信息速览

数据集名称Expression Atlas — 重新计算过的公共基因表达数据

数据类型表达矩阵,差异分析结果,样本注释表

规模不直接涉及患者个体（样本级元数据含年龄、性别、疾病等字段，属公开文献与数据库已发布信息）

接入方式欧洲分子生物学实验室-欧洲生物信息研究所（EMBL-EBI）https://www.ebi.ac.uk/gxa

AI 就绪度

INFOBOX — Expression Atlas 一屏速览

维度内容

本质 重新处理过的公共基因表达数据库

维护机构 EMBL-EBI 功能基因组团队

与 GEO 的区别 GEO 存原始数据；Expression Atlas 存统一重算后的可比结果

bulk 规模 4,562 个实验（4,187 差异 + 375 基线），161,199 个 assay

单细胞规模 384 个实验，15,370,362 个 assay

物种覆盖 bulk 67 个 / 单细胞 22 个

技术构成单色微阵列 mRNA 2,921、RNA-Seq mRNA 1,512、蛋白组 123

策展方式生信博士逐条人工核对样本注释

许可 CC BY 4.0（可商用，需署名）

数据出口网站 / FTP 全量 / 两个 JSON 清单 / ZIP 批量

是否需注册 不需要，匿名即可下载

§1 速览：它到底是什么

1.1 一句话定义

Expression Atlas 是一个把别人的原始数据重新算一遍、然后只发布重算结果的公共表达数据库。

这句话里每个词都有分量。它意味着：

你拿到的不是测序原始文件（FASTQ/BAM），而是处理后的表达矩阵与差异结果
这些结果不是作者给的，是 EMBL-EBI 用自己的一套流程重算的
重算的目的只有一个：让不同实验室、不同平台、不同年份的数据可以放在一起比

1.2 它最不可替代的一件事

不是"收录了多少个实验"（4,562 这个数字在 GEO 的数十万条面前不值一提），而是：

它把「跨实验可比」从一个研究课题变成了一份可以直接下载的文件。

GEO 里同一个基因的表达量，来自不同实验室的数据是没法直接比较的——比对工具不同、参考基因组版本不同、归一化方法不同、甚至 log 变换的底数都不同。要把三个实验放在一张图里，你得自己重跑一遍全部流程，还要处理批次效应。

Expression Atlas 做的就是这件事，并且把它标准化了：同一套流程跑所有实验，所以输出之间天然可比。

这条定位带来了一个直接后果，也是全文反复要回到的一点：它和 GEO 不是替代关系，是上下游关系。 GEO 是原料仓库，Expression Atlas 是加工厂。加工厂不生产原料，但它的产品规格统一。

1.3 用一个真实实验把全文串起来

抽象地说"重处理"没有说服力，所以本文用一个可以逐字节核对的真实实验贯穿全篇：

E-GEOD-66698
Liver gene expression profiles of interferon therapy in chronic hepatitis B Patients (mRNA)
物种 Homo sapiens · 单色微阵列 mRNA · 17 个 assay · 1 个对比 · 差异表达
加载 2020-11-27 · 最后更新 2025-01-24 · 芯片 A-AFFY-44（HG-U133 Plus 2.0）

它是慢性乙肝患者接受干扰素治疗后肝组织的表达谱。选它做案例，是因为它同时踩到了这个库四个最容易出错的地方：

章节	看它的哪个侧面	回答什么问题
§2.3	三条同主题实验并存	同一课题为什么会有多条记录
§3.2	记录字段怎么读	一个实验被拆成了哪些可判断的维度
§4.3	FTP 目录下的真实文件	「重处理」到底产出了什么
§5.3	一条命令批量取	不写爬虫怎么拿全一组实验
§7.5	与原文结论的关系	重算结果能不能替代作者结论

1.4 为什么它不是「又一个 GEO」

常见的误解	实际情况
“它是 GEO 的镜像站”	它是加工层。GEO 存原始数据与作者结果，Expression Atlas 存自己重算的结果
“下载下来就是原始数据”	下载到的是表达矩阵、差异统计量、样本注释与富集结果，不含 FASTQ/BAM
“数字和论文里一样”	不一样。流程不同，log2FC 与 p 值都会与原文有差异
“没收录就是这个数据不存在”	只收录经策展的实验，覆盖是选择性的

理解这一点决定了使用方式：要复现别人论文的结论，用原始数据；要做跨实验比较或训练模型的特征源，用它。

1.5 三十秒决策卡

你的处境	Expression Atlas 能帮你什么
想知道某基因在哪些组织/条件下表达	直接查基线实验，看跨组织的表达分布
手上有三份不同实验室的公开数据，想合成一个训练集	用它的重处理结果，绕过自己重跑的流程差异
要一批「疾病 vs 对照」的现成差异基因表	筛 Differential 实验，直接取 log2FC 与 p 值
要做单细胞数据的跨样本比较	用 Single Cell Expression Atlas，15.37M 个 assay 已完成统一处理
需要一个匿名可下载、可商用的表达数据集	CC BY 4.0，无需注册，FTP 直取
要复现某篇论文的图	不要用它，用论文对应的原始数据

1.6 不适合谁

如果你要复现某篇论文的具体数值，Expression Atlas 给不了你。它的 p 值来自统一流程的统计模型，与原文作者用的方法不同。两个数字都对，但它们回答的不是同一个问题。

如果你需要原始测序文件做变异检测、剪接分析、融合基因发现，这里没有。它发布的是基因级表达量，不含读段级别信息。原始文件要去 GEO、ENA 或 ArrayExpress 取。

如果你要的是全量而非精选，也不行。4,562 个实验相对 GEO 的体量是极小的一部分，策展是人工做的，覆盖必然是选择性的。找冷门物种、冷门组织、罕见设计，很可能没有。

如果你的研究依赖最新数据，要有心理准备。bulk 部分的加载高峰在 2015 年（1,615 个实验），2020 年以后新增明显放缓（2023 年仅 122 个）。策展是人力密集的工作，跟不上测序产出的速度。

§2 数据构成与规模

2.1 两套独立的数据集

Expression Atlas 实际上由两个独立站点组成，接口、编号体系、页面结构都不同：

维度	Expression Atlas（bulk）	Single Cell Expression Atlas
地址	`/gxa`	`/gxa/sc`
实验数	4,562	384
assay 总数	161,199	15,370,362
物种数	67	22
实验类型	差异表达 4,187 + 基线 375	以基线为主
主要技术	微阵列 mRNA、RNA-Seq mRNA、蛋白组	10x 各版本、Smart-seq 等
清单接口	`/gxa/json/experiments`	`/gxa/sc/json/experiments`

这两个数字对比很能说明问题：单细胞的实验数只有 bulk 的 8.4%，assay 数却是 bulk 的 95 倍。 一个单细胞实验动辄几十万个细胞，粒度完全不同。做单细胞分析时不要把两边的"实验数"混为一谈。

