Inflammation Atlas — 首个炎症细胞图谱：634 万 PBMC / 1,047 例患者 / 19 种疾病

INFOBOX — Inflammation Atlas 一屏速览

维度	内容
本质	首个以"炎症"为对象的跨疾病外周血单细胞图谱（非健康参考图谱、非单一疾病队列）
团队	CNAG（巴塞罗那）单细胞基因组学组 + EPFL；通讯 Holger Heyn、Juan C. Nieto
论文	Nat Med. 2026;32(2):633-644，在线 2026-01-12，doi:10.1038/s41591-025-04126-3
数据	>650 万 PBMC 总口径；过滤后 6,340,934；Main 图谱 4,435,922；1,047 例患者；19 种疾病
疾病分组	IMIDs 7 / 急性 1 / 慢性炎症 3 / 感染 4 / 实体瘤 4
注释	Level 1 = 15 个免疫谱系；Level 2 = 64 个细胞亚群
模型	scVI/scANVI 生成式整合 + XGBoost + d-SHAP 可解释分类
分类性能	未见患者 BAS 0.95 / WF1 0.98；未见研究骤降至 0.12 / 0.23
公开形态	处理后矩阵 CC BY 4.0 · Zenodo 22.0 GB；原始测序 GSE248688 公开 + EGA 受控
代码	MIT · GitHub Inflammation-PBMCs-Atlas
库内定位	与 tabula-sapiens（健康参考）互补，非替代；cima（免疫图谱挑战）的外部数据源
一句话风险	"生成式 AI"指变分生成模型而非大语言模型；"公开"须区分处理后矩阵与 EGA 受控原始数据

§0 导读：这个数据集解决什么问题

炎症是几乎所有疾病谱系的公共语言：感染会发炎，自身免疫病会发炎，肿瘤微环境同样被炎症重塑。然而在单细胞层面，科学界长期面对的是**“一种疾病、一篇论文、一个队列”**的碎片化图景——每个研究各自定义细胞类型、各自做批次校正、各自的差异表达清单，跨疾病之间既无法并表，也无法比较"同一群 CD8 T 细胞在狼疮和流感里到底谁更兴奋"。

Inflammation Atlas 的做法是把这些碎片拉到同一张坐标系上：把 1,047 例患者与健康对照的外周血单个核细胞（PBMC）统合进一个 scANVI 潜空间，用统一的 Level 1 / Level 2 两级注释（15 谱系 / 64 亚群）重新刻画 19 种疾病，再在这个共同空间里做三件事——(1) 用 21 个炎症基因签名量化"每种病、每类细胞"的炎症活性；(2) 用 XGBoost + d-SHAP 找出区分疾病的判别基因；(3) 训练一个可以把新患者投影进来并给出疾病预测的分类器。

它的野心不止于"又一个大图谱"。论文的落点是 “把细胞本身当作生物标志物”（cells as living biomarkers）：血液循环中的免疫细胞携带它所经过组织的疾病指纹，若能在单细胞分辨率上读出这些指纹，就有望形成一种跨病种的、不需要预先知道病灶在哪里的"通用诊断底座"。CNAG 已在新闻稿中把这项工作的下一步定名为"临床原型化阶段"（clinical prototyping）。

导语读法三则：

1. 只想拿数据：直奔 §6——Zenodo 上的处理后矩阵是当天可下的 CC BY 4.0 直链（22.0 GB），原始 FASTQ 则要看批次：SCGT01/02/03/04/06 在 GEO 公开，SCGT00/SCGT00val/SCGT05 在 EGA 受控。
2. 关心"能不能用来做诊断"：直奔 §5——注意 0.95 与 0.12 这对数字：同一套方法在"未见患者"与"未见研究"之间差了一个数量级，这是全篇最重要的诚实性证据。
3. 做方法学对比：直奔 §7 与 §9——它和 tabula-sapiens、CIMA 不是竞争关系，三者的分工是"健康参考 / 免疫细胞类型识别基准 / 跨疾病炎症状态图谱"。

§1 数据集速览：十二问十二答

Q1：Inflammation Atlas 到底是什么？
一个跨 19 种疾病的外周血单细胞转录组图谱，加上在其上训练的整合模型（scANVI）、炎症签名打分体系、可解释分类器（XGBoost + d-SHAP）。它同时是数据资源（Zenodo/GEO/EGA）、方法论文（Nature Medicine）和诊断概念验证（cells as biomarkers）三合一的产物。

Q2：为什么叫"首个炎症细胞图谱"？
CNAG 官方新闻的措辞是 “the first cellular atlas of inflammation”（首个炎症细胞图谱）。"首个"的限定语是 of inflammation——此前已有大量健康人参考图谱（Tabula Sapiens、HCA）和单一疾病图谱，但没有一张以"炎症"为组织原则、把感染/自身免疫/肿瘤并置的跨疾病图谱。这是一个组织原则上的首创，不是样本量上的首创。

Q3：细胞数到底是 650 万、634 万还是 443 万？
三个口径同时存在于论文里，必须分开读：

• >6.5M：摘要与引言的总口径（含过滤前）；
• 6,340,934：QC 过滤后全部细胞（main + validation + external）；
• 4,435,922：Main 图谱（训练与可视化用的主力集）。
  写论文或做数据卡时只写一个数字是错的——取决于你在说"采集了多少"“剩下多少”“主图谱多大”。

Q4：1,047 是患者数还是样本数？
是患者数（patients）。论文摘要明确写 “from 1,047 patients (56% female, 43% male)”。CNAG 与 PCB 新闻稿把它转述为 “1,000 individuals / 1,000 people, including healthy individuals and patients”，把健康对照也纳入了这个整数——健康对照的精确人数并没有在摘要单列，需要查 Supplementary Table 1 或 Zenodo 的样本元数据。

Q5：19 种疾病都有哪些？
五大组：IMIDs（7）——SLE、RA、PsA、银屑病 PS、UC、CD、多发性硬化 MS；急性（1）——脓毒症；慢性炎症（3）——COPD、哮喘、肝硬化；感染（4）——流感、SARS-CoV-2、HBV、HIV；实体瘤（4）——乳腺癌、结直肠癌、鼻咽癌、头颈鳞癌。另设健康对照（HC）。

Q6：数据是公开的吗？
分层公开，这是本条目最容易被误传的一点：

• 处理后计数矩阵 + scANVI 模型 + 元数据：Zenodo 完全公开，CC BY 4.0（22.0 GB，含三份 h5ad）；
• in-house 原始 FASTQ 与对应处理数据：GEO SuperSeries GSE248688 无限制公开（五个 SubSeries 对应 SCGT01/02/03/04/06）；
• 另三个批次（SCGT00、SCGT00val、SCGT05）的原始测序：EGA 受控访问（EGAS50000000590 / EGAC50000000566），需数据访问委员会审批；
• 复用的公共数据：来自 GEO、SRA、BioStudies、DUOS、Synapse、GSA、CELLxGENE、10x Genomics，按各自原许可。

Q7：论文里说的"生成式 AI"是大语言模型吗？
不是。论文原文是 “generative model”，指 scVI / scANVI 这类变分自编码器式的概率生成模型——它们学习单细胞表达分布的低维潜空间，用于批次校正与标签迁移。CNAG 新闻稿把它写成 “generative AI model”，很容易被媒体读成 LLM。理解这一点，才不会误以为存在一个"会说话的单细胞 GPT"。

Q8：分类器真能诊断疾病吗？
看场景。未见患者（同一批研究里没参与训练的病人）：BAS 0.95 / WF1 0.98，非常准。未见研究（完全来自另一个研究批次）：BAS 0.12 / WF1 0.23，接近随机。论文自己把这称为泛化瓶颈，并把它列为下一阶段要解决的核心问题。所以正确表述是"概念验证（proof of concept）“，不是"可用诊断产品”。

Q9：它和 lupus 有什么关系？
论文与新闻稿都用 SLE 作为生物学落点：干扰素（IFN）信号在狼疮中持续激活，过度刺激免疫系统；图谱定位到非初始（non-naive）CD8 T 细胞是 IFN-I/II 签名的主要承载者，并把这种细胞状态与更严重的疾病形式联系起来。这是"细胞状态而非细胞类型"作为生物标志物的典型案例。

Q10：和 Tabula Sapiens、CIMA 有什么不同？

• Tabula Sapiens：健康人多器官参考图谱，回答"正常细胞长什么样"；本图谱回答"疾病把细胞推到了什么状态"。
• CIMA：免疫细胞类型识别的有标注基准挑战（CEL 任务、官方评分）；本图谱是无竞赛、无官方榜单的疾病状态资源，CIMA 反而可以把本图谱当作额外数据源。
• 三者构成"健康参考 → 类型标注基准 → 跨疾病状态图谱"的递进链条（详见 §9）。

Q11：现在能复现论文吗？
代码 MIT 公开（GitHub Single-Cell-Genomics-Group-CNAG-CRG/Inflammation-PBMCs-Atlas，四个编号目录对应数据处理、细胞注释、下游分析、最终嵌入可视化），数据 CC BY 4.0 直链，元数据完整（chemistry、technology、institute、treatmentStatus、smokingStatus、BMI 等）。限制在于：SCGT00/SCGT05 的原始数据受控，若要重跑 CellRanger 级别流程会缺料；但基于 Zenodo 的 h5ad 重跑下游分析完全可行。

