Cellosaurus — 16.9 万细胞系的鉴定权威与误认档案

INFOBOX — Cellosaurus 一屏速览

维度	内容
本质	细胞系知识库/受控词表，不是影像或信号数据集
收录量	169,026 个细胞系（Release 57，2026-10-22）
物种覆盖	904 个物种（人 124,299 / 小鼠 31,364 / 大鼠 3,265）
同义词	128,560 条（含大小写变体）
交叉引用	473,381 条，指向 117 个外部资源
文献	169,524 条引用 → 29,992 篇去重文献
STR 谱	10,080 个细胞系（人/小鼠/犬），来自 969 个来源
疾病术语	NCIt 2,608 个 + ORDO 1,406 个
登录号体系	CVCL_xxxxx（如 HeLa = CVCL_0030）
许可	CC BY 4.0
维护机构	SIB 瑞士生物信息研究所 CALIPHO 组
权威认定	Global Core Biodata Resource / ELIXIR Core Data Resource / IRDiRC Recognized
更新节奏	约每 4 个月一个版本（56 版 2026-06 → 57 版 2026-10）
获取方式	网页检索 / REST API / FTP 全量（txt 117 MB、xml 642 MB、obo 113 MB）

§1 数据集速览：它到底是什么

1.1 一句话定义

Cellosaurus 是细胞系的身份登记册。它回答的不是"这个细胞系表达了什么基因"，而是更前置的问题：

你实验室培养皿里那管标着 “HeLa” 的细胞，真的是 HeLa 吗？它从哪来？别人用同一株细胞做过什么？它的 STR 谱应该长什么样？有没有人证明它其实是另一株细胞？

在一个细胞系身份错误可以毁掉整个课题的领域里，这个问题的答案比任何下游数据都重要。

1.2 为什么它不是「数据集」而是「知识库」

严格说，Cellosaurus 更接近受控词表 + 知识图谱，而非典型的机器学习数据集。它没有"训练集/测试集"的划分，没有特征矩阵，没有标签列。它的价值体现在三个层面：

层面	具体作用	典型使用者
命名层	给每个细胞系一个唯一 CVCL 号，把散落各处的写法（HeLa / HELA / He La / HeLa-CCL2 / Henrietta Lacks cells）收归一处	所有写论文的人
关系层	把细胞系与其组织来源、疾病、变异、同源细胞系、衍生细胞系、多组学研究连成图	生物信息学整合
质检层	显式标注污染与误认的细胞系，并给出推翻证据的文献	细胞库、期刊审稿、课题质控

第三层是 Cellosaurus 最不可替代的部分，也是本文后半段的重点。

1.3 三十秒决策卡

你的处境	Cellosaurus 能帮你什么
拿到一批 RNA-seq 数据，样本标注五花八门	用 Cellosaurus 把细胞系名归一到 CVCL 号，再对上 Ensembl/ArrayExpress 的注释
想把 DepMap、GDSC、Cosmic 三个库的药敏数据合并	三库都用 CVCL 作外键，Cellosaurus 是它们的公共参照
论文审稿怀疑某细胞系身份有问题	查该细胞系的 CC Problematic cell line 行，直接拿到推翻文献 PMID
做细胞系层面的多组学综述	用 CC Omics 字段一次性筛出某细胞系被做过哪些组学
需要 STR 谱做实验室内部质控	10,080 个细胞系有官方 STR 谱，用 CLASTR 工具比对
想找某疾病的所有可用细胞系模型	用 NCIt / ORDO 疾病编码反向检索

1.4 一句话不适合谁

如果你的需求是"找一批细胞系做机器学习训练"，那 Cellosaurus 给不了你特征——它给的是细胞系的名录与身份。真正的测量数据在 DepMap（增殖/依赖）、GDSC（药敏）、CCLE（表达）、Cell Model Passport（模型元数据）等下游库，Cellosaurus 是这些库之间的连接件。

§2 数据构成与规格

2.1 Release 57 的完整统计

官方 release notes（cellosaurus_relnotes.txt，2026-10-22）给出的全部数字：

指标	数值
细胞系条目	169,026
其中人源	124,299
其中小鼠源	31,364
其中大鼠源	3,265
覆盖物种数	904
同义词	128,560
交叉引用	473,381 条 → 117 个资源
文献引用	169,524 条 → 29,992 篇去重文献
网页链接	15,943
STR 谱细胞系	10,080（人/小鼠/犬），来自 969 个来源
NCIt 疾病术语	2,608
ORDO（Orphanet）疾病术语	1,406
UBERON 解剖术语	848
CL 细胞类型术语	277

从 56 版（2026-06）到 57 版的增量：新建 56 条、更新 202 条，无格式变更、无 DR 行变更。

这一增量值得注意：四个月只新增 56 条，说明细胞系这个"物种名录"已接近饱和——真正在动的是已有条目的内容更新（202 条），也就是新文献、新变异、新组学研究的持续吸收。

2.2 十九条记录字段

Cellosaurus 用平线格式（plain-flat-file，类似 EMBL/GenBank 的行式结构），每条记录由若干两字母前缀行组成。核心字段如下：

前缀	含义	示例（HeLa，CVCL_0030）
ID	参考名称	ID HeLa
AC	登录号（Accession）	AC CVCL_0030
SY	同义词	SY HELA; Hela; He La; He-La; HeLa-CCL2; Henrietta Lacks cells; Helacyton gartleri
DR	跨库交叉引用	DR ATCC; CCL-2、DR Cosmic; 760219
CC	结构化注释	污染标注、STR 谱、HLA 分型、变异、组学研究等
OX	物种（NCBI Taxonomy ID）	OX NCBI_TaxID=9606; ! Homo sapiens
SX	性别	SX Female
AG	年龄	AG 31Y
CA	细胞系类别	CA Cancer cell line

CC 行是信息密度最高的一行。同一个前缀下可以承载二十余种语义，靠固定短语区分：

• CC Problematic cell line: ... —— 污染/误认
• CC Part of: ... panel —— 属于哪个细胞系 panel（如 NCI-60、JWGray）
• CC Registration: ... —— 在哪个官方名录登记（如 ICLAC 误认细胞系列表）
• CC Omics: ... —— 做过哪些组学研究
• CC Sequence variation: ... —— 与参考基因组相比的关键变异
• CC HLA typing: ... —— HLA 分型
• CC Doubling time: ... —— 倍增时间
• CC Microsatellite instability: ... —— 微卫星不稳定程度

2.3 十四个细胞系类别

CA 字段的取值是封闭枚举，共 14 类：

癌细胞系（Cancer cell line）、条件永生化细胞系（Conditionally immortalized）、胚胎干细胞（Embryonic stem cell）、因子依赖细胞系（Factor-dependent）、有限寿命细胞系（Finite）、杂交细胞系（Hybrid）、杂交瘤（Hybridoma）、诱导多能干细胞（iPSC）、成体干细胞（Somatic stem cell）、自发永生化细胞系（Spontaneously immortalized）、基质细胞系（Stromal）、端粒酶永生化细胞系（Telomerase immortalized）、转化细胞系（Transformed）、未定义类型（Undefined）。