2.2 assay 的分布比总数更重要

总数容易被误读成"平均每个实验都很大"。实际分布极不均匀：

指标	bulk	单细胞
assay 中位数	12	9,020
assay 最大值	17,350	911,873
前 10 大实验占总量	19.8%	36.5%
前 30 大实验占总量	—	57.8%

三点实际含义：

第一，bulk 的中位数只有 12 个样本。 这意味着半数以上实验的统计功效其实很有限——12 个样本做两组比较，每组 6 个。想筛高功效实验的话，用 numberOfAssays >= 20 就能砍掉一大半。

第二，单细胞侧高度集中。 前 10 个实验（仅占 384 的 2.6%）贡献了 36.5% 的细胞量，前 30 个占了近六成。按"实验"抽样会严重低估大实验的权重，按"assay"抽样又会过度集中于少数几个图谱项目。 做数据集划分时必须先决定用哪种口径。

第三，单细胞侧有 97 个实验（25%）的 assay 数不足 1,000。 这类小实验适合做方法验证或特定细胞类型的精细分析，不适合做跨实验的整合。

2.3 单细胞侧的技术与因素构成

单细胞库的技术分布以 10x 系列为主，但 Smart-seq 类仍占相当比例：

技术	实验数
10xv2	150
smart-seq2	82
10xv3	71
smart-like	44
drop-seq	21
10x5prime	20
seq-well	2
10xv1	1

10x 三代合计 241 个（62.8%），Smart-seq 类 126 个（32.8%）。 这两类技术产生的数据性质差别很大：10x 是高通量、浅测序（每细胞几千 reads），Smart-seq 是低通量、深测序（每细胞百万级 reads）。混在一起做表达量比较会引入强烈的技术偏倚，必须按 technologyType 分层。

因素字段的分布也很能说明单细胞库的用途重心：

实验因素	出现次数
single cell identifier	136
inferred cell type - ontology labels	107
inferred cell type - authors labels	105
organism part	63
disease	47
genotype	46
age	41
cell type	38

值得注意 inferred cell type 出现了两套并列版本：本体标签 107 次、作者标签 105 次。

这个设计的用意很直接：单细胞的细胞类型注释本身就有争议，作者叫"调节性 T 细胞"，本体可能映射到 CL:0000815。两套标签同时保留，等于让使用者自己选口径。做监督学习时这是一对现成的弱标签与强标签——作者标签反映原始判断，本体标签反映标准化后的归类，两者的差异本身就是一个可研究的信号。

2.4 技术构成：微阵列仍占多数

这是很多人没预料到的一点。按官方清单接口统计：

技术类型	实验数	占比
Microarray 1-colour mRNA	2,921	64.0%
RNA-Seq mRNA	1,512	33.2%
Proteomics	119	2.6%
Microarray 1-colour miRNA	5	0.1%
Proteomics differential	4	0.1%
Microarray 2-colour mRNA	1	0.03%

微阵列实验占近三分之二。 这和直觉相反——RNA-Seq 早已是主流，但 Expression Atlas 的历史积累在微阵列时代。原因是加载时间的分布：2015 年一年就加载了 1,615 个实验。

对使用者的实际影响：

做训练集要知道技术混杂。 如果把全部 4,562 个实验当作一个数据集，微阵列与 RNA-Seq 的表达量分布、动态范围、噪声特性都不同，必须显式处理技术类型这个混杂因素。
想只用 RNA-Seq 的话，1,512 个实验也够用。 通过 rawExperimentType 过滤即可（RNASEQ_MRNA_DIFFERENTIAL 1,256 + RNASEQ_MRNA_BASELINE 256）。
蛋白组是意外之喜。 123 个蛋白组实验让这个库不只覆盖转录层，做 mRNA-蛋白一致性分析时可以直接取用。

2.5 一个实验不等于一条记录：三条同主题实验并存

回到 §1.3 的案例。在清单里搜 “hepatitis B” 与 “interferon”，会撞到三条实验：

登录号	描述（节选）	assay	对比数	实验因素	加载 / 更新
`E-GEOD-27555`	Preactivation of the interferon signaling in liver is correlated with non-response…	13	1	response to treatment	2020-04-16 / 2025-01-24
`E-GEOD-54747`	An intrahepatic gene expression signature of enhanced immune activity predicts response…	15	4	immunophenotype, response to treatment	2020-04-16 / 2025-01-24
`E-GEOD-66698`	Liver gene expression profiles of interferon therapy in chronic hepatitis B Patients	17	1	treatment	2020-11-27 / 2025-01-24

三条都是同一类临床问题（慢性乙肝、干扰素应答）、同一物种、同一组织、同一时期加载。如果你只想取一条代表这个课题，会漏掉另外两条里的一半信息。

具体差异值得看清：

E-GEOD-54747 有 4 个对比。这意味着它内部定义了 4 组比较（例如不同应答组之间、不同免疫表型之间），而另外两条各只有 1 个对比。想做多角度分析，这条信息量最大。
实验因素不同。E-GEOD-66698 的因素是 treatment（治疗），另外两条是 response to treatment（治疗应答）。前者适合问"治疗前后变了什么"，后者适合问"应答者和无应答者差在哪"。这是两个不同的问题，因素字段直接告诉了你这条数据能回答哪一个。
三条的最后更新日期都是 2025-01-24（除 66698 也是同日）。这说明它们在 2025 年初被同一轮重处理刷过，输出口径一致——这是好事，跨这三条做合并时不必担心流程版本差异。

由此得出一条检索纪律：不要搜到一个就停手。 按物种 + 组织 + 关键词搜，把同主题的实验全部列出来，再用"对比数"和"实验因素"判断哪条对应你的科学问题。这个动作在 Expression Atlas 里比在 GEO 里更必要，因为它是精选库，同主题并存的实验往往就是同一个课题的不同切面。

2.6 表达量的三种口径

差异实验与基线实验产出的东西完全不同，混用会直接算错：

实验类型	产出	典型文件	能回答的问题
Differential	基因级 log2 fold change、p 值、t 统计量	`<acc>_<array>-analytics.tsv`、`<acc>.g2_g1.genes.log2foldchange.bedGraph`	两组之间哪些基因变了、变得多显著
Baseline	各样本/各条件的表达量（TPM、FPKM、百分位秩）	`<acc>_<array>-normalized-expressions.tsv`、`<acc>-percentile-ranks.tsv`	某基因在某组织/条件下的绝对丰度
共同	样本注释、分析步骤记录	`<acc>.condensed-sdrf.tsv`、`<acc>-analysis-methods.tsv`	每个样本到底是什么、怎么算出来的