Q12：一句话记住它？
它是把"炎症"从形容词变成坐标系的第一次尝试——19 种病、1047 个人、634 万个细胞落在同一个潜空间里，然后诚实地告诉你：换个研究批次，这套坐标系就会塌。

§2 数据构成与规格

2.1 三份 h5ad：main / validation / external 的分工

Zenodo 仓库（v1，2025-08-25）提供三份 QC 后的计数矩阵，命名统一为 INFLAMMATION_ATLAS_{group}_afterQC.h5ad，分别对应三种数据角色：

文件	角色	规模	用途
INFLAMMATION_ATLAS_main_afterQC.h5ad	Main 图谱	17.2 GB，4,435,922 细胞	训练 scANVI 参考模型、定义 Level 1/Level 2 注释、全部下游生物学分析
INFLAMMATION_ATLAS_validation_afterQC.h5ad	未见患者（unseen patients）	2.5 GB	检验分类器对同研究内新患者的泛化（Scenario 2）
INFLAMMATION_ATLAS_external_afterQC.h5ad	未见研究（unseen studies）	2.1 GB	检验分类器对完全外部研究的泛化（Scenario 3）

三份相加的细胞数为 6,340,934（论文口径），加上被 QC 剔除的质量不达标细胞，即摘要所称"more than 6.5 million"。另有四个辅助文件：scANVI_models.zip（123.4 MB，含 atlas 与 downstream 两套模型）、INFLAMMATION_ATLAS_afterQC_sampleMetadata.csv（149.2 kB）、Supplementary_Table_1.xlsx（114.5 kB）。整包 22.0 GB。

口径提醒：Zenodo 描述里写"main 与 validation 数据集额外过滤了低表达基因（在少于 5 例患者的少于 20 个细胞中计数 <1）"，因此三份 h5ad 的基因维度不完全一致；跨文件合并前必须先对齐 var。

2.2 obs 与 var：一份可以直接用的数据字典

Zenodo 描述给出了完整字段，这里整理成便于检索者建 schema 的表格。

adata.obs（细胞级）：

字段	语义	备注
sampleID	生物学样本唯一 ID	主键候选
libraryID	测序文库 ID	一对多：一个样本可能多个文库
Level1	15 个免疫谱系注释	主数据集人工标注
Level2	64 个细胞亚群注释	同上，排除 Doublets 与 LowQuality_cells
Level1pred / Level2pred	scANVI 投影预测标签	未做人工一致性核查

adata.var（基因级）：

字段	语义
index	ENSEMBL ID
hgnc_id / symbol / locus_group / HUGO_status	HGNC 标准化信息（locus_group 如 protein-coding gene、non-coding RNA）
mt / rb / hb / plt	线粒体、核糖体、血红蛋白、血小板基因标记（QC 指标来源）
n_cells_by_counts / total_counts	基因层面的细胞数与总计数
gene_universe	下游分析使用的 8,253 个基因

样本元数据 CSV（23 列中关键的 16 列）：

字段	取值示例	分析用途
chemistry	3’v2、3’v3、5’v1、5’v2	批次协变量
technology	标准 / HT（高通量）；single / GenoHashed / CellPlex / Hashed	多重化策略，强批次效应来源
patientID	—	患者级聚合、防止同人跨集泄漏
institute	VHIR、IMIM、UMCG、VHIO、Sant Pau、KU Leuven 等	机构批次
disease / diseaseGroup	SLE / IMIDs、Solid Tumors、Infectious、Acute Inflammation、Chronic Inflammation、Healthy	标签与分组
ethnicity	Caucasian、Asian、African American、NA	NA 比例需自查
timepoint_replicate	0/1/2	同一患者的纵向取样
treatmentStatus	Naive / Ongoing / NA	药物混杂的关键字段
sex / age / binned_age	male/female；<18 至 >80 分箱	协变量
BMI	—	代谢混杂
diseaseStatus	COVID_severe / COVID_mild 等	疾病严重度
smokingStatus	smoker / never / former / NA	混杂

这份元数据的丰富度是本图谱相对多数单细胞资源的显著优势：治疗状态、吸烟、BMI、疾病严重度都被显式记录，使得"炎症签名差异是否由用药造成"这类问题在原则上是可检验的——前提是使用者真的去检验。

2.3 细胞注释体系：15 与 64

注释分两级：

• Level 1（15 个细胞谱系）：粗粒度大类，如 T 细胞、B 细胞、NK 细胞、单核细胞、树突状细胞（DC）、浆细胞样 DC（pDC）、浆细胞、血小板、红细胞等免疫与非免疫大类；
• Level 2（64 个细胞亚群）：在谱系内做递归自顶向下聚类得到，覆盖固有免疫与适应性免疫两大部分的细胞状态。

两级标签的生成路径不同，这一点容易被忽视：

1. Main 数据集内，Level 1/Level 2 由免疫学家对各谱系子聚类后依据标记基因人工核对；
2. validation 与 external 数据集不含人工标注，标签由 scANVI 模型投影迁移而来（predict），Zenodo 明示 “No manual checks on the consistency of these annotations were performed”。

因此如果你的研究问题涉及 cross-study 的细胞组成比较，必须先确认你用的是 Level2 还是 Level2pred——前者有人工背书，后者只是模型预测，系统偏差不可忽略。

2.4 基因宇宙为什么是 8,253

8,253 不是全转录组，而是一个并集：高变基因（HVG）∪ 差异表达基因（DEG）∪ 人工整理的炎症相关基因清单。这个设计的含义是——下游所有"炎症签名"与"判别基因"分析都只在 8,253 个基因的空间里进行。

对使用者的直接后果：

• 若你要检验的基因不在 8,253 内，它在 h5ad 里可能存在，但论文的签名打分体系不覆盖它；
• 跨数据集比较时，如果对方用的是全转录组，基因过滤器不同会放大差异；
• 需要在方法学小节明确声明"基因空间 8,253"这一约束，否则复现者会得到不同的签名分数。

2.5 技术异质性：一个刻意的"脏"图谱

论文没有回避批次问题，反而把它当成设计要素：数据同时包含 10x Genomics 3′ v2/v3 与 5′ v1/v2 四种化学、标准与 HT 两种通量、单样本与 GenoHashed/CellPlex/Hashed 三种多重化策略，性别与年龄段也被刻意铺开。

这种"脏"是双刃剑：

• 好处：模型学到的是跨化学、跨机构稳健的信号，这是走向"通用诊断底座"的必经之路；
• 代价：任何未校正的分析都会把化学与多重化差异误读成生物学差异；而一旦过度校正，疾病信号也可能被削平——Scenario 3 的崩塌正是这个张力的量化体现（§5）。

2.6 数据来源的两条腿：in-house 七批次 + 公共复用

in-house 生成（七个研究批次）：

批次	合作机构	疾病/对照
SCGT00	Vall d’Hebron Research Institute（VHIR，DoCTIS 联盟）	RA、PsA、CD、UC、PS、SLE + HC
SCGT00val	同上	SCGT00 的验证补充集
SCGT01	Institut Hospital del Mar d’Investigacions Mèdiques（IMIM）	健康对照
SCGT02	University Medical Center Groningen（UMCG）	哮喘、COPD + HC
SCGT03	Vall d’Hebron Institute of Oncology（VHIO）	乳腺癌
SCGT04	Institut de Recerca Sant Pau	肝硬化
SCGT05	Katholieke Universiteit Leuven（KU Leuven）	结直肠癌
SCGT06	Sant Pau	COVID + HC

值得注意的是：多发性硬化（MS）、脓毒症、流感、HBV、HIV、鼻咽癌、头颈鳞癌这 7 种疾病并不在 in-house 批次表中——它们来自论文复用的公共数据（GEO/SRA/BioStudies/DUOS/Synapse/GSA/CELLxGENE/10x Genomics）。这一点对复现至关重要：19 种疾病里有相当一部分你无法从本项目的原始数据仓库中"从头生成"，只能从 h5ad 里取处理后的细胞。

公共复用：论文 Methods 列出了 8 个公共数据入口（GEO、SRA、BioStudies ArrayExpress、Broad DUOS、Synapse、GSA-Human、CELLxGENE、10x Genomics），并对每个研究采集了临床元数据；其中部分研究重新比对了 FASTQ（remapping），部分直接取计数矩阵。逐研究清单集中在 Supplementary Table 1 Sheet 1（byStudyID），如需精确到"哪种病用了哪个 GSE"，必须查阅该表——本条目不对未核实的逐病来源作断言。