这 14 类直接决定了细胞系的生物学可信边界：癌细胞系与转化细胞系在培养中会持续积累核型异常，iPSC 与胚胎干细胞需要额外的多能性验证，有限寿命细胞系有明确的传代上限。

2.4 收录范围与明确的排除项

官方 description 页对 scope 有清晰界定。

收录：

• 永生化细胞系
• 天然永生的细胞系（如各类干细胞系）
• 已广泛分发和使用的有限寿命细胞系
• 脊椎动物细胞系（以人、小鼠、大鼠为重心）
• 无脊椎动物细胞系（昆虫、蜱）
• 植物细胞系

明确不收录：

• 原代细胞（上述"已广泛分发的有限寿命细胞系"除外）

这个边界很重要：Cellosaurus 不是"所有体外培养物"的清单。做原代细胞研究的人在这里找不到自己的材料。

2.5 交叉引用的七个层次

473,381 条交叉引用指向 117 个资源，这些资源在官方 description 页被分成四组：

组别	数量级	代表资源
细胞库/供应商目录	60+	ATCC、DSMZ、ECACC、JCRB、RIKEN（RCB）、KCLB、Coriell、Sigma-Aldrich、WiCell、BCRC、CCTCC
本体	7	BCGO、BTO、CLO、EFO、MCCL、MeSH、Wikidata
细胞系数据库/资源	30+	cancercelllines、CCRID、Cell_Model_Passport、CGH-DB、CLDB、ColonAtlas、Cosmic-CLP、dbMHC、DepMap、DSMZCellDive、ESTDAB、GDSC、hPSCreg、ICLDB、IPD-IMGT/HLA、LINCS_HMS、LINCS_LDP、SKIP
把细胞系当样本的资源	20+	4DN、ArrayExpress、BioSample(s)、ChEMBL、Cosmic、dbGaP、EGA、ENCODE、GEO、IGSR、MetaboLights、PRIDE、Progenetix、PubChem

第四组是理解 Cellosaurus 定位的关键：GEO、ArrayExpress、EGA、PRIDE 这些"数据仓库"也把细胞系当作样本类型之一。当你想知道某株细胞系有哪些公开转录组数据时，路径是「Cellosaurus → DR 行 → GEO accession」，而不是在 GEO 里搜细胞系名（拼写变体会让你漏掉大半）。

2.6 一条完整记录的逐行解剖

把 HeLa（CVCL_0030）的 API 返回摊开，可以看清单条记录的信息组织方式：

ID   HeLa
AC   CVCL_0030
SY   HELA; Hela; He La; He-La; HeLa-CCL2; Henrietta Lacks cells; Helacyton gartleri
DR   ATCC; CCL-2
DR   ATCC; CRL-7923
DR   ATCC; CRM-CCL-2
DR   Cell_Model_Passport; SIDM00846
DR   Cosmic; 760219
DR   ...

逐行读法：

行	语义	使用要点
ID	参考名称	这是 Cellosaurus 认定的"标准写法"，写论文时优先用它
AC	主登录号	唯一定位符，跨库 join 用它
SY	同义词（分号分隔）	做名称归一时的别名来源；含大小写变体与历史名
DR	交叉引用（可重复多次）	每行一个外部资源，格式为 资源名; 外部ID

SY 行里 Henrietta Lacks cells 这个同义词值得单独说明：HeLa 细胞来自 Henrietta Lacks，这个同义词记录的是历史称谓。它不常用于正式文献，但在检索新闻、传记、伦理讨论材料时会命中。

DR 行里 Cosmic 出现了十余次，因为 Cosmic 对同一细胞系按不同研究登记了多个内部记录。这说明交叉引用不是一对一：一个 Cellosaurus 条目可能对应同一外部资源的多个 ID。

2.7 交叉引用的三个不对称

使用 DR 行时，有三个不对称必须知道。

不对称一：热门与冷门的引用数差三个数量级。 HeLa 有数百条 DR 行，冷门细胞系可能只有 0 到 3 条。这不是"重要性"的可靠度量，只是"被策展到"的度量。

不对称二：资源覆盖不均。 细胞库类资源（ATCC、DSMZ、ECACC）覆盖率高，因为目录数据容易批量导入；组学资源（GEO、ArrayExpress）覆盖率取决于有没有人做过并登记。因此"该细胞系没有 GEO 引用"不等于"没做过转录组"。

不对称三：方向性。 Cellosaurus 主动维护到外部资源的引用，但不保证外部资源反向维护到 Cellosaurus 的引用。做双向校验时会遇到单向缺失。

2.8 与同类资源的定位差异

细胞系相关的资源不止 Cellosaurus 一个。横向比一下，各自的取舍很清楚：

资源	核心内容	规模感知	与 Cellosaurus 的差异
Cellosaurus	细胞系身份、同义词、交叉引用、污染标注	16.9 万条	覆盖最广，唯一系统做误认裁定
CLO（Cell Line Ontology）	细胞系本体（类与关系）	数千类	本体结构严谨，但实例覆盖远少于 Cellosaurus
Cell Model Passport	细胞模型的元数据（来源、验证、组学）	约千级模型	深度优于广度，专注模型可追溯性
ATCC / DSMZ 等目录	可售细胞系的产品信息	数千株	只含自家库存，不覆盖文献中全部细胞系
DepMap / GDSC / CCLE	细胞系的测量值	千级细胞系	数据深度极高，但细胞系数远少于 Cellosaurus
ICLAC 误认名录	已确认误认的细胞系清单	数百条	只做裁定，不含其他字段

这张表能解释一个常见困惑：为什么需要在 Cellosaurus 之外再看别的库。原因是各库的取舍不同——Cellosaurus 选择了广度与身份层，代价是深度（不含测量值）；DepMap 选择了深度，代价是广度（只覆盖千级细胞系）。

一个实用的判断规则：

• 要广度（这批数据里出现的细胞系名能不能都对上）→ Cellosaurus
• 要深度（这几株细胞系具体被做过什么）→ DepMap / GDSC / Cell Model Passport
• 要裁定（这株细胞系身份有没有问题）→ Cellosaurus + ICLAC

§3 身份层：CVCL 登录号体系

3.1 为什么需要一个登录号

细胞系名称是人类可读的，因此天然混乱。仅 HeLa 一株，官方就收录了 7 个同义词。全库 128,560 个同义词对应 169,026 个条目——平均每条 0.76 个同义词，但分布极度不均：热门细胞系（HeLa、K562、MCF-7）的同义词可达十余个，冷门细胞系常常零同义词。

名称混乱的后果是数据没法合并。同一个细胞系在不同论文里写法不同，在 GEO 里的样本名、在 ATCC 的目录号、在 Cosmic 的内部 ID 全都不一样。CVCL 号就是用来终结这个问题的。

3.2 编号格式

CVCL 号格式为 CVCL_ 加四位数字/字母组合，例如：

细胞系	CVCL 号
HeLa	CVCL_0030
K-562	CVCL_0004
MDA-MB-435	CVCL_0417

编号本身不含语义——不能从号段推出组织来源或物种。这是刻意的设计：一旦编号承载语义，随着新细胞系加入就必然出现号段重排，历史引用会全部失效。

3.3 编号的稳定性承诺

Cellosaurus 提供 cellosaurus_deleted_ACs.txt（本期 3.0 KB）专门记录被撤销的登录号。这个文件的存在本身就是一种承诺：登录号会失效，但失效是被记录、被公示的。