一个 4,187 对 375 的比例也说明问题：差异实验是绝大多数（91.8%）。 如果要做"基因在正常组织中的表达图谱"这类基线任务，可用的实验只有 375 个，可选空间比想象中小得多。

2.7 与库内其他表达资源的定位

资源	存什么	与 Expression Atlas 的关系
GEO	原始数据 + 作者提交的处理结果	上游原料仓。Expression Atlas 从这里选料
ArrayExpress	同上（欧洲侧）	上游原料仓
Expression Atlas	统一重算的表达矩阵与差异结果	本条目，加工层
Single Cell Expression Atlas	单细胞的重算结果	同一机构的独立站点（§2.1）
GTEx / TCGA	特定项目内的统一处理后数据	项目内可比，不跨项目
recount3	统一重处理的 RNA-Seq 计数	定位最接近，但只覆盖 RNA-Seq、只到计数层

一句话判断规则：

要原始读段 → GEO / ENA；要跨实验可比的表达矩阵 → Expression Atlas；要特定队列的临床关联 → GTEx / TCGA；要纯 RNA-Seq 的大规模统一计数 → recount3。

§3 记录层：一个实验被拆成了什么

3.1 清单接口是了解全库最快的方式

不需要爬网页。两个 JSON 端点直接给出全库的结构化清单：

# bulk：约 2.6 MB
curl -s -A "Mozilla/5.0" -o gxa_bulk.json \
  "https://www.ebi.ac.uk/gxa/json/experiments"

# 单细胞：约 190 KB
curl -s -A "Mozilla/5.0" -o gxa_sc.json \
  "https://www.ebi.ac.uk/gxa/sc/json/experiments"

3.2 记录里的每个字段怎么读

以 E-GEOD-66698 为例，清单接口返回的对象是：

{
  "experimentAccession": "E-GEOD-66698",
  "experimentDescription": "Liver gene expression profiles of  interferon therapy in chronic hepatitis B Patients (mRNA)",
  "species": "Homo sapiens",
  "kingdom": "animals",
  "loadDate": "27-11-2020",
  "lastUpdate": "24-01-2025",
  "rawExperimentType": "MICROARRAY_1COLOUR_MRNA_DIFFERENTIAL",
  "technologyType": ["Microarray 1-colour mRNA"],
  "numberOfAssays": 17,
  "experimentalFactors": ["treatment"],
  "experimentProjects": [],
  "experimentType": "Differential",
  "numberOfContrasts": 1,
  "arrayDesigns": ["A-AFFY-44"],
  "arrayDesignNames": ["Affymetrix GeneChip Human Genome U133 Plus 2.0 [HG-U133_Plus_2]"]
}

逐字段的实用含义：

字段	值	怎么用
`experimentAccession`	`E-GEOD-66698`	唯一键，也是 FTP 目录名与下载 ZIP 的参数
`species` / `kingdom`	Homo sapiens / animals	物种过滤
`loadDate` / `lastUpdate`	27-11-2020 / 24-01-2025	日期格式是 DD-MM-YYYY，不是 ISO。按字符串排序会错
`rawExperimentType`	`MICROARRAY_1COLOUR_MRNA_DIFFERENTIAL`	最精确的技术+类型联合过滤键
`numberOfAssays`	17	样本数。做样本量筛选靠这个字段
`experimentalFactors`	`["treatment"]`	这条数据能回答什么科学问题，由它决定
`experimentType`	`Differential`	决定产出是差异表还是表达矩阵
`numberOfContrasts`	1	有多少组比较；只有差异实验有这个字段
`arrayDesigns`	`A-AFFY-44`	平台标识。跨平台合并时必须按它分层

两个必须注意的细节：

第一，日期格式是 DD-MM-YYYY。 27-11-2020 是 2020 年 11 月 27 日，不是 11 月 27 日之外的任何解释。直接按字符串比较会得到错误的时间顺序，必须先解析。这是这类欧洲机构接口的常见习惯，与 ISO 8601 相反。

第二，experimentalFactors 是数组，且决定用途。 案例里是 ["treatment"]，另一个实验可能是 ["response to treatment", "immunophenotype"]。数组里有几个因素，就意味着这条数据能做几维的分组分析。只看描述文字判断"这条数据能不能用"很容易错，看这个字段更可靠。

3.3 一个实验在 FTP 上是什么样子

记录只是元数据。真正的数据在 FTP 上，每个实验一个目录：

https://ftp.ebi.ac.uk/pub/databases/microarray/data/atlas/experiments/E-GEOD-66698/

目录里有 20 余个文件，按用途分四类：

类别	文件	内容
样本注释	`E-GEOD-66698.condensed-sdrf.tsv`	每个 assay 的每个特征一行（见 §4.3）
差异结果	`E-GEOD-66698_A-AFFY-44-analytics.tsv`	每基因的 p 值、t 统计量、log2FC
	`E-GEOD-66698.g2_g1.genes.log2foldchange.bedGraph`	基因组坐标轨道格式的 log2FC
富集分析	`.go.gsea.tsv`、`.reactome.gsea.tsv`、`*.interpro.gsea.tsv`	三套本体各自的 GSEA 结果
方法与溯源	`E-GEOD-66698-analysis-methods.tsv`、`.idf.txt`、`.configuration.xml`	处理步骤、原始提交信息、流程配置
质控与可视化	`qc/`、`*_A-AFFY-44-mvaPlot.png`	MA 图等诊断产物

这张表回答了一个常见疑问："重处理"到底重处理了什么？看到 analysis-methods.tsv（处理步骤）与 configuration.xml（流程配置）就明白了——它把每一步都留了档，不是黑箱出一个数字。

3.4 索引目录：按物种、文件类型批量取

FTP 上还有一个 indexes 目录，按不同维度把实验重新组织了一遍：

/pub/databases/microarray/data/atlas/experiments/indexes/
  by-species/
  by-file-type/
  by-experiment-type/

对做批量下载的团队，这个结构比逐个实验目录拼接 URL 可靠得多——它是官方维护的分组视图，不用自己维护映射表。

§4 重处理层：它到底重算了什么

4.1 官方对流程的两句自述

EMBL-EBI 在 About 页把这件事说得很清楚，两句话值得整段引用：

All data are manually curated —— Expression Atlas contains thousands of selected microarray and RNA-sequencing datasets that are manually curated by PhD biologists.

All data are re-analysed using standardised methods —— Expression Atlas has re-analysed more than 3,000 experiments.