2.7 与库内单细胞资源的规格对照

维度	Inflammation Atlas	tabula-sapiens（rid 329）	cima（rid 32）	scperturb（rid 1102）
组织	外周血 PBMC	多器官	外周血/免疫细胞	扰动实验细胞系
对象	患者 + 对照	健康供体	健康 + 部分疾病	干预前后
组织原则	疾病（炎症）	器官	细胞类型标注任务	扰动（药物/基因）
规模	634 万细胞 / 1,047 患者	约 50 万细胞量级	挑战赛规模	扰动谱规模
主要用途	炎症状态刻画与疾病分类	健康细胞参考	细胞类型识别基准	扰动响应预测
公开形态	Zenodo CC BY 4.0 + GEO/EGA	公开门户	挑战赛平台	公开仓库

这张表的核心结论是：四者不构成替代关系。Tabula Sapiens 提供"正常长什么样"，CIMA 提供"细胞类型识别得多准"，scPerturb 提供"扰动后怎么变"，而 Inflammation Atlas 提供"疾病把细胞推到哪儿"——它补的是疾病维度的组织原则缺位。

§3 生物学发现：炎症在不同疾病间如何变化

3.1 一条从"细胞比例"到"细胞状态"的递进线

论文的生物学分析是按分辨率递进的四层：

1. 细胞比例（Level 1）：疾病是否改变某一大类细胞在血液中的占比；
2. 细胞状态（Level 2）：在同一大类内部，是哪个亚群在变化；
3. 基因签名（21 个通路级签名）：这些变化对应哪些炎症生物学过程；
4. 转录因子与调控网络（GRN）：谁在驱动这些签名。

这条线是理解全篇的钥匙：比例变化是现象，状态与调控才是机制。Inflammation Atlas 最有价值的部分在第三、四层，因为比例变化在既往单病种研究中多有报道。

3.2 比例层：与既有文献互证的"锚点"

论文用 Level 1 的组成分析验证了若干既有认识，这些"锚点"是判断图谱质量的第一道证据：

疾病	观察	与文献关系
SLE	非常规 T 细胞（UTC）、固有淋巴样细胞（ILC）、初始 CD4 T 降低；B 细胞与单核细胞比例升高	与 Perez 等 Science 2022 一致
IBD（UC/CD）	UTC、ILC 降低	与既往 IBD 单细胞研究一致
RA	UTC 降低；单核细胞与 B 细胞比例升高	与既往 RA 研究一致
脓毒症	淋巴细胞减少（lymphopenia）	脓毒症经典特征
HIV	淋巴细胞增多（lymphocytosis）	HIV 感染经典特征

这五个锚点的意义在于：图谱不是在一张白纸上作画，它先复现了已知，再谈新发现。任何一个新图谱如果连这些基本现象都复现不了，后续的"新发现"就不可信。

3.3 签名层：21 个炎症基因签名与它们的分工

研究者把炎症相关分子归并为 21 个基因签名，覆盖：

• 免疫细胞黏附与活化；
• 细胞迁移（趋化因子）；
• 抗原提呈；
• 细胞因子相关信号；
• 以及干扰素（IFN）应答等。

统计上采用线性混合效应模型（LMEM）比较疾病与健康对照，FDR 校正后 P < 0.05。签名活性按细胞类型（Level 1）与疾病两个维度展开为热图，再对全部细胞类型的签名活性做层次聚类，得到疾病间的相似性结构。

跨疾病的核心规律（论文原文归纳）：

• 几乎所有慢性炎症性疾病都上调抗原提呈分子活性，并增强 IFN 诱导信号；
• 病毒感染（流感、COVID）同样升高 IFN 诱导签名；
• HIV 与 HBV 反而降低 IFN 诱导活性——这是一个反直觉但重要的观察，"病毒感染 = 干扰素高"并不是普适规律；
• CRC 与 NPC 呈现经 NF-κB 通路的 TNF 强上调；
• RA、PS、UC、CD 四病出现滤泡辅助性 T 细胞（Tfh）签名在非初始 CD4 T 中的富集——这个四病共有的模式提示循环 Tfh 细胞在这组疾病中的特殊角色；
• 更广泛地看，IMIDs 中初始与非初始 CD4 T 都富集 T 辅助（Th）签名，指向初始 T 细胞朝 Th 驱动的炎症被"提前致敏"（early priming）。

3.4 干扰素轴的细解剖：谁在承载信号

IFN 签名早已被用作自身免疫病活动度的生物标志物，但"哪些免疫亚群在承载这个信号"长期不清楚——而这恰恰决定了治疗该打哪一群细胞。论文的回答是：

1. 先在 IMIDs 中观察到非初始 CD8 T 细胞的 IFN-I 与 IFN-II 活性同时升高；
2. 再逐亚群拆解（Level 2），发现几乎所有非初始 CD8 T 亚群都显著上调，但不同疾病的亚群模式不同；
3. 进一步拆到基因层面，找到最具贡献的基因——图注中以 FGFBP2 与 GZMB 作为 IFN-I/II 签名的代表性基因，展示其在 IMIDs 各亚群与健康对照间的表达差异（点大小表示表达细胞百分比，颜色表示平均表达量）；
4. 用转录因子活性把信号往上追：STAT1 活性在相应细胞类型与疾病中升高，而对照转录因子 SP1 不随之升高——这是一个漂亮的内部阴性对照；
5. 最后在狼疮 flare 与非 flare 患者中比较 STAT1/SP1 活性，把"签名活性"与临床活动度直接挂钩。

这一串分析的落点是：IFN 信号不是一个整体开关，而是由特定 CD8 T 细胞状态承载、可由 STAT1 活性量化、并与疾病发作状态相关的过程。这也解释了 CNAG 新闻稿为何用狼疮作为对外叙事主角——它是"细胞状态即生物标志物"的最佳例证。

3.5 判别基因：d-SHAP 如何把"模型"翻译成"基因"

分类器好用不等于可解释。论文用的是梯度提升树（XGBoost）+ d-SHAP的组合：

• XGBoost 负责在 scANVI 校正后的表达谱上做疾病分类；
• SHAP 给出每个基因对每次预测的贡献值；
• d-SHAP（differential SHAP）把贡献值在"目标疾病 vs 其他"之间做差，得到疾病特异的基因排名。

这条路线产出的是一个"基因 × 细胞类型 × 疾病"的三维排名表，论文将其作为可复用的资源发布。它的方法论价值在于：把黑箱模型的判别依据转成可做生物学解读、可做实验验证的候选基因清单。

3.6 内部对照：性别没有系统性差异

论文专门做了性别分层评估（Scenario 1），结论是男女性别在分类性能上没有统计学显著差异（WF1 分布经 Mann–Whitney U 检验无显著差异）。这是一个重要的"阴性结果"：它说明图谱捕捉的疾病信号不是由性别构成差异驱动的——考虑到队列为 56% 女性 / 43% 男性，这个检验是必要的，也是很多图谱论文省掉的一步。

3.7 生物学发现的边界：五条不该越界的推论

1. PBMC 不含中性粒细胞。作为最丰富的循环免疫细胞与急性炎症主力，中性粒细胞在 PBMC 制备中被丢弃——所以"脓毒症的先天免疫反应"在本图谱里是不完整的。
2. 血液是组织的"二手信息"。循环免疫细胞携带组织指纹，但指纹的强度取决于细胞是否真的到过病灶——对脑、关节滑膜等屏障后部位，推断要格外谨慎。
3. 治疗状态是强混杂。元数据有 treatmentStatus（Naive/Ongoing），但主分析并未按治疗状态分层——“RA 的签名"可能部分反映的是"RA 患者正在用的药”。
4. 横断面设计。除 timepoint_replicate 记录的少量纵向取样外，绝大多数是单时点；无法从本图谱直接推出因果或时序。
5. "首个"是叙事限定。CNAG 的 “first cellular atlas of inflammation” 限定于"以炎症为组织原则"，不意味着此前没有大规模跨疾病免疫细胞研究（如 OneK1K 等 SLE 队列的多供体图谱）——引用时应保留限定语。

§4 数据获取路线：Zenodo、GEO、EGA、GitHub 四扇门

4.1 四扇门的对应关系

门	内容	许可/门槛	可得性
Zenodo	三份 h5ad + scANVI 模型 + 样本元数据 + 补充表（22.0 GB）	CC BY 4.0	当天可下，无需注册
GEO	in-house 原始与处理后数据（SCGT01/02/03/04/06）	GEO 常规公开条款	公开
EGA	SCGT00、SCGT00val、SCGT05 原始测序	受控访问（DAC 审批）	需申请
GitHub	全部分析代码	MIT	公开

关键判断："这个数据集是否公开"的答案取决于你问的是哪一层。 处理后矩阵是完全公开的；原始 FASTQ 是"大部分公开、少数受控"。任何写成"该数据集完全公开"或"该数据集需申请"的表述都只对了一半。

4.2 访问号速查

对象	编号
GEO SuperSeries	GSE248688
SubSeries（SCGT01）	GSE248689
SubSeries（SCGT02）	GSE248695
SubSeries（SCGT03）	GSE248685
SubSeries（SCGT04）	GSE248693
SubSeries（SCGT06）	GSE270165
EGA study（SCGT05）	EGAS50000000590
EGA DAC（SCGT00 / SCGT00val）	EGAC50000000566
Zenodo 数据 DOI	10.5281/zenodo.14851901
论文 DOI	10.1038/s41591-025-04126-3
PMID / PMCID	41526507 / PMC12920142

