432.CCR-15-0335.
- Luna A, Rajapakse VN, Sousa FG, 等. rcellminer: exploring molecular profiles and drug response of the NCI-60 cell lines in R. Bioinformatics, 2016, 32(8): 1272–1274. DOI: 10.1093/bioinformatics/btv701.
- Reinhold WC, Varma S, Sunshine M, 等. RNA sequencing of the NCI-60: Integration into CellMiner and CellMinerCDB. Cancer Research, 2019, 79(13): 3515–3524. DOI: 10.1158/0008-5472.CAN-18-2047.
- NCI Genomics and Pharmacology Facility. CellMinerCDB, Version 2.2. https://discover.nci.nih.gov/cellminercdb/ ，2026 年 10 月访问。
- NCI Genomics and Pharmacology Facility. The Miner Suite of Bioinformatic Applications. https://discover.nci.nih.gov/tools.jsp ，2026 年 10 月访问。
- NCI Genomics and Pharmacology Facility. CellMiner (NCI-60). https://discover.nci.nih.gov/cellminer/ ，2026 年 10 月访问。
附录 D：取数代码
#-- 完整流程：两库取交集、按组织分层、导出可复现的小表
import pandas as pd
df = pd.read_csv("cellminercdb_export.txt", sep="\t")
x, y = "expSLFN11_nci60", "expSLFN11_gdsc"
need = ["Cell Line", "Tissue of Origin", x, y]
sub = df[need].dropna()
print("共有细胞系：", len(sub))
print("总体 r：", round(sub[x].corr(sub[y]), 3))
rows = []
for tissue, g in sub.groupby("Tissue of Origin"):
if len(g) >= 5:
rows.append({
"tissue": tissue,
"n": len(g),
"r": round(g[x].corr(g[y]), 3),
})
out = pd.DataFrame(rows).sort_values("n", ascending=False)
#-- 把细胞系清单与分层结果一起存下，便于写附录与方法段
sub[["Cell Line", "Tissue of Origin"]].to_csv("lines_used.csv", index=False)
out.to_csv("by_tissue.csv", index=False)
print(out.to_string(index=False))
附录 E：如果只记五件事
第一，它是跨库检索层，不是新数据集。数据归十个来源，它只做标识对齐与展示，不产生任何新测量。
第二，它的核心设计是「冲突不合并」。同一测量在两个库不一致时并列展示，配散点与相关，把判断交回使用者。
第三，标识有三套：基因符号管分子，NSC 编号管药物，OncoTree 四级树管组织。三套齐了，跨库才算通。
第四，跨库分析的实际样本量远小于单库总量。三库共测的化合物不足四十个，任何跨库结论都要先报样本数。
第五，它没有全库快照，也没有 API。可复现靠的是记下版本号、访问日期与当次导出的细胞系清单。
编辑说明
本篇核验时间为 2026 年 10 月 29 日。核验方式为直接读取 CellMinerCDB 主站的页头、帮助正文、数据类型与标识对照表、数据源说明、发布说明与工具总览页，并下载二〇一八年 iScience 论文原文核对重叠数字与冲突处理表述，另以《核酸研究》二〇二一年 1.2 版论文原文核对版本更新内容。
核验中发现三处需要记录的不一致。其一，委托方提供的论文信息写作 Luna 等二〇二一年《癌症研究》，而官方页面与论文原文均指向二〇二一年《核酸研究》第四十九卷 D1083–D1093；「CellMinerCDB for Integrative Cross-Database Genomics and Pharmacogenomics Analyses of Cancer Cell Lines」这个标题实际属于二〇一八年 iScience 上 Rajapakse 等的论文。两篇是不同文章，本文按实际出处分别引用。其二，官方来源清单不含 gCSI，委托方描述中的这一项未获支持。其三，页头标注 2.2 版为 2025 年 7 月发布，发布说明同一版本写 2025 年 4 月，本文并列记录两种表述。
未覆盖的内容包括：当前版本各来源的确切细胞系数与化合物数（页面以图像呈现，文本层未给出）、映射表的项数、各子门户的独立版本号、以及药物同义词对照表的完整字段。这些均未从官方页面取得可引用的数值，本文不作推测。
本页只描述资源的结构、标识体系与边界，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。各来源的商用条件不同，使用前应逐一核对来源方条款。
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
- ccle — 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
- 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
- intenz — 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。