对做长期数据整合的团队，这意味着可以在 ETL 流程里把该文件当作映射表定期同步，而不是等到 join 失败才发现号变了。

3.4 名称冲突的公开登记

cellosaurus_name_conflicts.txt（本期 87 KB）记录名称冲突的情况——即两个不同细胞系共用一个名字，或一个名字在文献里指代过不同细胞系。

这是极少见的透明度做法。大多数生物数据库会把命名歧义内部消化掉，读者无从知晓。Cellosaurus 选择把它变成公开文件，让使用者自己判断。

3.5 与外部命名体系的映射

Cellosaurus 不做"唯一权威"，而是做枢纽。它对每个细胞系维护到 117 个外部资源的引用，因此可以扮演"翻译官"：

你要的                          Cellosaurus 提供的路径
─────────────────────────────────────────────────────
ATCC CCL-2          →  CVCL_0030 (HeLa)
Cosmic 760219       →  CVCL_0030 (HeLa)
Cell_Model_Passport SIDM00846 → CVCL_0030 (HeLa)

反查同样成立：从 CVCL_0030 出发，能列出该细胞系在 ATCC、Cosmic、DepMap、GDSC、Cell Model Passport、ChEMBL 等所有库中的对应 ID。

§4 质检层：污染与误认的公开档案

这是 Cellosaurus 最独特的部分，也是它区别于所有细胞库目录的地方。

4.1 一个真实案例：MDA-MB-435

MDA-MB-435 是乳腺癌研究里被引用最多的细胞系之一。它的 Cellosaurus 条目（CVCL_0417）第一行注释就是：

CC Problematic cell line: Contaminated. Shown to be a M14 derivative (PubMed=17004106; PubMed=18304946; PubMed=20143388; PubMed=28940260). Originally thought to originate from the pleural effusion of a breast carcinoma from a 31 year old patient. See also PubMed=19549886 for a dissenting but incorrect view that states that M14 is a breast cancer cell line.

拆解这段注释的信息密度：

信息点	内容
判定	Contaminated（污染）
真实身份	M14 的衍生物 —— 而 M14 是黑色素瘤细胞系，不是乳腺癌
推翻证据	4 篇独立文献（PMID 17004106、18304946、20143388、28940260）
原始声称	来自 31 岁患者乳腺癌胸水
异议处理	明确点名 PMID 19549886 是"持异议但错误"的观点

最后一点特别值得注意：Cellosaurus 不是中立地列出争议双方，而是直接判定哪一方错误，并给出依据。这是策展立场，不是文献综述。

对这个案例的含义：所有以 MDA-MB-435 为"乳腺癌模型"发表的组学、药敏、机制研究，其生物学解释都建立在错误的前提上。而这些研究的原始数据至今仍大量存在于公共数据库中，标注为 breast cancer。

4.2 ICLAC 登记号的引用

同一条目的另一行：

CC Registration: International Cell Line Authentication Committee, Register of Misidentified Cell Lines; ICLAC-00235.

这说明该细胞系的误认状态不是 Cellosaurus 单方面的判断，而是与 ICLAC（国际细胞系鉴定委员会） 的官方误认细胞系列表对齐，编号 ICLAC-00235 可在 ICLAC 侧独立核对。

4.3 三类质检标注的结构

Cellosaurus 的质检信息分布在三种标注中，性质不同：

标注类型	触发条件	可信度来源
Problematic cell line: Contaminated	有实验证据表明该细胞系被另一细胞系交叉污染	STR 谱比对 + 发表文献
Problematic cell line: Misidentified	细胞系身份与原声称不符	同上
Registration: ICLAC	已进入 ICLAC 官方误认名录	ICLAC 裁定

三者可以叠加。MDA-MB-435 同时具备 Contaminated 判定与 ICLAC-00235 登记。

4.4 「未被标注」不等于「身份可信」

这是使用 Cellosaurus 时最容易犯的误读。必须明确：

• 标注依赖已发表的证据。没有人做过 STR 比对、没有人发表质疑，条目就不会被标注。
• STR 谱只覆盖 10,080 个细胞系（占 6%）。剩下 94% 的细胞系没有官方 STR 谱可比对，因此从原理上就无法通过这条路发现问题。
• ICLAC 名录的更新依赖各实验室主动上报，存在上报滞后。

正确的用法是：把 Problematic 标注当作「已确认的问题」，而不是「全部的问题」。

4.5 问题细胞系的实际规模

官方未在 release notes 中单列问题细胞系总数，但提供了专门的浏览入口（Browse → Browse problematic cell lines）。做课题质控时的实用做法是：对自己用到的每一个细胞系，先用 API 拉取 CC 行，检索是否含 Problematic 与 ICLAC。

# 批量检查一批细胞系是否有问题标注
for acc in CVCL_0030 CVCL_0004 CVCL_0417; do
  echo "== $acc"
  curl -s "https://api.cellosaurus.org/cell-line/$acc?format=txt" \
    | grep -E "^CC   (Problematic|Registration: International Cell Line)"
done

这段脚本对 MDA-MB-435 会输出两行（Problematic + ICLAC），对 HeLa 与 K-562 输出为空。

4.6 污染与误认的区别：两种不同的失败

从业者常把"污染"和"误认"混用，但 Cellosaurus 的标注区分了这两种情况，因为成因和补救方式完全不同。

维度	交叉污染（Contaminated）	误认（Misidentified）
发生机制	培养过程中另一株细胞混入并因生长优势取代原细胞	标签、记录或建系环节出错，从头就是另一株
典型场景	同一超净台同时操作多株、共享培养基、传代记录混乱	细胞库出库标错、论文署名错、建系材料弄混
时间特征	渐进发生，某一代之后开始出现	从第一次使用就存在
STR 表现	与原细胞谱不符，且与混入者谱一致	与原声称谱不符，与真实来源谱一致
可挽救性	一般不可挽救，需重新引种	一般不可挽救（身份已错）
MDA-MB-435	✅ 属于此类（M14 衍生物）	—

MDA-MB-435 被判定为 Contaminated 而非 Misidentified，这个细节有意义：它说明该细胞系最初确实是乳腺来源，但在某个环节被 M14 黑色素瘤取代。这与"从建系起就是另一株"是不同性质的问题。

4.7 对现有数据的影响面

误认细胞系造成的后果是存量污染：已发表的研究、已入库的数据、已训练过的模型，全部继承了这个错误。

以 MDA-MB-435 为例，它被当作乳腺癌模型使用了几十年，被纳入 NCI-60 panel、JWGray breast cancer panel，在 Cosmic 里有多个突变记录，在多个药敏研究中出现。当身份被推翻后：

• 组学数据：转录组、蛋白组的"乳腺癌"标签全部是错的，实际是黑色素瘤
• 药敏数据：以"乳腺癌细胞对某药敏感"表述的结论，实际反映的是黑色素瘤
• 机制研究：以该细胞系为模型推出的乳腺癌通路结论，需要重新审视
• 训练数据：若曾用这批数据训练过分类模型，"乳腺癌"这一类的特征里混入了黑色素瘤的信号