4.3 Zenodo 下载实操

# 方式一：浏览器直取（推荐，避免 API 限流）
# 打开 https://zenodo.org/records/14851901 ，逐个下载下列文件
#   INFLAMMATION_ATLAS_main_afterQC.h5ad        17.2 GB
#   INFLAMMATION_ATLAS_validation_afterQC.h5ad   2.5 GB
#   INFLAMMATION_ATLAS_external_afterQC.h5ad     2.1 GB
#   scANVI_models.zip                          123.4 MB
#   INFLAMMATION_ATLAS_afterQC_sampleMetadata.csv 149.2 kB
#   Supplementary_Table_1.xlsx                 114.5 kB

# 方式二：按 DOI 解析（Zenodo 支持 DOI 前缀解析到最新版本记录）
# https://doi.org/10.5281/zenodo.14851901

只做元数据探索的最小下载集：Supplementary_Table_1.xlsx + INFLAMMATION_ATLAS_afterQC_sampleMetadata.csv，合计不到 300 kB，就能看清逐研究的样本量、化学版本、机构与临床字段分布。这是最省带宽的第一步。

4.4 加载与检查的最小脚本

import anndata as ad
import pandas as pd

path = "INFLAMMATION_ATLAS_main_afterQC.h5ad"
adata = ad.read_h5ad(path, backed="r")   # 17.2 GB，务必 backed 读

print(adata.shape)                        # (细胞数, 基因数)
print(adata.obs[["sampleID", "libraryID", "Level1", "Level2"]].head())
print(adata.var.columns.tolist())         # hgnc_id, symbol, locus_group, mt, rb, hb, plt ...

# 关键自检：基因宇宙是否 8,253
if "gene_universe" in adata.var:
    print("gene_universe 基因数:", int(adata.var["gene_universe"].sum()))

meta = pd.read_csv("INFLAMMATION_ATLAS_afterQC_sampleMetadata.csv")
print(meta["diseaseGroup"].value_counts(dropna=False))
print(meta["treatmentStatus"].value_counts(dropna=False))
print(meta["institute"].value_counts(dropna=False))

三条自检建议：

1. 按 diseaseGroup 交叉 institute：若某病种几乎全部来自一个机构，该病种的任何"疾病特异信号"都可能是机构批次；
2. 按 treatmentStatus 交叉 disease：Naive 比例最低的病种，其签名解释最需要保留；
3. 核对 Level2 与 Level2pred 的分布差异：若 pred 版本明显坍缩到少数亚群，说明投影模型对该数据集不适配。

4.5 EGA 申请的现实预期

EGA 受控访问意味着：需要提交数据访问申请（Data Access Agreement），由数据访问委员会（DAC，EGAC50000000566）审批，通常需要所属机构签署协议，周期以周计。如果你的研究只需要表达矩阵，完全没有必要走这条路——Zenodo 的 h5ad 已含 QC 后的原始计数。只有在需要重跑 CellRanger 比对、重新做 QC 阈值、或需要原始 FASTQ 做变异/异构体分析时，EGA 才是必需的。

4.6 复用的公共数据的追溯

论文复用了来自 8 个门户的既往数据。这带来一个检索难点：如果你想追溯某个病种（例如脓毒症或鼻咽癌）的数据出处，Zenodo 的 h5ad 只给 sampleID，不给原始 GSE/EGAS/DOI。 唯一的追溯路径是 Supplementary Table 1 的 Sheet 1（byStudyID），其中记录了 studyID、数据生成位置（in-house/公共）、化学版本、原始文献与数据集引用、是否重比对 FASTQ、CellRanger 与参考基因组版本。

引用规范建议：使用本图谱做二次分析时，除引用本论文与 Zenodo DOI 外，若分析聚焦于某个来自公共数据的病种，应同时追溯并引用原研究——这是数据伦理的基本要求，也是审稿人常问的问题。

§5 模型与任务：从整合到患者分类

5.1 三个场景，三种难度

论文把分类任务拆成三个递进场景，这是理解全部性能数字的框架：

场景	训练/测试划分	难度含义	结果（BAS / WF1）
Scenario 1	同一批研究内 5 折交叉验证，held-out samples	同分布，最乐观	0.87 / 0.90
Scenario 2	Main 训练 → unseen patients 测试	同研究、新患者	0.95 / 0.98
Scenario 3	Main 训练 → unseen studies 测试	跨研究、跨机构、跨化学	0.12 / 0.23
Centralized	仅 SCGT00（单中心单化学），按测序 pool 分层留出	单中心但严格留出	0.53（BAS）/ 0.56（WF1）

四个数字放在一起看，故事非常清楚：

1. 同研究内几乎完美（0.95/0.98）——说明信号真实存在，模型能学到；
2. 换研究就崩塌（0.12/0.23）——说明学到的东西里混入了大量研究特异的技术信号；
3. 单中心内部严格留出只有 0.53/0.56——说明即使在理想条件下，"跨 pool 泛化"本身就是难题，0.95 的高分很大程度上得益于同 pool 的相似性。

论文对此的表述是"a path toward a generalizable patient classifier"，并明确提出出路：多中心、多化学的参考训练集，或"大幅增加训练数据的规模与变异"，乃至构建一个抗批次效应的基础模型。

5.2 为什么选 scANVI

整合方法的选择不是拍脑袋，论文做了横向比较：

方法	类型	在本任务中的表现定位
scANVI	生成式（scVI 半监督扩展，用标签信息）	选定方法，Scenario 2/3 中表现最好之一
Harmony / Symphony	线性/参考投影	参与对比，同平台内可竞争
scGen	生成式（VAE + 潜空间向量运算）	参与对比
scPoli	条件式原型生成模型	参与对比，多配置（cell / sample / cell+sample）
随机基线	—	n=100 次随机分配，用于给出下界参考

scANVI 的优势有两点直接服务于本任务：

1. 半监督：能同时利用 scVI 的无监督结构学习与 Level2 标注，把细胞状态标签"锚"在潜空间里；
2. 可投影：训练后的参考模型可以把新患者的细胞投影进同一空间并迁移标签——这正是"把细胞当生物标志物"所需的推理接口。

论文用的校正后表达量 vs 未校正表达量对比也很有说服力：

输入	BAS	WF1
scANVI 批次校正后	0.87	0.90
未校正 log-normalized 计数	0.65	0.78

批次校正在这个任务里贡献了 22 个百分点的平衡准确率，这是"批次校正是必需品而非可选项"的量化证据。

5.3 分类器的构造：按细胞类型分模型

一个容易被忽略的工程设计：论文不是训练一个全局分类器，而是为每个 Level 1 细胞类型各训练一个模型，再对患者内各细胞的预测做多数投票（majority vote），汇总为患者级预测。

这么做的理由在论文的表述里很直白：不同免疫细胞群对疾病的判别力不同，且细胞组成本身在疾病间差异显著；按细胞类型分别建模，可以避免"细胞组成差异"冒充"细胞状态差异"。

代价也很直接：稀有细胞类型的模型性能更低。论文给出的例子是浆细胞（plasma cells）——BAS 0.78、WF1 0.80，显著低于总体 0.87/0.90。这是一个可预期的规律：训练样本少的亚群，模型只能学到"大致像不像"，学不到"疾病特异"。

5.4 可解释性：从 SHAP 到可验证的基因清单

见 §3.5 已述的 d-SHAP 流程。这里补三点评估细节：

1. 基因集大小敏感性：论文比较了 top 5 / 10 / 20 个 d-SHAP 基因的表现（限定在至少 5% 细胞中表达的基因内），并与 20 组随机基因集做对照——这是"判别基因不是随便挑几个高表达基因"的关键证明；
2. 嵌套交叉验证：基因选择在训练折内完成，避免"先看全部数据再挑基因"的选择偏差（information leakage），并在 unseen studies 上验证；
3. 产出形态：一个"基因 × 细胞类型 × 疾病"的排名表，可直接作为实验验证的候选清单。

5.5 分类性能的读法：五个陷阱

1. 别把 0.95 当产品指标：那是"同研究新患者"，现实临床场景更接近 Scenario 3；
2. 别把 0.12 当"方法失败"：它恰恰揭示了批次效应是当前单细胞诊断落地的头号障碍——这是一个有价值的负面发现；
3. BAS 与 WF1 必须成对读：BAS 对类别不均衡敏感，WF1 反映总体精度；两者差距大时说明模型偏向了多数类；
4. 多数投票掩盖了单细胞层的混乱：患者级 0.95 不代表每个细胞都判对，混淆矩阵的对角线（recall）才是细胞级真相；
5. 性别分层无差异 ≠ 性别无关：论文检验的是性能分布无显著差异，不排除某些性别的特定细胞亚群信号更强。

5.6 模型资产：scANVI_models.zip 里有什么

Zenodo 提供的 scANVI_models.zip（123.4 MB）含两套模型：

模型	训练数据范围	用途
scANVI_atlas	全数据集，含红细胞与血小板	刻画完整细胞景观；用于投影外部数据集
scANVI_downstream	剔除红细胞与血小板	下游分析专用，消除非免疫细胞的混杂