这两句是整个数据库的价值来源。第一句说明"选"是人工的（所以覆盖不全但质量可控），第二句说明"算"是统一的（所以输出可比）。

注意第二句里的 “more than 3,000” 是官方页面上的旧数字，接口实测已经是 4,562。这类不一致在长期维护的数据库里很常见——About 页的文字更新频率低于数据本身。 引用规模数据时应以接口为准，并标注取数日期。

这个差异本身也提示了一件事：不要用二手描述里的数字做决策。 论文里的 “more than 3,000”、宣传页上的 “thousands of experiments”、接口返回的 4,562，三个数都对，但只有最后一个能用来做筛选。凡是要写进方法学段落、或要用来判断"我这个研究有没有足够样本"的数字，都应该现取现算，并在文中标出取数日期。读者复现时会去查，届时数字必然又变了。

4.2 流程的三个环节各自解决什么问题

官方描述的重处理流程可以归成三段，每段解决一个具体的不可比来源：

环节	解决什么	若不做会怎样
重新比对 / 探针映射	参考基因组版本不统一、探针注释过期	同一基因在不同实验里对应不同转录本，丰度不可加
归一化	平台间动态范围与背景噪声差异	微阵列与 RNA-Seq 的表达量分布无法对齐
统一统计模型	各家自选的检验方法与多重校正不同	p 值不可比，甚至方向相反

其中第三点最容易被忽略，也是本文要反复提醒的地方：重算后的 p 值与原文的 p 值不是同一个量。它们各自都正确，但来自不同的统计假设。

4.3 看真实文件：重处理的产物是什么

把 E-GEOD-66698 的三个核心文件各看三行，比任何描述都清楚。

（一）差异结果 analytics.tsv —— 每基因一行，给出统计量：

Gene ID             Gene Name   Design Element   g2_g1.p-value  g2_g1.t-statistic  g2_g1.log2foldchange
ENSG00000000003     TSPAN6      209109_s_at       NA             2.50288189761339   0.3
ENSG00000000005     TNMD        220065_at        NA             -0.777896915724733 -0.1

三个观察：

p-value 出现 NA。 这不是数据缺失，而是统计上不可计算——通常是该基因在所有样本中表达量过低、方差为零。直接把 NA 当 0 或当缺失值填补都会引入偏倚，正确做法是显式过滤。
Design Element 是芯片探针 ID（209109_s_at）。 说明重处理保留了平台层的映射关系，可以从基因反查探针。
log2foldchange 保留了 1 位小数（0.3、-0.1）。 在案例文件里精度就是这么粗。做精细的效应量分析时要知道这一点，不要把它当成高精度测量值。

（二）样本注释 condensed-sdrf.tsv —— 每 assay 每特征一行，是长表格式：

E-GEOD-66698  A-AFFY-44  GSM1629354  characteristic  age                        30 year
E-GEOD-66698  A-AFFY-44  GSM1629354  characteristic  clinical information        alanine transaminase levels: 308
E-GEOD-66698  A-AFFY-44  GSM1629354  characteristic  developmental stage         adult   http://www.ebi.ac.uk/efo/EFO_0001272

这个格式是整库最值得学的地方：

长表而非宽表。一行一个"样本-特征"对，所以不同样本可以有不同的特征集合，不需要为了对齐而塞入大量空列。
第五列起是（特征名, 值, 本体映射）。最后那列 http://www.ebi.ac.uk/efo/EFO_0001272 说明这个值被映射到了 EFO 本体。这正是"可比"的技术基础——不同作者对"成人"的写法千差万别，映射到同一个本体 ID 后才能聚合。
clinical information 里是自由文本（alanine transaminase levels: 308）。这类字段是半结构化的，能读出来但需要解析，不能假设所有实验的格式一致。

（三）浏览器轨道 bedGraph —— 把 log2FC 落回基因组坐标：

track type=bedGraph name="'interferon alpha-2b therapy' vs 'none'" description="..." visibility=full
1  778746  810064  0.1
1  825137  859445  -0.1

第一行是 UCSC 轨道声明，name= 里直接写出了对比的两组：治疗组 vs 无治疗组。这个细节很有用——对比的具体含义不只在网页上，也写在文件头里，离线使用时不用回查页面。

4.4 为什么"重处理"比"直接下载作者的矩阵"更适合建模

站在 AI 训练的角度，这个库的价值可以用一张表说清：

问题	用作者提交的结果	用 Expression Atlas 的结果
流程一致性	每个实验一套流程，几乎不可知	全库一套流程，官方文档化
参考基因组版本	可能混用多个版本	统一
归一化口径	五花八门（RMA、TMM、TPM…）	统一
基因 ID 体系	Ensembl / RefSeq / 探针混杂	统一到 Ensembl Gene ID
样本注释	自由文本，质量参差	人工策展 + 本体映射
富集分析	大多没有	每实验预计算 GO / Reactome / InterPro

最后一行常被低估：富集结果是预先算好的，做"基因集层面"的特征工程时可以直接用，省掉一轮 GSEA。

代价也要看清：统一流程意味着失去作者可能做过的最优处理。 如果某个实验的作者用了特别适合该数据的比对策略，Expression Atlas 的重算可能反而不如原文。这是标准化必然的取舍。

4.5 许可：一个少见的可商用生物数据库

这是 Expression Atlas 相对同类资源的一大优势。官方 Licence 页原文：

We are applying the Creative Commons Attribution 4.0 International License for all copyrightable material on our website. This includes the species anatomograms. This means that anyone is free to copy, reuse, display and distribute the images and information on our database, provided you give us credit by citing: Expression Atlas in 2026: enabling FAIR and open expression data through community collaboration and integration (Nucleic Acids Research, 10 December 2025).

要点拆开：

维度	情况
商用	允许
修改与再分发	允许
义务	署名 + 引用指定论文
覆盖范围	网站全部可版权材料，包括物种解剖图
源码	单独以 Apache 2.0 授权（可商用，需保留版权声明与变更说明）
底层原始数据	仍受原始来源（GEO / ArrayExpress）条款约束

最后一行是关键边界：Expression Atlas 自己的加工产物可以自由用，但如果要回头取原始数据，那是另一套条款。 只使用重处理结果的话，CC BY 4.0 已经足够宽松；商业产品里用它做特征源，基本没有法律障碍。

这与 §4 提到的另一类资源形成鲜明对比：不少健康数据库采用"非商业"协议，商业使用需单独授权。做产品时，许可类型比数据量更重要。

§5 检索层：三条实际可用的取数路径

5.1 路径一：网站检索（适合探索）

网站提供按基因查（“我关心的基因在哪表达”）与按实验浏览两种入口。适合定方向，不适合批量。

5.2 路径二：FTP 全量（适合建镜像）

官方下载页明确写了 FTP 是主要途径，并提供了按物种、文件类型、实验类型分组的索引目录（§3.4）。这条路适合需要全量或大子集的团队。

5.3 路径三：命令行 ZIP 批量（推荐）

官方下载页给出的批量方式是一条 curl：

# 一次打包多个实验（把 <accession> 换成真实登录号）
curl -O "https://www.ebi.ac.uk/gxa/experiments/download/zip?accession=E-GEOD-66698&accession=E-GEOD-54747&accession=E-GEOD-27555"