这不是"个别数据点有噪声"，而是整类样本的标签系统性错误。这也是为什么 Cellosaurus 的质检层不能当作可选的附加信息。

4.8 一个可行的自查流程

把 Cellosaurus 接入课题质控，最小可行流程分四步：

第一步：列出所有在用的细胞系与其 CVCL 号。

如果某个细胞系在 Cellosaurus 里查不到，本身就是个信号——可能是名称写错，也可能是极冷门的细胞系。

第二步：批量检查 Problematic 与 ICLAC 标注。

#!/bin/bash
# 输入：每行一个 CVCL 号
while read acc; do
  hit=$(curl -s "https://api.cellosaurus.org/cell-line/${acc}?format=txt" \
    | grep -cE "^CC   (Problematic|Registration: International Cell Line Authentication Committee)")
  if [ "$hit" -gt 0 ]; then
    echo "⚠️  ${acc}  有问题标注（${hit} 条）"
  else
    echo "✅  ${acc}"
  fi
done < cvcl_list.txt

第三步：对有 STR 谱的细胞系，做一次实验室自查。

Cellosaurus 提供的是参考谱，实验室需要自己做完 STR 分型后再比对。只依赖 Cellosaurus 而不做实验，等于只看目录不看实物。

第四步：把结论写进实验室 SOP。

最有价值的产出不是"这次查出了几个问题"，而是"以后每次引入新细胞系都自动走一遍这个流程"。考虑到新的误认细胞系仍在被发现（每次 ICLAC 更新都会有新增），这套流程需要定期重跑。

4.9 HeLa 的伦理史：一个库外的议题

Cellosaurus 不讨论细胞系获取的伦理问题，但对使用者而言，这是一层无法回避的背景。

HeLa 细胞取自 Henrietta Lacks，1951 年在其不知情、未同意的情况下采集。这一事实在 2010 年后被广泛讨论，并促成了 2013 年 NIH 与 Lacks 家族达成的基因组数据使用协议。

Cellosaurus 的 HeLa 条目本身对此不作评论——它只记录 SY Henrietta Lacks cells 这个同义词，把这段历史留在了一个词里。使用 HeLa 做研究或做公共传播时，这层背景需要自行补上。

§5 工具层：CLASTR 与 API

5.1 CLASTR：STR 相似度检索

CLASTR（Cellosaurus STR similarity search tool）是 Cellosaurus 自带的在线工具，做一件事：把你手上的一条 STR 谱，与库内 10,080 条官方 STR 谱逐一比对相似度。

典型使用场景：

1. 实验室新收到的细胞系，怀疑标签贴错
2. 论文审稿时怀疑某细胞系身份
3. 细胞库出库前的例行质控

输出是按相似度降序排列的候选细胞系列表。STR 谱来自 969 个不同来源（各细胞库、各发表文献），因此同样的细胞系可能有多个谱——CLASTR 会把它们一并列出。

5.2 REST API 的三种取数方式

API 基址 https://api.cellosaurus.org/，无需认证，无速率限制的官方说明，但实际使用应保持合理频率。

方式一：按登录号精确取单条

# 文本格式（人读友好）
curl -s "https://api.cellosaurus.org/cell-line/CVCL_0030?format=txt"

# JSON 格式（程序解析）
curl -s "https://api.cellosaurus.org/cell-line/CVCL_0030?format=json"

方式二：按名称模糊检索

curl -s "https://api.cellosaurus.org/search/cell-line?q=MDA-MB-435&format=json&rows=5"

检索字段权重在返回头里可见：ac^16 id^16 sy^8 text —— 说明登录号与参考名称权重最高（16），同义词次之（8），全文最低。

方式三：版本信息

curl -s "https://api.cellosaurus.org/release-info"

返回：

{"Cellosaurus":{"header":{"release":{
  "nb-cell-lines":"169026","nb-publications":"29992",
  "updated":"2026-10-22","version":"57.0"}}}}

这个端点适合放进数据管道的健康检查里，确认下游用的是最新版本。

5.3 全量下载

FTP 目录 https://ftp.expasy.org/databases/cellosaurus/ 提供五类文件：

文件	体积	用途
cellosaurus.txt	117 MB	平线格式主文件，最常用的全量
cellosaurus.xml	642 MB	XML 全量，适合需要 schema 校验的场景
cellosaurus.obo	113 MB	OBO 本体格式，直接载入 OBO-Edit/Protégé
cellosaurus_refs.txt	11 MB	文献引用明细
cellosaurus_xrefs.txt	37 KB	交叉引用清单

另有三个辅助文件：cellosaurus_deleted_ACs.txt（撤销的登录号）、cellosaurus_name_conflicts.txt（名称冲突）、cellosaurus_faq.txt（常见问题）。

5.4 模型层：把 Cellosaurus 当特征源

如果目标是把"细胞系属性"转成机器学习特征，可用的方向有四类：

特征类型	来源字段	编码方式
组织/器官	CC 行 UBERON 术语（848 个）	One-hot 或本体嵌入
细胞类型	CC 行 CL 术语（277 个）	同上
疾病	NCIt（2,608）/ ORDO（1,406）	层级编码（利用本体父子关系）
遗传变异	CC Sequence variation 行	按基因 × 变异的稀疏矩阵
细胞系类别	CA 字段（14 类）	类别编码
身份可信度	Problematic / ICLAC 标注	二值标记，用作样本权重或过滤条件

最后一类在建模时最容易被忽略，但对结果影响最大：把已确认误认的细胞系当作有效样本纳入训练，等于往标签里注入系统性错误。

5.5 CC Omics 字段：一次筛出可用组学数据

CC Omics 是实践中最被低估的字段。它记录"某细胞系被做过哪些组学研究"，格式为 Omics: 组学类型; 平台/方法。

以 MDA-MB-435（CVCL_0417）为例，其 CC Omics 行覆盖：

组学层	具体方法
基因组	DNA 甲基化分析、全外显子测序、Array-CGH
转录组	lncRNA 谱（RT-qPCR）、微阵列、RNA-seq、SAGE
蛋白组	定性、定量蛋白组
代谢组	代谢组学
表型	药物筛选、荧光探针文库筛选
变异	Array-based CGH

这个字段的用法是反向筛选：当你想找"哪些细胞系有蛋白组数据"时，不需要去 PRIDE 或 ProteomeXchange 逐个搜，直接在 Cellosaurus 全量文件里 grep CC Omics: Proteomics，得到的 CVCL 列表就是候选集。

三步操作：

# 1. 下载全量
wget https://ftp.expasy.org/databases/cellosaurus/cellosaurus.txt

# 2. 提取所有带蛋白组标注的条目（ID 行与 CC 行需配对）
python3 - <<'PY'
cur = None
for line in open('cellosaurus.txt', encoding='utf-8'):
    if line.startswith('ID   '):
        cur = line[5:].strip()
    elif line.startswith('CC   Omics: Proteomics'):
        print(cur, '|', line[5:].strip())
PY