使用时机的判断很简单：新数据投影 → 用 atlas；做疾病签名与差异分析 → 用 downstream。用错模型会让红细胞/血小板信号污染免疫学结论。

5.7 一个诚实的边界：无官方榜单

与 CIMA 这类挑战赛不同，本图谱没有官方测试集、没有提交榜、没有第三方复现分数。所有性能数字都出自同一篇论文的同一套实验设计。这不是缺陷，但意味着：

• 若要与其他图谱比较，必须在同一测试集上自行复跑；
• 论文的 Scenario 2/3 划分是"作者定义的可信边界"，第三方应在此基础上再叠加自己的外部验证；
• 引用性能数字时务必带场景标签（1/2/3/Centralized），单写"0.95"是误导。

§6 许可与获取：三轨异构的门怎么进

6.1 三类资产的三种许可

资产	许可	出处	商用
处理后矩阵、scANVI 模型、元数据	CC BY 4.0	Zenodo 10.5281/zenodo.14851901	允许（署名）
in-house 原始测序（GEO 部分）	GEO 常规公开条款	GSE248688 等	按 GEO 条款
受控原始数据	EGA 受控访问（DAA）	EGAS50000000590 / EGAC50000000566	需申请，受 DAA 约束
分析代码	MIT	GitHub	允许
论文文本	CC BY-NC-ND 4.0	Nature Medicine	禁止商用与改编

最容易踩的坑：Zenodo 数据是 CC BY（可商用），但论文图表的复用受 CC BY-NC-ND 约束。想用论文里的热图做商业材料，需要单独许可；想用 h5ad 做商业模型训练，CC BY 允许但要署名。

6.2 引用规范：三件套

数据：
Jiménez-Gracia, L. et al. Interpretable Inflammation Landscape of Circulating Immune cells.
Zenodo (2025). https://doi.org/10.5281/zenodo.14851901

论文：
Jiménez-Gracia, L., Maspero, D., Aguilar-Fernández, S. et al.
Interpretable inflammation landscape of circulating immune cells.
Nat Med 32, 633–644 (2026). https://doi.org/10.1038/s41591-025-04126-3

代码：
https://github.com/Single-Cell-Genomics-Group-CNAG-CRG/Inflammation-PBMCs-Atlas (MIT)

若使用了来自公共数据库的病种数据（如脓毒症、鼻咽癌），还需追溯并引用原研究（见 §4.6）。

6.3 AI-Ready 评估：DAIMS 五维打分

维度	评分	依据
Discoverability（可发现）	A	DOI 双轨（Zenodo + 论文）；GEO/EGA 访问号齐全；GitHub 公开；CNAG/PCB/DocTIS 多渠道新闻
Accessibility（可获取）	B+	处理后矩阵直链（22 GB）理想；原始数据分两轨，EGA 部分需 DAC 审批；大文件下载门槛高
Interoperability（可互操作）	A	h5ad/AnnData 标准；obs/var 字段完整；HGNC/ENSEMBL 双 ID；基因宇宙明示
Metadata（元数据）	A	23 列临床与技术元数据，含治疗状态/吸烟/BMI/疾病严重度；Level1/Level2 两级注释；补充表分四 Sheet
Sustainability（可持续）	B	Zenodo + GEO 双备份，机构级托管；但 v1 之后未见版本更新，模型重训与新增病种无承诺

综合：A-（作为数据资源）/ B（作为可诊断模型）。数据层面接近理想；模型层面仍处概念验证。

6.4 与库内其他资源的可获取性光谱对照

条目	获取形态	与本图谱对比
tabula-sapiens（329）	公开门户 + 处理后矩阵	同为"一次下载即用"型，本图谱多一层 EGA
cima（32）	挑战赛平台	CIMA 有提交榜但数据规模小；本图谱大但无榜单
scperturb（1102）	公开仓库聚合	扰动谱，非疾病谱
cellxgene-census（1035）	统一 API 汇聚	本图谱数据源之一；可作为规模扩展入口
human-cell-atlas（319）	门户 + 多入口	HCA 是框架，本图谱是其中"炎症"主题的实践

6.5 坑点清单

坑 1：把 6.5M 写成 65M
DocTIS 项目页两处写 “more than 65 million blood cells”，与论文的 6.5M（6,340,934）冲突。此为该页面笔误（10 倍量级错误），以论文与 Zenodo 为准。引用时不要转述 DocTIS 的 65M。

坑 2：把三个细胞数口径混用

6.5M（总采集）／6,340,934（QC 后全部）／4,435,922（Main 图谱）三者不可互换。最常见的错误是在数据卡里写"图谱含 634 万细胞"，而实际上 Main 图谱只有 443 万，另 190 万在 validation/external。

坑 3：把"1,047 patients"当成样本数
1,047 是患者数。样本数（sampleID 数）大于患者数（同一患者可能有多个时点 timepoint_replicate 与多个文库 libraryID）。写数据规模时须区分患者、样本、文库、细胞四级单位。

坑 4：把 “generative AI model” 读成大语言模型
论文的 generative model 指 scVI/scANVI 变分生成模型。CNAG 新闻稿的 “generative AI model” 表述在传播中被放大成"AI 大模型诊断"。二者的技术含量与适用范围完全不同——前者是概率潜变量模型，没有自然语言能力。

坑 5：把 Level2 与 Level2pred 混用
Main 是人工核对注释；validation/external 是 scANVI 投影预测，未做人工一致性核查（Zenodo 原文）。跨数据集细胞组成比较若混用两类标签，结论不可信。

坑 6：以为 Zenodo 的 h5ad 就是"原始数据"
Zenodo 提供的是 QC 后的原始计数矩阵（raw count matrices after QC），不是 FASTQ。若要重做 QC 或比对，必须走 GEO/EGA。另外 main 与 validation 还额外做了基因过滤（<1 count in <20 cells in <5 patients），基因集合与 external 不同。

坑 7：忽略基因宇宙 8,253 的约束
所有签名与判别基因分析都限定在 8,253 个基因内。用全转录组数据与之比较时，基因过滤差异会造成系统偏差。

坑 8：误以为 EGA 的 access code 可以"直接下载"
EGAS/EGAC 是 study 与 DAC 编号，不是下载链接。需提交申请、签署 DAA、经委员会批准后获取；论文写的是 “upon reasonable request”。

坑 9：把"首个炎症细胞图谱"当成"首个跨疾病免疫图谱"
“first cellular atlas of inflammation” 的限定词是 of inflammation（以炎症为组织原则）。此前已有跨疾病免疫细胞研究，"首个"不应被扩展解释。

坑 10：在 Zenodo API 上做自动脚本时被 403
实测 zenodo.org/api/records/14851901 在部分网络环境返回 403（unusual traffic）。自动化流水线应改用记录页解析或 DataCite API（api.datacite.org/dois/10.5281/zenodo.14851901，许可字段可查）。

§7 差异化定位：跨疾病炎症状态 vs 健康参考图谱

7.1 为什么"炎症状态"需要独立图谱

健康参考图谱（如 Tabula Sapiens、HCA）的组织原则是器官：回答"肝、肺、心、血里有哪些细胞类型"。这类图谱的抽样逻辑是"尽量健康的供体、尽量多的组织"，疾病样本被视为"例外"，通常排除或在单独章节处理。

炎症图谱的组织原则是疾病：回答"同一群免疫细胞在不同疾病里被推到了什么状态"。它的抽样逻辑恰好相反——疾病越多越好、越杂越好，健康对照只是基线。

这个差异带来三个实质后果：

后果	健康参考图谱	炎症状态图谱（本数据集）
疾病标签	通常无或极简	19 种，五组，标注到具体病种
临床元数据	人口学为主	治疗状态、疾病严重度、吸烟、BMI、时点
分析目标	细胞类型发现与注释	状态差异、签名活性、疾病判别
代表性指标	组织/细胞类型覆盖度	病种覆盖度与跨病种可比性
失败模式	类型注释不完整	批次效应导致跨研究不可迁移

一句话概括：健康图谱告诉你"细胞本来是什么"，炎症图谱告诉你"细胞被疾病变成了什么"。后者必然是"脏"的——因为疾病本身就是"脏"的。

7.2 与库内条目的差异化坐标

库内条目	rid	组织原则	与本图谱的关系
tabula-sapiens	329	健康人多器官	互补：它给"正常基线"，本图谱给"偏移量"
tabula-muris	339	小鼠全器官	模式生物对照，物种不同
cima	32	免疫细胞类型标注任务	下游：本图谱可作为 CIMA 类型任务的额外训练源
scperturb	1102	扰动（药物/基因）响应	机制：与本图谱的"疾病作为天然扰动"形成对照
cellxgene / cellxgene-census	38 / 1035	数据汇聚门户	来源：本图谱复用其公共数据；也可作为进一步合并的入口
human-cell-atlas	319	全球细胞图谱框架	母体：Heyn 为 HCA 成员，本图谱是"炎症"主题的实践
single-cell-portal	359	单细胞数据门户	检索入口层面重叠
human-protein-atlas	404	蛋白层面人体图谱	跨组学对照（转录 vs 蛋白）
hnscc-ct-atlas	1051	头颈鳞癌影像组学	病种重叠（HNSCC），模态不同
atlas-liver-tumor	431	肝癌	病种邻近（本图谱含肝硬化）