这条命令值得细看：参数名重复出现（accession= 写多次），不是逗号分隔。这是很多批量接口的写法，写成 accession=A,B,C 会失败。

配合清单接口，一个完整的取数脚本很短：

import json, urllib.request, urllib.parse

UA = {"User-Agent": "Mozilla/5.0 (research script; contact: you@example.org)"}

def load_index(url):
    req = urllib.request.Request(url, headers=UA)
    with urllib.request.urlopen(req, timeout=60) as r:
        return json.load(r)["experiments"]

def pick(exps, species="Homo sapiens", etype="Differential", min_assays=15):
    out = []
    for e in exps:
        if e.get("species") != species:
            continue
        if e.get("experimentType") != etype:
            continue
        if int(e.get("numberOfAssays", 0)) < min_assays:
            continue
        out.append(e["experimentAccession"])
    return out

if __name__ == "__main__":
    exps = load_index("https://www.ebi.ac.uk/gxa/json/experiments")
    accs = pick(exps)
    print(len(accs), "个实验入选")
    # 分批打包，避免 URL 过长（每批 20 个）
    for i in range(0, len(accs), 20):
        q = "&".join("accession=" + urllib.parse.quote(a) for a in accs[i:i+20])
        print("https://www.ebi.ac.uk/gxa/experiments/download/zip?" + q)

这段代码做三件事：拉清单、按三个字段筛（物种/类型/样本量）、把入选实验拼成下载 URL。它不下载，只生成链接，把"选什么"和"取什么"分开，便于先审查再执行。

5.4 一条必须遵守的礼貌规则

清单接口一次返回 2.6 MB，全库只有 4,562 条。这个规模不需要高频轮询——它是策展库，不是实时数据流，一周取一次都算频繁。

要长期跟踪更新，正确做法是按 lastUpdate 字段做差集，而不是反复全量拉取：

import json

def new_or_changed(old_file, new_exps):
    try:
        old = {e["experimentAccession"]: e["lastUpdate"]
               for e in json.load(open(old_file))["experiments"]}
    except FileNotFoundError:
        return new_exps, []
    added  = [e for e in new_exps if e["experimentAccession"] not in old]
    changed = [e for e in new_exps
               if e["experimentAccession"] in old
               and old[e["experimentAccession"]] != e["lastUpdate"]]
    return added, changed

lastUpdate 就是官方的变更信号。重处理刷新过的实验会更新这个日期（案例里三条乙肝实验都更新到 2025-01-24，正是同一轮重处理的痕迹）。

§6 与库内条目的关系

6.1 关联图谱

关系	相关资源	关系性质
上游原料	GEO、ArrayExpress、ENA	Expression Atlas 从这些库选料并重处理
同机构平行站	Single Cell Expression Atlas (`/gxa/sc`)	同一流程的单细胞版本，接口独立
功能近邻	recount3	同为统一重处理，但只覆盖 RNA-Seq 到计数层
注释依赖	EFO、GO、Reactome、InterPro	样本本体、三套富集分析的注释源
单细胞生态	Human Cell Atlas、Broad Single Cell Portal	数据来源与门户层，Expression Atlas 提供重处理层

6.2 检索路径建议

你的起点	建议路径
某基因在哪里表达	网站搜基因 → 看基线实验 → 用 percentile-ranks 比较组织间差异
某疾病的差异表达	清单筛 `Differential` + 物种 → 按 `experimentalFactors` 挑合适的分组
建跨实验训练集	拉清单 → 按 `rawExperimentType` 分层 → ZIP 批量取 → 用 `analytics.tsv` 拼表
单细胞跨样本比较	走 `/gxa/sc` 清单接口，注意 assay 量级与 bulk 不可混算

6.3 互链建议

从本条目出发，读者最可能需要的三个方向：

要原始数据做变异/剪接分析 → GEO / ENA
要单细胞的门户与可视化 → Single Cell Expression Atlas、Broad Single Cell Portal
要大规摸统一 RNA-Seq 计数 → recount3

§7 质量评估与局限性

7.0 阅读本节前需要知道的一件事

评价 Expression Atlas 时，最容易犯的框架错位是：用"测序数据库"的标准要求它。

如果按测序数据库看，它的缺陷一目了然：不存原始读段、实验数少、更新慢、没有全量覆盖。

但它不是测序数据库。它的产品是**“已经算好、并且能互相比的表达结果”**。评价它应该用加工层的标准：流程是否透明、口径是否统一、注释是否可靠、许可是否宽松。

这两种框架的差别决定了你会觉得它"数据太少"还是"省了三个月工期"。下面的评估按加工层标准进行。

7.1 优点一：可比性是设计出来的，不是碰巧的

这是它最核心的优点，且难以被复制。可比性来自三件事同时做到：

统一流程（§4.2）
人工策展 + 本体映射（§4.3 里的 EFO 链接）
统一的基因 ID 体系（Ensembl Gene ID 作为主键）

任何一个环节缺失，可比性都会打折。自己拼数据集时最难的正是第三点——把 RefSeq、探针 ID、基因符号统一到一套 ID 上，这件事的工作量常常被低估。

7.2 优点二：流程留痕，不是黑箱

analysis-methods.tsv 记录了处理步骤，configuration.xml 保存了流程配置，*.idf.txt 保留了原始提交信息。这三份文件让"重算"变成可审计的行为。

对比很多"提供处理后数据但不说明怎么处理"的资源，这一点尤其可贵。

7.3 优点三：许可宽松，商用无障碍

CC BY 4.0（§4.5）。在生物医学数据资源里，明确允许商用且只要求署名的并不多。做产品、做 SaaS、做模型训练，这一条能省掉大量法务工作。

7.4 优点四：富集分析预计算

每个实验都带 GO、Reactome、InterPro 三套 GSEA 结果。做基因集层面分析时可以直接用，不必自己重跑一遍富集。

7.5 局限性一：重处理结果不等于原文结论

这是最大的使用风险，必须反复强调。

统一流程的统计模型与作者的可能不同。后果：

log2FC 方向通常一致，但幅度会有差异
p 值不可直接比较，显著性边界附近的基因可能"进出"
少数情况下（批次处理、协变量选择不同）方向也可能反转

实用建议：把 Expression Atlas 当作"跨实验可比的参考层"，不要当作"原文结论的复现工具"。要复现，回原始数据用原作者方法。

7.6 局限性二：覆盖是选择性的，且有年代偏斜

加载时间分布很不均匀：

加载年份	实验数
2015	1,615
2014	822
2019	815
2020	434
2016	298
2023	122

2014–2015 两年占了全库一半以上。这意味着：

新技术、新设计类型的实验可能找不到（策展滞后于产出）
想研究"近三年某领域的数据"很可能没有
模型训练时要注意时间分布，过早的数据占比过高会带来技术代际混杂

物种分布同样偏斜。67 个物种听起来广，但集中度极高：

物种	实验数	占比
Homo sapiens	1,651	36.2%
Mus musculus	1,303	28.6%
Arabidopsis thaliana	633	13.9%
Rattus norvegicus	186	4.1%
Drosophila melanogaster	150	3.3%
其余 62 个物种	合计不足 14%	—