# 3. 按需对上 DR 行里的 PRIDE accession 取数

第 2 步的关键在于平线格式必须按 ID 行分块。所有 CC 行都属于上一条 ID 行，一旦乱序流式处理就会配对错乱。这是解析 Cellosaurus 最容易踩的坑。

5.6 本体字段的三种用法

Cellosaurus 把细胞系挂到了三套本体上（UBERON 848 个术语、CL 277 个、加上 NCIt 与 ORDO），这三套本体的用法不同。

UBERON（解剖学本体）——用于组织层面的分层。

做"不同组织来源细胞系的药物响应差异"分析时，UBERON 提供了层级结构：UBERON:0002048（肺）下有各级子结构。这让你可以在不同粒度上聚合，而不必手工归类"这株细胞算不算肺癌"。

CL（细胞类型本体）——用于细胞谱系分层。

CL 描述的是"这是什么类型的细胞"（上皮、成纤维、神经元……），与 UBERON 的"来自哪个器官"正交。两者交叉才能定位：来自肺（UBERON）的上皮细胞（CL）。

NCIt / ORDO（疾病本体）——用于疾病分层。

NCIt 覆盖广（2,608 个），ORDO 专精罕见病（1,406 个）。做罕见病研究时 ORDO 的粒度更细；做泛癌分析时 NCIt 更合适。

三套本体的共同价值是：把"细胞系"这个离散的、命名混乱的实体，映射到一个有层级、可计算的空间里。这是细胞系数据能被机器学习利用的前提。

5.7 把 Cellosaurus 用作实体对齐表的注意事项

在构建跨库知识图谱时，Cellosaurus 最常被用作细胞系实体的对齐基准。四条实操建议：

第一，区分主登录号与次级登录号。 AC 行里 type=primary 的是主号，其余为次级。对齐时统一用主号，否则同一细胞系会被拆成多个节点。

第二，处理一对多映射。 一个 CVCL 号可能对应同一外部资源的多个 ID（HeLa 在 Cosmic 有十余条）。建图时须决定是"全部保留"还是"取代表ID"——前者忠实但冗余，后者简洁但丢信息。

第三，把 Problematic 状态建为节点属性而非过滤条件。 直接过滤掉问题细胞系会让图谱缺失实体，"某细胞系→已被证明误认"这条边本身是有价值的知识。

第四，记录版本号。 Cellosaurus 逐版变化（57 版更新了 202 条），跨版本对齐时须标注用的是哪一版。撤销的登录号从 cellosaurus_deleted_ACs.txt 同步。

§6 与库内条目的关系

6.1 库内相关条目图谱

关系	库内条目	关系性质
下游测量	DepMap / GDSC / CCLE 相关条目	Cellosaurus 提供细胞系身份，这些库提供测量值
平行参照	IPD-IMGT/HLA	HeLa 条目的 HLA 分型字段与 IPD 数据互通
上游本体	CLO（Cell Line Ontology）、UBERON	Cellosaurus 引用其术语，非重复关系
数据来源	GEO / ArrayExpress / PRIDE 相关条目	这些库的样本可回溯到 CVCL 号
相邻资源	Cell Model Passport、Cosmic	互为交叉引用，Cellosaurus 是公共参照

6.2 检索路径建议

你的起点	建议路径
只有细胞系名字（拼写不确定）	先走 API search/cell-line?q=名字，拿到 CVCL 号与全部同义词
只有 CVCL 号	直接 cell-line/{CVCL}?format=txt，读 DR 行找下游库
有 ATCC 目录号	在 Cellosaurus 全量文件里搜 DR ATCC; CCL-2
有疾病名	用 NCIt/ORDO 术语反查，或走网页 Browse by cell line group
有 STR 谱	用 CLASTR，不要手工比对

6.3 互链建议

从本条目出发，读者最可能需要的三个方向：

1. 想知道某细胞系的药敏数据 → 转 DepMap / GDSC
2. 想验证某细胞系身份 → CLASTR 工具 + ICLAC 名录
3. 想把细胞系名归一化到本体 → CLO / UBERON / BTO

§7 质量评估与局限性

7.0 一个前置判断：它不是训练集，但可以是训练集的元数据层

在评价质量之前需要先厘清一件事：Cellosaurus 的质量标准不应按"数据集"来衡量。

衡量一个机器学习数据集，看的是样本量、标签质量、划分合理性、泄漏风险。但 Cellosaurus 没有样本、没有标签列、没有划分。它更像一本词典——评价词典的标准是覆盖率、释义准确性、更新及时性，而不是"能不能直接训练模型"。

错位的评价会导致错位的期待。常见的两种误判：

误判一：因为它有 16.9 万条记录，就当作 16.9 万样本的数据集。 实际上每条记录描述的是一株细胞系的属性，不是一次观测。

误判二：因为它不能直接训练，就认为"没有 AI 价值"。 实际上它在 AI 流程里承担的是实体层职责：把散落的细胞系名归一，把身份关系结构化，把可信度标注出来。这些是预处理阶段的工作，发生在训练之前，但决定训练数据的质量。

理解了这层定位，下面的质量评估才有意义。

7.1 策展质量：为何它被三个国际体系同时认定

Cellosaurus 同时是：

• Global Core Biodata Resource（全球核心生物数据资源，Global Biodata Coalition 认定）
• ELIXIR Core Data Resource（欧洲生命科学基础设施核心数据资源）
• IRDiRC Recognized Resource（国际罕见病研究联盟认可资源）

三个认定的评审标准不同：GCBR 看全球不可替代性，ELIXIR 看欧洲基础设施地位与可持续性，IRDiRC 看罕见病研究的可用性。同时通过三者，说明它在权威性、可持续性、领域覆盖三个维度都达标。

7.2 局限性一：字段完整度严重不均

169,026 条记录的字段密度差异极大。以交叉引用为例：

细胞系	DR 行数量级	说明
HeLa（CVCL_0030）	数百条	被几乎所有细胞库、数据库收录
典型癌细胞系	数十条	主流库均有收录
冷门细胞系	0-3 条	可能只有名称、登录号与物种

这意味着用"交叉引用数"作为细胞系重要性的代理指标是可行的，但反过来不能用"引用少"推断"不重要"——可能只是没被策展到。

7.3 局限性二：STR 覆盖只有 6%

10,080 / 169,026 ≈ 6.0%。且这 10,080 个限定在人、小鼠、犬三个物种。

后果很直接：对另外 94% 的细胞系，Cellosaurus 无法提供可用于鉴定的客观指纹。它们的身份依赖原始文献自述，而原始文献可能是错的（MDA-MB-435 就是这样错了三十年）。