7.3 检索者的一句话选择指南

• 你要找正常人的细胞类型参考 → tabula-sapiens（329）
• 你要做细胞类型自动识别 → cima（32）
• 你要研究药物或基因扰动后的表达响应 → scperturb（1102）
• 你要研究疾病本身如何改变免疫细胞状态、或训练疾病分类器 → 本图谱
• 你要最大规模的单细胞矩阵做预训练 → cellxgene-census（1035）或本图谱（二者可合并）

7.4 与其他跨疾病免疫图谱的真实差异

需要说清楚的是：本图谱并非唯一"跨疾病"的免疫图谱，OneK1K 等大样本多供体研究、以及若干 HCA 疾病子项目都覆盖多种疾病。本图谱的差异点在于四点组合：

1. 疾病跨度：把感染（病毒/细菌）、自身免疫、慢性器官炎症、实体瘤放进同一个坐标系，横跨先天免疫与适应性免疫的主要病种谱系；
2. 模型资产化：不只发数据，还发可投影的 scANVI 模型与判别基因表——使用者可以直接把新患者投进来打分；
3. 可解释性优先：d-SHAP 基因排名不是附属产物，而是三大分析主线之一；
4. 诚实报告泛化边界：把 Scenario 3 的崩塌（0.12）写进正文而不是藏进补充材料。

7.5 一个需要澄清的定位误区

有观点认为"炎症图谱应该包含所有炎症相关疾病，因此 19 种不够"。这种批评混淆了"覆盖度"与"组织原则"：19 种疾病的价值不在于穷举，而在于它们来自五个截然不同的炎症机制组（自身免疫、急性感染、慢性器官炎症、病毒感染、肿瘤）。机制多样性的覆盖比病种数量的堆砌更重要。当然，缺口也客观存在：神经炎症（如多发性硬化以外的神经退行）、皮肤炎症以外的黏膜炎症、以及中性粒细胞主导的急性炎症（PBMC 缺失中性粒细胞） 都是明确的空白（见 §10 局限）。

§8 生态与影响：CNAG 的图谱学路线、DocTIS 联盟与临床翻译

8.1 CNAG 的图谱学谱系

CNAG 单细胞基因组学组（Heyn 领导）长期以"大规模单细胞图谱 + 临床翻译"为主线。本图谱是这条线的疾病维度延伸：从技术平台建设（单细胞测序方法）→ 组织图谱 → 疾病图谱 → 诊断模型。

CNAG 在新闻稿中给出的路线图非常明确：

“We provide the proof-of-concept to convert immune cells into a universal diagnostic tool, a concept we are now moving to clinical prototyping stage.”

即：概念验证已完成，进入临床原型化阶段。这与论文结尾的措辞（“lay the groundwork for learning a classifier”）一致——不是"已实现"，而是"打下基础"。

8.2 DocTIS：数据与临床伙伴的枢纽

本项目的临床样本与表型数据主要来自欧盟 H2020 资助的 DocTIS（Decision on Optimal Combinatorial Therapies in IMIDs using Systems Approaches，grant agreement 848028）。DocTIS 的目标是"用系统方法为免疫介导炎症性疾病寻找最优联合疗法"，本图谱则是其数据资产的"再利用"产物。

DocTIS 参与机构对本图谱的贡献：

机构	代表	贡献
Vall d’Hebron Research Institute（VHIR）	Sara Marsal	IMID 患者招募、临床数据、SCGT00
Cardiff University	Ernest Choy	临床表型
University of Verona	Giampiero Girolomoni	银屑病等皮肤 IMID
Charité–Universitätsmedizin Berlin	Britta Siegmund	IBD
CNAG	Holger Heyn	数据生成与整合
IMID Consortium 与 IMID-Biobank	—	患者网络与生物样本

这层关系对本图谱的使用者有实际意义：数据的临床质量来自一个专门的 IMID 联盟，而不是零散收集。这也是 treatmentStatus、diseaseStatus 等字段相对完整的原因。

8.3 临床翻译的三个支点

论文与新闻稿共同强调的临床价值主张有三条：

1. 更早分诊：在疾病特异性抗体或影像学确诊之前，用血液免疫细胞状态给出"哪一类炎症"的提示；
2. 减少试错：IMID 的治疗选择长期依赖"试药"（trial and error），若能按炎症签名分层，可提前选药；
3. 通用性：不依赖特定病灶组织，一次抽血、一次 PBMC 测序，理论上可覆盖多病种。

Nieto 的表述最直接：理解每位患者的特定炎症模式后，“clinicians may be able to choose treatments earlier and more precisely, reducing trial-and-error”。

8.4 生态位的现实评估

维度	现状	判断
学术影响力	Nature Medicine 正刊 + CNAG 品牌 + DocTIS 联盟背书	高
数据复用门槛	22 GB 下载 + 需要熟悉 AnnData/scanpy	中
临床可用性	概念验证，无注册、无前瞻验证	低（早期）
商业化路径	Heyn 为 Omniscope 联合创始人兼 CSO；Nieto 为 Omniscope 顾问	已有出口
竞争格局	与大量单病种图谱并存，跨病种整合是护城河	中高

利益冲突提示：论文明确披露 Heyn 与 Omniscope（单细胞诊断公司）的关系。这不影响数据可信度，但在评估"临床原型化"时间表时应把商业化动机纳入考量。

8.5 对下游研究的三类直接用途

1. 参考投影：把自有 PBMC 数据投影进 scANVI 空间，获得统一的 Level 2 标签与疾病相似度打分；
2. 签名打分：用 21 个炎症签名对新队列打分，做"我的队列更像哪种疾病"的探索；
3. 判别基因验证：把 d-SHAP 排名前列的基因作为实验验证的候选（如流式 panel 设计、qPCR 验证）。

三类用途的可靠性依次递减：投影最稳（有模型资产）、签名次之（依赖基因宇宙匹配）、判别基因最需谨慎（跨研究泛化差，需本地验证）。

§9 与库内条目的关系

9.1 家族图谱

                    ┌─ human-cell-atlas (319) ── 框架层
                    │
健康参考 ───────────┼─ tabula-sapiens (329) ── 人多器官
                    └─ tabula-muris (339) ── 小鼠对照

                    ┌─ cima (32) ── 细胞类型识别基准
类型与方法 ─────────┼─ scperturb (1102) ── 扰动响应
                    └─ single-cell-portal (359) ── 门户

                    ┌─ ★ inflammation-cell-atlas ── 跨疾病炎症状态
疾病状态 ───────────┼─ hnscc-ct-atlas (1051) ── HNSCC 影像
                    └─ atlas-liver-tumor (431) ── 肝硬化/肝癌邻近

                    ┌─ cellxgene (38) ── 数据源
数据基础设施 ───────┼─ cellxgene-census (1035) ── 汇聚入口
                    └─ human-protein-atlas (404) ── 蛋白对照

9.2 检索路径建议

你的需求	起点	下一步
找"正常人血液细胞"	tabula-sapiens（329）	若需疾病对照 → 本图谱
找"免疫细胞类型基准"	cima（32）	若需疾病标签 → 本图谱
找"某种病的外周血单细胞"	本图谱 §2.6 批次表	若该病不在 in-house → 查补充表追溯原始 GSE
找"大体量预训练矩阵"	cellxgene-census（1035）	与本图谱合并需对齐基因宇宙
找"头颈鳞癌影像"	hnscc-ct-atlas（1051）	病种相同、模态不同，可做多模态联想

9.3 三种不应发生的混淆

1. 不要把它写成 tabula-sapiens 的"疾病版"：Tabula Sapiens 是多器官，本图谱只有血液；
2. 不要把它写成 CIMA 的"大赛版"：CIMA 是有标注任务的挑战赛，本图谱无竞赛、无榜单；
3. 不要把它写成 Human Cell Atlas 的官方发布：Heyn 是 HCA 成员，但本图谱是 CNAG 独立项目，不是 HCA 的官方产物。

§10 局限、风险与未公开项

10.1 数据层面的六条硬局限

1. PBMC 缺中性粒细胞：急性炎症与细菌感染的核心效应细胞缺席，“脓毒症图谱"实为"脓毒症的淋巴细胞-单核细胞视角”；
2. 血液而非组织：所有推断都是"循环细胞的间接证据"，对屏障后器官（脑、关节、肠道黏膜）的解释力受限；
3. 横断面为主：仅少量患者有 timepoint_replicate 纵向取样，无法做时序或因果推断；
4. 治疗混杂：treatmentStatus 记录了 Naive/Ongoing，但主分析未强制分层；IMID 患者大量在用药；
5. 病种样本量不均衡：各病确诊例数分散于补充表，正文未单列；稀有病种的分类性能与签名稳健性相应较弱；
6. 多来源拼接的许可异质性：复用的公共数据各自有原始使用条款，二次分发时需逐一核对。