人 + 小鼠占 64.8%，拟南芥单物种占 13.9%。 这种分布不是随机形成的——它反映的是基金投入与研究热度的分布。对做跨物种比较的研究者，这意味着某些物种只有零星几个实验，不足以做任何统计推断。

把三个维度放在一起看，就能看清这个库的真实形状：

维度	集中情况	后果
时间	2014–2015 占 53%	技术代际混杂，新数据稀缺
物种	人 + 小鼠占 65%	冷门物种无法支撑分析
技术	单色微阵列占 64%	与 RNA-Seq 混用需分层

这三点官方都没有系统声明。 它们不是隐藏信息——遍历一遍清单接口就能算出来——但对只查几条记录的使用者，这个形状是不可见的。做跨实验研究前，先自己跑一遍分布统计，比读文档更有用。

7.7 局限性三：两个站点、两套接口

bulk 与单细胞是两套系统：不同 URL、不同 JSON 结构、不同编号语义。想同时用两边，需要写两套解析逻辑。

这不是缺陷，是历史演进的结果，但确实增加了工程成本。统一抽象层要自己做。

7.8 局限性四：规模小，不适合当"大数据"

4,562 个实验听着不少，但相比 GEO 的数十万条是零头。做预训练、做大规模自监督学习，这个库的体量远远不够，它更适合做高质量的特征源或验证集。

7.9 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	✅	About 页明示：提供跨物种、跨条件的表达信息
2	数据来源可溯	✅	每条记录带原始登录号（E-GEOD/E-MTAB），`idf.txt` 保留原始提交
3	采集方法说明	✅	`analysis-methods.tsv` 逐实验记录步骤
4	标注者信息	⚠️	说明由 PhD 生物学家策展，但不披露具体策展人
5	标注一致性	✅	统一流程 + EFO 本体映射 + 固定字段集
6	版本控制	⚠️	有 `lastUpdate` 日期与 release notes，但无正式版本号
7	许可明确	✅	CC BY 4.0 明示，含源码的 Apache 2.0 说明
8	访问方式	✅	网站 + FTP + JSON 清单 + ZIP 批量
9	数据格式规范	✅	TSV 为主，字段固定，bedGraph 遵循 UCSC 规范
10	机器可读	✅	两个公开 JSON 端点；FTP 目录结构规整
11	术语标准化	✅	EFO / GO / Reactome / InterPro 本体
12	缺失值处理	⚠️	用 `NA` 表示统计不可计算，但未集中说明哪些字段可能为 NA
13	样本量披露	✅	`numberOfAssays` 字段精确可查
14	偏倚说明	⚠️	未讨论策展偏倚（物种、年代、技术分布不均）
15	局限性声明	⚠️	无集中式局限说明，散见于 FAQ 与帮助页
16	伦理声明	⚠️	依赖原始研究的伦理审查，站内无集中声明
17	隐私保护	✅	仅公开已发表数据，无直接标识符
18	使用建议	✅	Download、Help、FAQ、教程齐全
19	引用规范	✅	Licence 页给出确切引用文献
20	维护承诺	✅	EMBL-EBI 长期建制，2025 年仍有 NAR 论文
21	社区治理	⚠️	有 GitHub 仓库与建议入口，但无公开治理机制
22	错误报告机制	✅	提供 Support 与 GitHub issue
23	下游兼容	✅	TSV / bedGraph 通用格式，可直接进分析管线
24	可复现性	⚠️	重处理会刷新旧实验，旧版本结果不保留快照

评估总结：24 项中 13 项满足、11 项部分满足、0 项不满足。这是本轮评估中机器学习就绪度较高的一份——没有硬缺陷，部分满足项集中在"版本快照"与"偏倚声明"这类文档化问题上。

核心短板有两个：

无版本快照。 重处理会就地更新（案例里三条乙肝实验都在 2025-01-24 被刷新），旧结果不留档。做可复现研究必须自己存一份用过的文件。
策展偏倚未声明。 物种（人 + 小鼠占多数）、年代（2015 年堆积）、技术（微阵列 64%）三个维度的分布都高度不均，但官方没有系统讨论这对分析的影响。

7.10 外部验证矩阵

验证维度	外部依据	结论
机构权威	EMBL-EBI，欧洲生物信息学核心机构	✅
学术记录	2025-12-10 在 Nucleic Acids Research 发表数据库专文	✅
流程透明	流程配置与步骤文件随每个实验发布	✅
领域采纳	生物信息学界的常用表达参考库	✅
独立性	由 EBI 独立于原始数据作者重算，不依赖作者自评	✅ 相对独立
可持续性	EMBL-EBI 核心资助 + 欧盟项目	✅

"独立性"一项值得特别说明：Expression Atlas 的结论独立于原始作者的结论，因为它自己重算。这在数据质量评估上是个优点——它构成了一层独立验证。但它同时也带来 §7.5 的问题：数值对不上时，你不知道该信谁。

§8 版本与生态

8.1 更新模式：持续刷新，无版本号

Expression Atlas 没有类似 “v57” 这样的版本号。它的状态由两个日期体现：

loadDate：实验首次进入库的时间
lastUpdate：实验最后一次被重处理刷新的时间

官方的 Release notes 页记录每次发布的内容，但主体是"新增了哪些实验"，不是"哪个版本对应哪个状态"。

代价是无法回溯。 若一项研究依赖某次处理结果，必须在取数时把文件存下来。

8.2 为什么它存在：一个很具体的痛点

它的诞生动机写在官方自述里，可以概括成一句：公共表达数据已经很多，但彼此不可比。

这不是学术修辞，是研究者每天都会撞上的实际问题。三个实验室做同一个组织，各自发一篇论文、各交一份矩阵到 GEO。要把它们放在一张图里，就得处理：

参考基因组版本是否一致
归一化方法是否兼容
基因 ID 是否同一套
样本注释里"成人"和"adult"是不是一回事

Expression Atlas 的选择是：不改数据，改处理方式。 所有实验走同一套流程，注释统一映射到本体。问题从"每个研究者自己解决"变成了"由中心机构解决一次"。

8.3 为什么这种模式能持续

三个支撑点：

第一，它是 EBI 的基础设施而非一个课题。 功能基因组团队长期建制，有核心资助与欧盟项目支持。这类不直接产出论文的策展工作，只有放在建制化机构里才活得下来。

第二，与 EBI 的其他资源形成依赖网络。 它消费 ArrayExpress 的原始数据，依赖 EFO 本体、GO 与 Reactome 注释。这些组件本来就是 EBI 在维护的，边际成本被摊薄。