7.4 局限性三：不收录原代细胞

这是设计选择，但会影响使用者的预期。做原代细胞、类器官、器官芯片研究的人在这里找不到对应条目。

7.5 局限性四：文献引用不追全

官方 description 明确说明：文献侧重"建系与鉴定"类论文，不试图收录使用某细胞系的全部文献。

因此不能用 Cellosaurus 的文献数做"该细胞系被研究热度"的计量——那个数字在 PubMed 里。

7.6 局限性五：标注滞后

Problematic 标注依赖已发表证据。从"某实验室发现问题"到"发表论文"到"Cellosaurus 收录"到"ICLAC 裁定"，链条可能长达数年。

使用建议：把 Cellosaurus 的标注当"下限"而非"全貌"。自己课题组用的细胞系，仍应独立做 STR 鉴定。

7.7 DAIMS 24 项数据就绪度评估

#	检查项	状态	说明
1	数据集目的明确	✅	细胞系知识资源，scope 明示
2	数据来源可溯	✅	每条 CC 行附 PMID
3	采集方法说明	✅	description 页说明策展流程
4	标注者信息	⚠️	未逐条标注策展人，仅披露 CALIPHO 组
5	标注一致性	✅	受控字段 + 本体对齐（CLO/UBERON/NCIt/ORDO）
6	版本控制	✅	版本号 + 日期 + 增量说明 + 撤销号表
7	许可明确	✅	CC BY 4.0
8	访问方式	✅	网页 + API + FTP 三通道
9	数据格式规范	✅	平线/XML/OBO 三格式 + XSD
10	机器可读	✅	XML + OBO + REST API
11	术语标准化	✅	多本体对齐
12	缺失值处理	⚠️	字段缺失即不出现该行，无显式缺失标记
13	样本量披露	✅	逐版本公布全量统计
14	偏倚说明	⚠️	人类细胞系占 73.5%，物种偏倚未专门讨论
15	局限性声明	✅	description 页明示不收录范围
16	伦理声明	⚠️	细胞系伦理（如 HeLa 的知情同意史）不在库内讨论
17	隐私保护	✅	不涉个体级数据；性别年龄为聚合标签
18	使用建议	✅	FAQ + 教育材料
19	引用规范	✅	指定 Bairoch 2018 为引用文献
20	维护承诺	✅	稳定版本节奏（约 4 个月）+ 三体系认定
21	社区治理	✅	有 Scientific Advisory Board
22	错误报告机制	✅	公开 contact + name_conflicts 文件
23	下游兼容	✅	117 个资源的交叉引用
24	可复现性	✅	版本号 + 全量快照 + 撤销表

评估总结：24 项中 19 项完全满足、5 项部分满足（标注者信息、缺失值标记、物种偏倚讨论、伦理讨论），无硬伤。核心短板集中在元数据管理细节（标注者、缺失标记）与领域性讨论（物种偏倚、细胞系伦理史），而非数据本身质量。

7.8 外部验证矩阵

验证维度	外部依据	结论
机构权威	SIB 瑞士生物信息研究所（Expasy 运营方）	✅
国际认定	GCBR + ELIXIR Core + IRDiRC	✅ 三体系
同行评议	J. Biomol. Tech. 29:25-38 (2018)，PMC5945021	✅
领域采纳	DepMap / GDSC / Cosmic / Cell Model Passport 均以其为参照	✅
标准对齐	CLO / UBERON / NCIt / ORDO / MeSH	✅
可持续性	17 年持续发布（首版 2009 前后起算），版本 57	✅
独立性	与 ICLAC 协作但非同一机构，互不背书	✅

§8 版本与生态

8.1 版本节奏

版本	日期	说明
56	2026-06	上一版
57	2026-10-22	当前版本，新增 56 条、更新 202 条

节奏约为每 4 个月一个版本。这个频率对一个已接近饱和的名录库是合理的：细胞系种类本身增长缓慢，主要工作是内容更新而非扩容。

8.2 生态位：为什么它是「连接件」而非「终点」

把细胞系相关的数据资源按"信息层级"排一下，Cellosaurus 的位置就很清楚：

第 4 层  测量值     DepMap（增殖/依赖）、GDSC（药敏）、CCLE（表达）
                      ↑ 用 CVCL 号关联
第 3 层  派生注释   Cell Model Passport（模型元数据）、Cosmic（突变）
                      ↑ 用 CVCL 号关联
第 2 层  身份登记   ←←←  Cellosaurus（本文）  →→→
                      ↑ 用 CVCL 号关联
第 1 层  原始数据   GEO、ArrayExpress、EGA、PRIDE、BioSamples
                      ↑ 样本名里的细胞系名
第 0 层  命名混乱   "HeLa" / "HELA" / "He La" / "HeLa-CCL2" / ATCC CCL-2

Cellosaurus 解决的是第 0 层到第 2 层的问题：把混乱的名称归一成稳定的号，把身份关系（同源、衍生、污染）登记下来。上面三层的数据它一概不存。

这个定位决定了它不可替代：没有任何一个下游库愿意承担命名归一 + 误认裁定的责任，因为这是纯策展工作，不产出新数据，学术回报低。Cellosaurus 做了这件事，所以所有下游库都省了。

8.3 一次典型的数据整合流程

以"把 GDSC 药敏数据与 CCLE 表达数据按细胞系合并"为例，Cellosaurus 在其中的位置：

1. 从 GDSC 取药敏表         → 含 cell line name 列
2. 从 CCLE 取表达表         → 含 cell line name 列
3. 两边名字对不上            → 这是必经的痛点
4. 用 Cellosaurus API 归一   → 每边名字 → CVCL 号
5. 按 CVCL 号 join          → 得到合并表
6. 用 Problematic 标注过滤   → 剔除身份有问题的细胞系
7. 得到可用表

第 6 步是最容易被跳过、也最应该做的一步。跳过它的代价是：合并表里可能包含数十个身份错误的细胞系，而下游分析的所有结论都建立在这个错误之上。

8.4 历史沿革：从一个内部词表长成国际标准

Cellosaurus 的起点比多数人以为的要小。

它最初是 Amos Bairoch 为 neXtProt 知识库准备的一份细胞系受控词表——只是为了让 neXtProt 里的细胞系字段有个统一写法，属于内部工具。但很快发现：这个需求不是 neXtProt 一家的。做细胞系研究的人、卖细胞系的机构、整合数据的生物信息学资源，各自都在维护自己的细胞系名单，互不相通。

于是范围扩张了。从内部词表变成公开知识资源，从只登记名称变成登记关系，从只服务一个库变成服务 117 个库的公共参照。

这条路径有个值得注意的特征：它是被需求推着长的，不是先设计好架构再实现。这解释了今天看到的一些结构特点——比如 CC 行承载二十余种语义却共用一个前缀，看起来不够规整，但这是渐进扩展的自然结果，且这种"向后兼容的追加"恰好保住了历史数据的可用性。

2018 年 Bairoch 在 J. Biomol. Tech. 发表的方法学论文是这个资源从"工具"变成"可引用基础设施"的转折点——有了正式引用文献，才可能在论文里要求"细胞系名称请使用 Cellosaurus 登录号"。

8.5 为什么这种"低回报工作"能持续

一个值得思考的问题：命名归一与误认裁定，学术回报极低——不发新数据，不做新方法，产出的是"清理"。为什么 Cellosaurus 能持续 17 年？

三条支撑：

第一，机构承载。 SIB 瑞士生物信息研究所是国家级生物信息基础设施，Expasy 是其运营的长期平台。这类机构的考核标准与高校院系不同，允许长期维护型项目存在。