10.2 方法层面的四条风险

1. 批次效应主导：Scenario 3 崩塌（0.12/0.23）说明技术变异可完全压过生物信号；
2. 投影标签未核查：Level1pred/Level2pred 无人工质控，错误会沿分析链传播；
3. 基因宇宙限制：8,253 基因过滤会遗漏不在其中的炎症相关基因；
4. 多数投票的平滑效应：患者级高分可能掩盖细胞级混乱，混淆矩阵的对角线才是真相。

10.3 明确"未公开"的项

以下信息在本代理核验范围内（论文全文、Zenodo 记录页、CNAG/PCB/DocTIS 新闻、GitHub API、DataCite）未见公开，正文一律不臆测：

项	状态
健康对照精确人数	未在摘要与正文单列；需查 Supplementary Table 1 / Zenodo 元数据
逐病种患者数	同上，需查补充表 Sheet 1/2
人工标注执行的免疫学家姓名	未公开
各病种的原始数据出处（逐 GSE/EGA）	需查补充表 Sheet 1
是否存在 preprint	本代理未检出关联记录，视为未确认
Zenodo 是否有 v2 及以后版本	未见（v1 为 2025-08-25）
数据是否已进入 CELLxGENE 官方发布	论文仅称复用 CELLxGENE 作为来源，未见本图谱自身条目

10.4 使用建议：按角色分路径

角色	建议路径
数据工程师	§4.3 → §4.4：先下元数据 CSV + 补充表（<300 kB），确认批次结构再下 22 GB
免疫学研究者	§3 → §3.4：重点看签名层与干扰素轴，注意 PBMC 无中性粒细胞
ML 工程师	§5：把 Scenario 3 当心，不要把 0.95 当基线；用 scANVI_atlas 做投影
临床研究者	§8.3 → §10.1：把治疗混杂与横断面设计写进 limitations
数据管理员/ librarian	§6.1 → §6.3：三轨许可必须分开著录

10.5 30 秒决策卡

问题	答案
数据公开吗？	处理后矩阵 是（CC BY 4.0）；原始数据大部分公开 + 少数 EGA 受控
多大？	22.0 GB / 6,340,934 细胞 / 1,047 患者 / 19 病
能直接训练分类器吗？	能，但跨研究泛化差，需本地外部验证
有官方榜单吗？	没有
代码开源吗？	是，MIT
商用可以吗？	数据可以（CC BY）；论文图表不行（CC BY-NC-ND）
最该记住的风险？	Scenario 3 的 0.12——技术批次能压过生物信号

§11 十九种疾病逐个速览：每张脸背后的免疫状态

前面 §3 讲的是跨疾病的共性规律，这一节把镜头拉近到每个病种，回答"如果我只关心这一种病，图谱给了什么"。每组末尾给出"该病种在图谱中的可信度"评级，评级依据是三条：样本来源是否 in-house（可追溯原始数据）、样本量是否充足、是否有文献锚点可交叉验证。

11.1 免疫介导炎症性疾病（IMIDs，n=7）

SLE（系统性红斑狼疮）
图谱中最"有故事"的病种。细胞组成层复现了经典改变（UTC、ILC、初始 CD4 T 降低，B 与单核升高）；签名层定位到非初始 CD8 T 的 IFN-I/II 双高；调控层追到 STAT1 活性升高，并进一步与 flare/非 flare 状态关联。可信度：高（SCGT00 in-house + 文献锚点 + 多重分析交叉印证）。

RA（类风湿关节炎）
组成层见 UTC 降低、单核与 B 升高；签名层出现 Tfh 签名在非初始 CD4 T 中富集（与 PS/UC/CD 共有）。可信度：高（SCGT00 in-house + 文献锚点）。

PsA（银屑病关节炎）
与 PS、RA 同属 SCGT00 队列，在签名聚类中通常与 PS 邻近——这符合两者共享 IL-17/Th17 轴的临床认识。可信度：中高（in-house，但公开的独立验证研究少于 RA/PS）。

PS（银屑病）
同样呈 Tfh 签名富集；与 PsA 的区分是"皮肤表型 vs 关节表型"，图谱层面主要靠签名强弱而非定性差异。可信度：中高。

UC（溃疡性结肠炎）与 CD（克罗恩病）
两者在签名层共享 Tfh 富集与抗原提呈上调，组成层共享 UTC/ILC 降低。IBD 的临床异质性（部位、活动度、用药）在图谱中部分被 diseaseStatus 与 treatmentStatus 捕捉，但主分析未做细致分层。可信度：中高（in-house + 文献锚点），但IBD 的亚型细分不足是明确局限。

MS（多发性硬化）
MS 不在 in-house 批次表中，来自公共数据复用。它是本节中"最需要谨慎"的病种之一：神经炎症的核心战场在中枢神经系统，外周血只是"窗口"，且 MS 的疾病修饰治疗（DMT）对免疫细胞组成影响巨大。可信度：中低（公共数据 + 强治疗混杂）。

11.2 急性炎症（n=1）

脓毒症（sepsis）
图谱复现了经典淋巴细胞减少。但必须强调：PBMC 不含中性粒细胞，而中性粒细胞是脓毒症病理的核心。因此本图谱对脓毒症的刻画是"淋巴细胞-单核细胞视角"，不覆盖先天免疫主力。该病种来自公共数据。可信度：中低（公共数据 + 组分缺失）。

11.3 慢性炎症（n=3）

COPD（慢阻肺）
来自 UMCG 的 SCGT02 批次（与哮喘、健康对照同期采集），in-house 生成。COPD 的全身炎症成分（而非肺部局部）正是血液图谱的用武之地。可信度：中高（in-house，但呼吸道疾病的血液信号强度弱于 IMID）。

哮喘（asthma）
同为 SCGT02。哮喘的异质性（2 型 vs 非 2 型）远比 IMID 的亚型复杂，图谱未做此类分层。可信度：中（in-house，但表型分层不足）。

肝硬化（cirrhosis）
来自 Sant Pau 的 SCGT04。肝硬化代表"器官损伤驱动的系统性炎症"，与免疫病形成机制对照；其签名通常表现为抗原提呈与 IFN 诱导信号上调。可信度：中高（in-house）。

11.4 感染（n=4）

流感（influenza）与 SARS-CoV-2（COVID）
两者都表现 IFN 诱导签名升高，符合急性病毒感染的预期。COVID 来自 Sant Pau 的 SCGT06，且有 diseaseStatus（severe/mild）字段，是唯一可以按严重度分层的感染病种——这使它成为研究"炎症严重度梯度"的天然样本。可信度：COVID 中高（in-house + 严重度分层）；流感中低（公共数据）。

HBV（乙型肝炎）与 HIV（人类免疫缺陷病毒）
两者呈现IFN 诱导签名降低，与流感/COVID 方向相反。HIV 还复现了淋巴细胞增多。这两个病种来自公共数据，且慢性感染的"治疗史"（ART、抗病毒）几乎必然影响免疫状态。可信度：中低（公共数据 + 治疗混杂），但方向性发现（IFN 下调）本身值得关注，因为它挑战了"病毒感染必然高干扰素"的直觉。

11.5 实体瘤（n=4）

BRCA（乳腺癌）
来自 VHIO 的 SCGT03，in-house 生成。肿瘤患者的外周免疫状态受分期、治疗（手术/化疗/内分泌）影响极大，SCGT03 的取样时点与治疗状态需查元数据。可信度：中（in-house，但治疗混杂强）。

CRC（结直肠癌）
来自 KU Leuven 的 SCGT05，原始数据在 EGA 受控。签名层显示经 NF-κB 的 TNF 强上调，与 NPC 同向。可信度：中（in-house 但原始数据受限；表达矩阵仍可从 Zenodo 获得）。

NPC（鼻咽癌）
公共数据复用。与 CRC 共享 TNF/NF-κB 模式。鼻咽癌的地域性极强（华南高发），公共队列的代表性需核查。可信度：中低（公共数据 + 地域偏倚风险）。

HNSCC（头颈鳞癌）
公共数据复用。库内已有 hnscc-ct-atlas（rid 1051）覆盖同一病种的 CT 影像，可做"影像 + 血液免疫"的多模态联想，但两者队列不同、不可直接配对。可信度：中低（公共数据）。

11.6 健康对照（HC）

健康对照散布在各批次中（SCGT00/01/02/06 均含），是所有"疾病 vs 健康"比较的分母。关键提醒：由于对照来自不同机构与化学版本，做疾病 vs HC 比较时若不按批次配对，差异可能部分来自"对照的批次构成与疾病不同"。这是使用本图谱做任何病例对照分析时第一条要检查的事。