第三，策展产生了不可替代的资产。 4,562 个实验的人工样本注释，是数千人时的工作量累积。即使算力降价、流程开源，这份注释资产也无法快速复制——这是它真正的护城河，不是代码。

8.4 与 Single Cell Expression Atlas 的关系

两者是同一机构的两条产品线，共用策展理念但独立运营：

维度	bulk	单细胞
实验数	4,562	384
assay 数	161,199	15,370,362
物种数	67	22
最新更新	2025-09	2026-04
增长态势	趋缓	活跃

最值得注意的是最后一行：单细胞侧最新更新到 2026 年 4 月，bulk 侧停在 2025 年 9 月。

这反映了一个清晰的信号：机构的投入重心已经移向单细胞。 做长期规划时应当预判——bulk 部分可能进入"维护为主"的状态，新实验进入速度进一步放缓；单细胞侧会持续扩充。

8.5 生态位：加工层的中间位置

原始数据（GEO / ArrayExpress / ENA）
        ↓  人工策展 + 统一重处理
【Expression Atlas / Single Cell Expression Atlas】  ← 本条目
        ↓  可比矩阵 / 差异结果 / 富集结果
下游：跨实验比较、特征工程、模型训练、元分析

这个位置很特殊：它既不是数据的生产者，也不是最终的分析工具。它做的是"把加工标准化"。 理解了这一点，就能理解它为什么规模小却重要——标准化本身是有价值的产出，而且这种价值随数据量增加而上升。

§9 使用指引

9.1 三种角色的路径

你是	建议路径
生物学家（查基因）	网站按基因搜 → 看基线实验的组织分布 → 需要机制线索时看 GSEA 结果
数据工程师（建数据集）	拉两个 JSON 清单 → 按 `rawExperimentType` + `numberOfAssays` + `experimentalFactors` 分层 → FTP 或 ZIP 批量取
模型训练者	用 `analytics.tsv` 拼特征表 → 显式处理技术类型与加载年代两个混杂因子

9.2 一个可复用的筛选流程

1. 拉清单（/gxa/json/experiments）
2. 定物种（species）
3. 定实验类型（Differential 还是 Baseline）
   └ 要"变化"用 Differential，要"丰度"用 Baseline
4. 按技术分层（rawExperimentType）
   └ 微阵列与 RNA-Seq 不要混在一个批次里
5. 按样本量过滤（numberOfAssays）
6. 读 experimentalFactors
   └ 确认它记录的分组正是你要对比的分组
7. 看 lastUpdate
   └ 太旧的实验可能用了过时的参考基因组版本
8. 下载后立刻存档
   └ 无版本快照，下次刷新后旧结果不可得

第 8 步是这份流程里唯一"不技术但最关键"的一步。Expression Atlas 会刷新实验，刷新后的结果覆盖旧结果。

9.3 许可合规检查清单

#	检查项	说明
1	是否署名	CC BY 4.0 要求署名
2	引用哪篇	Licence 页指定的 NAR 论文（2025-12-10）
3	是否商用	允许
4	是否修改	允许，但须标明修改
5	底层原始数据	若回取 GEO/ENA 原始文件，适用其各自条款
6	物种解剖图	同样覆盖在 CC BY 4.0 内，可复用

9.4 在 AI 数据准备五段流程中的位置

阶段	Expression Atlas 的作用
1 采集	部分作用：省去从 GEO 挑料的环节
2 归一	主要作用：归一化已完成，可直接用
3 质检	部分作用：有质控图与 p 值，但无统一质量评级
4 标注	主要作用：样本注释已策展并映射到本体
5 训练	不涉及

它集中在第 2、4 两段——这恰好是自己搭管线时最耗时的两段。

9.5 常见误区与纠正

常见做法	问题	正确做法
把它当作 GEO 的替代	它只收录策展过的子集	找全量去 GEO，要可比性来这里
用它的 p 值复现原文	统计模型不同	复现用原始数据
把 `NA` 当 0 或均值填补	`NA` 是统计不可计算	显式过滤或单独建模
按日期字符串排序	格式是 `DD-MM-YYYY`	先解析成日期对象
混用 bulk 与单细胞的"实验数"	粒度量级完全不同	分别统计，标注清楚
下载后不留本地副本	无版本快照	取数即存档，记录 `lastUpdate`

§10 AI 使用声明

项目	声明
数据性质	已重处理的表达矩阵与差异统计结果，非原始读段
可否直接用于训练	可以，尤其适合作为验证集或跨实验一致的特征源
建议用途	跨实验比较、基因表达特征工程、样本注释本体映射、富集特征
不建议用途	预训练级大规模语料；复现原文数值；变异/剪接分析
伦理注意	仅含已发表公开数据；样本注释含年龄、性别、疾病字段，敏感场景仍需评估
引用要求	引用 Licence 页指定文献（NAR, 2025-12-10），并标注取数日期
版本标注	无版本号，须记录 `lastUpdate` 并自行存档
页面状态	published

常见误读（避坑清单）

常见说法	实际情况	证据
“Expression Atlas 是 GEO 的镜像”	它是重处理加工层，不存原始读段	FTP 目录只有 TSV/bedGraph/质控图，无 FASTQ/BAM
“下载的数据就是作者提交的”	全部由 EBI 用统一流程重算	About 页：All data are re-analysed using standardised methods
“p 值和论文里一样”	统计模型不同，p 值不可直接比较	`analytics.tsv` 的 p 值由统一流程产出
“4,562 个实验覆盖了 GEO 大部分”	相对 GEO 数十万条是极小比例，且人工策展	About 页：selected datasets，manually curated
“它收录全量公共表达数据”	只收录策展过的实验	loadDate 分布显示 2015 年堆积 1,615 个
“微阵列已是少数”	单色微阵列 mRNA 占 64%（2,921/4,562）	清单接口 `technologyType` 统计
“bulk 与单细胞是同一个库”	两个独立站点、两套接口与编号	`/gxa` 与 `/gxa/sc`，JSON 结构不同
“日期可以直接排序”	格式为 `DD-MM-YYYY`	`"loadDate": "27-11-2020"` 即 2020-11-27
“`NA` 表示数据缺失”	表示统计量不可计算（常见于低表达基因）	`analytics.tsv` 中低表达基因 p 值为 `NA`
“下载后随时能再取到同样的文件”	重处理会就地刷新，无版本快照	三条乙肝实验的 `lastUpdate` 均被刷新到 2025-01-24
“研究用途不能用”	CC BY 4.0 允许商用，只需署名	Licence 页明示 Creative Commons Attribution 4.0