第二，三层认定带来的资源正当性。 GCBR、ELIXIR Core、IRDiRC 三个认定不仅是荣誉，也是向资助方证明"这个资源不可替代"的依据。没有这层认证，纯策展项目很难在经费竞争中存活。

第三，下游依赖形成的刚性。 DepMap、GDSC、Cosmic、Cell Model Passport 都以 CVCL 为外键。一旦 Cellosaurus 停更，这些库的细胞系维度会逐渐失准。被依赖本身构成了持续投入的理由。

这三点对理解其他基础数据库的生存逻辑同样适用：一个数据库能否长期存在，往往不取决于技术质量，而取决于它是否被嵌进了别人的工作流。

§9 使用指引

9.1 三种角色的使用路径

你是	建议路径
实验研究者	用网页检索 + CLASTR 质控；每次启用新细胞系前查一次 Problematic
数据工程师	用 FTP 全量 cellosaurus.txt 建本地库；API 只用于增量查询；把 deleted_ACs.txt 纳入同步流程
生信分析师	用 API 做 join 前的名称归一；用 CC Omics 字段筛可用数据；用本体字段做特征工程

9.2 名称归一的最小实现

import urllib.request, urllib.parse, json

def to_cvcl(name: str) -> str | None:
    """把任意写法的细胞系名归一为 CVCL 号；查不到返回 None"""
    q = urllib.parse.quote(name)
    url = f"https://api.cellosaurus.org/search/cell-line?q={q}&format=json&rows=1"
    with urllib.request.urlopen(url, timeout=30) as r:
        d = json.load(r)
    items = d.get("Cellosaurus", {}).get("cell-line-list", [])
    if not items:
        return None
    for acc in items[0].get("accession-list", []):
        if acc.get("type") == "primary":
            return acc["value"]
    return None

这段代码的关键在第 3 行的 rows=1：Cellosaurus 的检索是模糊匹配（MDA-MB-435 会返回 26 条结果），只取第一条意味着必须人工确认映射是否正确。批量归一化时建议保留原始名与匹配分，供人工抽检。

9.3 建本地索引的建议

全量 cellosaurus.txt 117 MB，平线格式。建议用三级索引：

索引	键	用途
主索引	CVCL 号	主键查询
名称索引	归一化后的名称（小写、去空格/连字符）	名称 → CVCL
交叉引用索引	(资源名, 外部 ID)	ATCC CCL-2 → CVCL_0030

第三级索引最容易被忽略，但在做跨库整合时最有用——它让你能从任何外部库的 ID 直接跳到 CVCL。

9.4 与其他"元数据库"在 AI 流程中的分工

把 AI 数据准备流程拆成五段，各类元数据库的分工就清楚了：

阶段	要解决的问题	主力资源
1 采集	原始数据从哪来	GEO、ArrayExpress、EGA、PRIDE
2 归一	样本名、细胞系名怎么统一	Cellosaurus（细胞系）、Uberon/CL（解剖与细胞类型）
3 质检	哪些样本不可信	Cellosaurus（身份）、ICLAC（误认）、各库自身的质控标记
4 标注	标签从哪来	各领域标注数据集、本体（NCIt/ORDO/MeSH）
5 训练	模型与评估	框架与基准

Cellosaurus 独占第 2 段与第 3 段的一部分，且这两段恰好是最容易被跳过、也最难补救的。

跳过第 2 段的后果是 join 失败或静默丢样本——两个库的细胞系名对不上，用 inner join 会丢掉大量数据，用 fuzzy join 会引入错配。跳过第 3 段的后果更隐蔽：模型训练成功、指标好看，但训练集里混着标签错误的样本，泛化到真实场景时性能塌陷，且极难定位原因。

这也回答了一个常见疑问：为什么花时间接一个"只是名字"的库值得。因为它省掉的是下游最难排查的一类问题。

§10 AI 使用声明

项目	声明
数据性质	策展知识库（文献抽取 + 本体对齐 + 交叉引用），非原始测量数据
可否直接用于训练	可作为元数据/特征源与实体对齐表；不可作为独立训练集
建议用途	名称归一、实体对齐、质控过滤、本体特征工程、细胞系关系图谱构建
不建议用途	用文献数或交叉引用数做"研究热度"计量；把"未标注 Problematic"当作身份可信
伦理注意	HeLa 等细胞系的获取史涉及知情同意争议，本库不讨论此议题，用于教学或公共传播时需另行说明
引用要求	Bairoch A. The Cellosaurus, a Cell Line Knowledge Resource. J. Biomol. Tech. 29:25–38 (2018). DOI: 10.7171/jbt.18-2902-002
版本标注	引用时须注明版本号（当前 Release 57）与日期（2026-10-22），因条目内容逐版变化
页面状态	published

常见误读（避坑清单）

常见说法	实际情况	证据
“Cellosaurus 是个细胞系表达数据集”	它不含任何表达值，只有细胞系身份与关系；表达数据在 CCLE/GEO	description 页 scope 说明
“没标 Problematic 就说明这株细胞没问题”	标注依赖已发表证据，且 STR 只覆盖 6% 的细胞系	release notes: 10,080 / 169,026
“Cellosaurus 收录所有实验用细胞”	明确不收录原代细胞（已广泛分发的有限寿命系除外）	description 页 exclusion 段
“用文献数能看出哪个细胞系最热门”	官方明示只收建系与鉴定类文献，不追全部使用文献	description 页 references 段
“CVCL 号能看出细胞类型”	编号不含语义，纯序号，避免扩容时重排	编号设计（CVCL_0030=HeLa, CVCL_0004=K562 无规律）
“MDA-MB-435 是乳腺癌细胞系”	已证明是 M14 黑色素瘤衍生物，4 篇文献推翻	CC Problematic 行 + ICLAC-00235
“Cellosaurus 和 CLO 是同一个东西”	Cellosaurus 引用 CLO 术语，CLO 是独立本体；前者是知识库，后者是本体	DR CLO 行存在即说明是引用关系
“数据量 117 MB，很小，不用建索引”	117 MB 是平线文本，解析后需按 CVCL/名称/外部 ID 三级建索引才有查询效率	FTP 目录 Content-Length

FAQ

Q1：Cellosaurus 和 ATCC 目录什么关系？
ATCC 是细胞供应商，Cellosaurus 是知识库。Cellosaurus 通过 DR ATCC; CCL-2 这样的行记录"该细胞系在 ATCC 的目录号是 CCL-2"，但不销售细胞。两者是引用关系。

Q2：CVCL 号和 RRID 是什么关系？
RRID（Research Resource Identifier）是更上层的标识体系，格式如 RRID:CVCL_0030。Cellosaurus 是 RRID 体系在细胞系领域的注册源，Cellosaurus 参与 Resource Identification Initiative（RII）正是为此。

Q3：我想找某细胞系的 RNA-seq 数据，从哪进？
从 Cellosaurus 条目的 DR 行找 ArrayExpress / GEO / ENA 的 accession，再去对应库取数。不要在 GEO 里直接搜细胞系名——拼写变体会漏。

Q4：CLASTR 需要上传原始 STR 文件吗？
支持粘贴等位基因列表或上传文件两种方式。输出的相似度分数需要结合实验室自己的判定阈值使用，CLASTR 本身不给"是/否"结论。