FAQ

Q1：Expression Atlas 和 GEO 到底怎么分工？
GEO 是原料仓（存原始数据与作者结果），Expression Atlas 是加工厂（存统一重算结果）。找数据来 GEO，要可比性来这边。

Q2：4,562 个实验算多还是少？
相对 GEO 少，作为精选加工层够用。它的价值不在数量，在口径统一。

Q3：为什么微阵列还占 64%？
历史积累。2014–2015 两年加载了近 2,400 个实验，那是微阵列时代的尾声。之后 RNA-Seq 才成为主流。

Q4：能商用吗？
可以。CC BY 4.0，署名并引用指定论文即可。底层原始数据另算。

Q5：需要注册或申请吗？
不需要。网站可匿名浏览，FTP 与 ZIP 批量下载都不需要账号。

Q6：有 API 吗？
有两个公开 JSON 清单端点（bulk 与单细胞各一个），但没有查询型 API（不能按基因查表达值）。单实验数据走 FTP 或 ZIP。

Q7：一次能下载多少个实验？
官方给的 curl 支持多个 accession= 参数。建议每批 20 个左右，避免 URL 过长。

Q8：它收录的数据会不会被删？
实验一般不会删除，但会被重处理刷新。刷新后旧版本结果不再可得，所以必须自己存档。

Q9：NA 的 p 值该怎么处理？
那是统计不可计算（多为低表达基因）。直接过滤掉最安全；若必须保留，需要显式建模为"无信息"，不能当 0。

Q10：单细胞的 15,370,362 个 assay 是什么意思？
assay 是样本-测量的最小单位，在单细胞里通常对应一个细胞或一个液滴。它和 bulk 的 161,199 个 assay 不是同一量级的概念。

Q11：为什么单细胞实验只有 384 个，却更有前景？
投入重心已转移。单细胞侧最新更新到 2026-04，bulk 侧停在 2025-09。

Q12：能用来做模型预训练吗？
体量不够。更适合做验证集、特征源，或跨实验一致性的对照组。

术语表

术语	含义
Expression Atlas	EMBL-EBI 的表达数据库，本文条目
Single Cell Expression Atlas	同机构的单细胞版本，独立站点 `/gxa/sc`
EMBL-EBI	欧洲分子生物学实验室-欧洲生物信息研究所
GEO	Gene Expression Omnibus，NCBI 的公共表达数据仓库
ArrayExpress	EBI 的同类公共数据仓库
assay	样本-测量的最小单位；单细胞中常对应一个细胞
Baseline experiment	基线实验，产出各条件的表达量
Differential experiment	差异实验，产出组间 log2FC 与 p 值
contrast	一次组间比较；一个实验可含多个对比
SDRF	Sample and Data Relationship Format，样本注释表格式
condensed-sdrf	压缩成长表的 SDRF，一行一个样本-特征对
EFO	Experimental Factor Ontology，实验因素本体
GSEA	基因集富集分析
log2FC	log2 倍数变化
TPM / FPKM	常用的表达量归一化单位
bedGraph	UCSC 的基因组数值轨道格式
recount3	统一重处理的 RNA-Seq 计数资源
DAIMS	数据集文档化框架，本文用于评估

附录 A：条目信息速查卡

项	值
名称	Expression Atlas
中文	基因表达图谱 / 表达图谱数据库
维护机构	EMBL-EBI 功能基因组团队
地址	https://www.ebi.ac.uk/gxa
单细胞站	https://www.ebi.ac.uk/gxa/sc
FTP	https://ftp.ebi.ac.uk/pub/databases/microarray/data/atlas/experiments/
bulk 实验	4,562（4,187 差异 + 375 基线）
bulk assay	161,199
bulk 物种	67
单细胞实验	384
单细胞 assay	15,370,362
单细胞物种	22
许可	CC BY 4.0（源码 Apache 2.0）
是否需注册	否
API	仅两个 JSON 清单端点
引用	Expression Atlas in 2026, NAR, 2025-12-10

附录 B：技术类型速查

technologyType	rawExperimentType	实验数
Microarray 1-colour mRNA	`MICROARRAY_1COLOUR_MRNA_DIFFERENTIAL`	2,921
RNA-Seq mRNA	`RNASEQ_MRNA_DIFFERENTIAL`	1,256
RNA-Seq mRNA	`RNASEQ_MRNA_BASELINE`	256
Proteomics	`PROTEOMICS_BASELINE`	118
Microarray 1-colour miRNA	`MICROARRAY_1COLOUR_MICRORNA_DIFFERENTIAL`	5
Proteomics differential	`PROTEOMICS_DIFFERENTIAL`	4
Proteomics	`PROTEOMICS_BASELINE_DIA`	1
Microarray 2-colour mRNA	`MICROARRAY_2COLOUR_MRNA_DIFFERENTIAL`	1

附录 C：案例实验的文件清单

E-GEOD-66698（慢性乙肝干扰素治疗肝组织表达谱，17 assay，1 对比）

文件	用途
`E-GEOD-66698_A-AFFY-44-analytics.tsv`	差异结果（p 值、t 统计量、log2FC）
`E-GEOD-66698.condensed-sdrf.tsv`	样本注释长表
`E-GEOD-66698_A-AFFY-44-normalized-expressions.tsv`	归一化表达量
`E-GEOD-66698-percentile-ranks.tsv`	百分位秩
`E-GEOD-66698.g2_g1.genes.log2foldchange.bedGraph`	log2FC 基因组轨道
`E-GEOD-66698.g2_g1.go.gsea.tsv`	GO 富集
`E-GEOD-66698.g2_g1.reactome.gsea.tsv`	Reactome 富集
`E-GEOD-66698.g2_g1.interpro.gsea.tsv`	InterPro 富集
`E-GEOD-66698-analysis-methods.tsv`	处理步骤记录
`E-GEOD-66698-configuration.xml`	流程配置
`E-GEOD-66698.idf.txt`	原始提交信息
`E-GEOD-66698_A-AFFY-44-mvaPlot.png`	MA 质控图

维度	内容
本质	重新处理过的公共基因表达数据库
维护机构	EMBL-EBI 功能基因组团队
与 GEO 的区别	GEO 存原始数据；Expression Atlas 存统一重算后的可比结果
bulk 规模	4,562 个实验（4,187 差异 + 375 基线），161,199 个 assay
单细胞规模	384 个实验，15,370,362 个 assay
物种覆盖	bulk 67 个 / 单细胞 22 个
技术构成	单色微阵列 mRNA 2,921、RNA-Seq mRNA 1,512、蛋白组 123
策展方式	生信博士逐条人工核对样本注释
许可	CC BY 4.0（可商用，需署名）
数据出口	网站 / FTP 全量 / 两个 JSON 清单 / ZIP 批量
是否需注册	不需要，匿名即可下载