Q5：Cellosaurus 的疾病标签用 NCIt 还是 ORDO？
两者都有，且互补。NCIt 覆盖更广（2,608 个术语），ORDO 专攻罕见病（1,406 个）。罕见病研究优先查 ORDO。

Q6：为什么人类细胞系占了 73.5%？
因为生物医学研究的物种偏倚。这是真实的领域现状反映，不是 Cellosaurus 的筛选偏好——小鼠（18.6%）与大鼠（1.9%）已覆盖主要模式动物。

Q7：能商用吗？
CC BY 4.0 允许商用，只需署名。但注意：Cellosaurus 里的细胞系本身可能有 PAT 等第三方权利限制，那是另一层问题。

Q8：多久更新一次？我要不要每次都同步？
约 4 个月一版。若你的下游分析依赖细胞系数量的精确值，建议每次发版后同步；若只做名称归一，一年同步一次也够。

Q9：API 有速率限制吗？
官方文档未明示硬限制。实测连续请求正常，但批量任务（数千条）建议走 FTP 全量而非 API 循环。

Q10：Cellosaurus 能替代 STR 鉴定吗？
不能。它提供参考 STR 谱供比对，但鉴定本身必须由实验室对自己的细胞做 STR 分型。Cellosaurus 是"对照标准"，不是"检测手段"。

术语表

术语	含义
CVCL	Cellosaurus 的登录号前缀，格式 CVCL_xxxx
细胞系（cell line）	经永生化处理或天然永生、可在体外持续传代的细胞群体
原代细胞（primary cell）	直接取自组织、未永生化、传代次数有限的细胞；Cellosaurus 不收录
STR 谱	短串联重复序列谱，通过检测若干基因座的重复次数形成个体/细胞系特异的指纹
CLASTR	Cellosaurus 官方的 STR 相似度检索工具
ICLAC	International Cell Line Authentication Committee，国际细胞系鉴定委员会
误认细胞系	身份与原声称不符的细胞系，多因交叉污染或标签错误
交叉污染	一株细胞混入另一株并因生长优势取代之
NCI-60	美国 NCI 的 60 株人癌细胞系 panel，广泛用于药敏筛选
Panel	一组为特定研究目的组合的细胞系集合
UBERON	解剖学本体，Cellosaurus 用它标注组织/器官来源
CL / CLO	Cell Ontology / Cell Line Ontology，细胞类型与细胞系本体
NCIt	NCI Thesaurus，美国国家癌症研究所的术语体系
ORDO	Orphanet Rare Disease Ontology，罕见病本体
RRID	Research Resource Identifier，跨资源的研究资源标识体系
平线格式	plain-flat-file，以两字母前缀行组织的文本格式，EMBL/GenBank 风格
CALIPHO	SIB 下属的计算机与蛋白组学组，Cellosaurus 的维护团队
GCBR	Global Core Biodata Resource，全球核心生物数据资源认定
ELIXIR Core Data Resource	欧洲生命科学基础设施的核心数据资源认定
IRDiRC	International Rare Diseases Research Consortium，国际罕见病研究联盟

附录 A：条目信息速查卡

项	值
名称	Cellosaurus
当前版本	Release 57
发布日期	2026-10-22
细胞系总数	169,026
人/小鼠/大鼠	124,299 / 31,364 / 3,265
物种数	904
同义词	128,560
交叉引用	473,381 条 / 117 个资源
文献	169,524 条引用 / 29,992 篇
STR 谱	10,080 个细胞系 / 969 个来源
疾病术语	NCIt 2,608 + ORDO 1,406
登录号格式	CVCL_xxxx
许可	CC BY 4.0
维护机构	SIB / CALIPHO（Geneva）
引用文献	Bairoch A., J. Biomol. Tech. 29:25–38 (2018), DOI 10.7171/jbt.18-2902-002
主站	https://www.cellosaurus.org
API	https://api.cellosaurus.org
FTP	https://ftp.expasy.org/databases/cellosaurus/
Release Info 端点	https://api.cellosaurus.org/release-info

附录 B：全量文件清单

文件	体积	更新于	说明
README	2.0 K	2026-10-22	目录说明
cellosaurus.txt	117 MB	2026-10-22	平线格式主文件
cellosaurus.xml	642 MB	2026-10-22	XML 全量
cellosaurus.xsd	55 K	2026-10-22	XML schema
cellosaurus.obo	113 MB	2026-10-22	OBO 本体格式
cellosaurus_refs.txt	11 MB	2026-10-22	文献引用明细
cellosaurus_xrefs.txt	37 K	2026-10-22	交叉引用清单
cellosaurus_deleted_ACs.txt	3.0 K	2026-10-22	已撤销登录号
cellosaurus_name_conflicts.txt	87 K	2026-10-22	名称冲突登记
cellosaurus_faq.txt	68 K	2026-10-22	常见问题
cellosaurus_relnotes.txt	1.1 K	2026-10-22	版本说明
cellopub.txt	1.2 M	2026-10-22	出版物清单

附录 C：外部资源对照

缩写	全名	与 Cellosaurus 的关系
ATCC	American Type Culture Collection	细胞库，被 DR 引用
DSMZ	German Collection of Microorganisms and Cell Cultures	细胞库，被 DR 引用
ECACC	European Collection of Authenticated Cell Cultures	细胞库，被 DR 引用
JCRB	Japanese Collection of Research Bioresources	细胞库，被 DR 引用
RIKEN / RCB	RIKEN BioResource Center	细胞库，被 DR 引用
DepMap	Cancer Dependency Map	下游测量库，用 CVCL 关联
GDSC	Genomics of Drug Sensitivity in Cancer	下游药敏库，用 CVCL 关联
CCLE	Cancer Cell Line Encyclopedia	下游表达库，用 CVCL 关联
Cosmic	Catalogue Of Somatic Mutations In Cancer	下游突变库，用 CVCL 关联
Cell Model Passport	Wellcome Sanger 的细胞模型元数据门户	平行资源，互为引用
ICLAC	International Cell Line Authentication Committee	裁定机构，误认名录来源
RII	Resource Identification Initiative	RRID 体系的发起方

---

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：

• cosmic — 共享标签：基因组学与多组学 / 变异与注释 / 肿瘤学
• civic — 共享标签：基因组学与多组学 / 变异与注释 / 肿瘤学
• ipd-imght-hla — 共享标签：基因组学与多组学 / 变异与注释 / 知识图谱
• mgi — 共享标签：基因组学与多组学 / 变异与注释 / 知识图谱
• oncokb — 共享标签：基因组学与多组学 / 变异与注释 / 知识图谱 / 肿瘤学
• phosphositeplus — 共享标签：基因组学与多组学 / 变异与注释 / 知识图谱 / 肿瘤学
• vdjdb — 共享标签：基因组学与多组学 / 变异与注释 / 肿瘤学
• sequence-ontology — 共享标签：基因组学与多组学 / 变异与注释 / 知识图谱
• cspec — 共享标签：基因组学与多组学 / 变异与注释 / 知识图谱
• alliance-genome — 共享标签：基因组学与多组学 / 变异与注释 / 知识图谱

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。