11.7 病种可信度总表

分组	病种	数据来源	in-house	可信度	主要限制
IMIDs	SLE	SCGT00	是	高	—
IMIDs	RA	SCGT00	是	高	治疗混杂
IMIDs	PsA	SCGT00	是	中高	独立验证少
IMIDs	PS	SCGT00	是	中高	—
IMIDs	UC	SCGT00	是	中高	亚型未细分
IMIDs	CD	SCGT00	是	中高	亚型未细分
IMIDs	MS	公共	否	中低	治疗、组织屏障
急性	脓毒症	公共	否	中低	无中性粒细胞
慢性	COPD	SCGT02	是	中高	血液信号弱
慢性	哮喘	SCGT02	是	中	表型未分层
慢性	肝硬化	SCGT04	是	中高	—
感染	流感	公共	否	中低	—
感染	COVID	SCGT06	是	中高	—
感染	HBV	公共	否	中低	抗病毒治疗
感染	HIV	公共	否	中低	ART
肿瘤	BRCA	SCGT03	是	中	治疗混杂
肿瘤	CRC	SCGT05	是（EGA）	中	原始数据受限
肿瘤	NPC	公共	否	中低	地域代表性
肿瘤	HNSCC	公共	否	中低	—

这张表的方法学含义：7 个"高/中高"病种全部来自 SCGT00 与欧洲 in-house 批次，而 7 个"中低"病种全部来自公共数据。数据集内部的异质性本身就是一条重要结论——任何"19 种病统一分析"的宣称，都应先经过这张表的分层检验。

---

§12 复现指南：从下载到跑出第一张结果图

12.1 环境准备

# 建议：Python 3.10+，独立 conda 环境
conda create -n inflatlas python=3.10 -y
conda activate inflatlas

pip install anndata scanpy scvi-tools pandas numpy scikit-learn xgboost shap
# 说明：scvi-tools 提供 scANVI；若仅做下游分析可不装

磁盘规划：22.0 GB 原始下载 + 解压/中间文件建议预留 60 GB 以上。内存：读取 17.2 GB 的 main h5ad 若全量载入需 64 GB 级内存，务必优先使用 backed 模式或按需子集化。

12.2 第一步：元数据体检（不下大文件）

import pandas as pd

meta = pd.read_csv("INFLAMMATION_ATLAS_afterQC_sampleMetadata.csv")

# 1) 病种 × 机构：找出"单机构垄断"的病种
print(pd.crosstab(meta["disease"], meta["institute"]))

# 2) 病种 × 治疗状态：找出混杂最重的病种
print(pd.crosstab(meta["disease"], meta["treatmentStatus"], normalize="index").round(2))

# 3) 化学版本分布
print(meta["chemistry"].value_counts())
print(meta["technology"].value_counts())

# 4) 患者级去重（关键：患者数 ≠ 样本数）
print("样本数:", meta["sampleID"].nunique(), "患者数:", meta["patientID"].nunique())

这四步跑完，你就已经掌握了本数据集最重要的结构信息，而且没有下载一个 GB。

12.3 第二步：取一个病种的子集

import anndata as ad

adata = ad.read_h5ad("INFLAMMATION_ATLAS_main_afterQC.h5ad", backed="r")
print(adata.shape)

# 只取 SLE 与健康对照
sel = adata.obs["disease"].isin(["SLE", "HC"])
sub = adata[sel].to_memory()
print(sub.shape)
sub.write_h5ad("sle_hc_subset.h5ad")

12.4 第三步：细胞组成的病例对照分析

import pandas as pd
import numpy as np
from scipy.stats import mannwhitneyu

obs = sub.obs
# 以患者为单位计算各 Level1 谱系占比（避免细胞数权重偏倚）
comp = (obs.groupby(["patientID", "disease", "Level1"]).size()
           .unstack(fill_value=0))
comp = comp.div(comp.sum(axis=1), axis=0)

# 逐谱系做 Mann–Whitney（仅示意，正式分析需多重检验校正）
for celltype in comp.columns:
    a = comp.loc[comp.index.get_level_values("disease") == "SLE", celltype]
    b = comp.loc[comp.index.get_level_values("disease") == "HC", celltype]
    if len(a) > 3 and len(b) > 3:
        stat, p = mannwhitneyu(a, b, alternative="two-sided")
        print(f"{celltype:30s} SLE={a.median():.3f} HC={b.median():.3f} p={p:.3g}")

方法学要点：务必以患者为统计单位做组成比较。直接聚合细胞计数会把同一患者的数千个细胞当成独立观测，压缩患者间方差，使检验结果失真——这是单细胞组成分析最经典的伪重复（pseudoreplication）陷阱。

12.5 第四步：签名活性重算（示意）

# 21 个签名的基因清单见论文 Supplementary Table 4
signature_genes = {
    "IFN_I": ["ISG15", "MX1", "OAS1", "IFIT1", "IFIT3"],
    "ANTIGEN_PRESENTATION": ["HLA-DRA", "HLA-DRB1", "CD74", "HLA-DPA1"],
    "TNF_NFKB": ["TNF", "NFKB1", "NFKBIA", "TNFAIP3"],
}

# sc.tl.score_genes(sub, gene_list=...) 可对每个细胞打分
# 再按 patientID × Level1 求中位数，得到患者级签名活性

两点注意：基因清单必须以论文补充表为准（此处仅为示意）；打分前确认目标基因全部落在 8,253 基因宇宙内。

12.6 第五步：投影新数据（可选）

import scvi

# 加载已发布的 scANVI 模型（scANVI_models.zip 解压后）
# scvi.model.SCANVI.load("scANVI_atlas", adata=your_query_adata)
# 注意：query 数据的基因集必须与参考对齐

投影的失败模式很集中：基因集不一致、化学版本差异过大、细胞数过少。建议先用健康对照做"投影一致性"测试（把 HC 投影后看是否落在参考 HC 区域内），确认管线无误再投疾病样本。

12.7 复现检查清单

检查点	期望	失败信号
细胞数	main 应为 4,435,922	明显少 → 下载不完整
基因数	8,253 基因宇宙	多出数万 → 用了未过滤矩阵
Level1 类别数	15	少 → obs 读取异常
Level2 类别数	64	—
患者数	1,047（三份合并）	—
疾病数	19 + HC	—
模型文件	两套（atlas / downstream）	只有一套 → 解压不全

12.8 常见报错与处理

报错一：MemoryError 读取 17.2 GB h5ad。
处理：用 backed="r" 读入，先按 obs 过滤再 to_memory()；或用 chunked 方式按样本分批读取。

报错二：KeyError: 'gene_universe'。
处理：该列可能存在但全为 False（取决于矩阵构建方式）；以论文的 8,253 为准做显式基因列表过滤。

报错三：投影后标签几乎全落在一个类别。
处理：这是"分布外"的典型信号（Scenario 3 现象）。检查化学版本与组织来源，必要时放弃投影、改做本地重训练。

报错四：组成分析的 p 值异常小。
处理：确认是患者级聚合而非细胞级检验（详见 §12.4）。

---

§13 常见误解与媒体表述纠偏

13.1 "AI 诊断血液病"的简化叙事

CNAG 新闻稿的表述是 “biomedical artificial intelligence (AI) tool that learns from cellular immune states”，中文转载常被压缩为"AI 诊断血液病"。三处偏差：

1. 不是血液病：目标是炎症相关疾病（自身免疫、感染、肿瘤），不是白血病/贫血这类血液系统疾病；
2. 不是"读血常规"：输入是单细胞转录组，不是血常规指标；
3. 不是"已可用"：论文写 “proof-of-concept”，CNAG 写 “clinical prototyping stage”。

13.2 "650 万细胞 = 650 万个病人"的混淆

细胞数不等于患者数，也不等于样本数。1,047 例患者、634 万细胞意味着人均约 6,000 个细胞——这是合理的 PBMC 测序深度，而非"每个细胞一个人"。传播中出现的"650 万人"是明显的量级错误。

13.3 "覆盖全人类炎症疾病"的外推

19 种病 ≠ 全部炎症疾病。皮肤病（除银屑病）、神经系统炎症（除 MS）、心血管炎症（动脉粥样硬化）、代谢性炎症（肥胖、糖尿病）等大类均未覆盖。称其"覆盖人类炎症全景"是过度外推。

13.4 "生成式 AI"的语义漂移

论文的 generative model（scVI/scANVI）与公众语境的 generative AI（LLM、扩散模型）共享一个词根，但技术路径完全不同。正确的中文表述建议为"概率生成模型"或"变分生成模型"，避免直接写"生成式 AI 大模型"。

13.5 "数据全公开"的过度承诺

见 §6.1 三轨许可。最常见的中文误传是"全部数据在 GEO 免费下载"——实际上只有处理后矩阵全免费，部分原始数据在 EGA 受控。

13.6 "图谱发现新细胞类型"的错误归因

本图谱的主要贡献是细胞状态的跨疾病比较与疾病分类框架，而非"发现新细胞类型"。Level 1/Level 2 的 15/64 分类体系沿用既有免疫学共识（并做细化），并未宣称发现全新谱系。把"图谱"等同于"新细胞发现"是对图谱类工作的常见误读。

13.7 纠偏速查

常见表述	问题	建议表述
“首个免疫细胞图谱”	丢掉 of inflammation 限定	“首个以炎症为组织原则的细胞图谱”
“650 万人”	细胞/患者混淆	“650 万细胞，来自约 1,047 名患者”
“AI 诊断血液病”	病种错、输入错	“基于单细胞转录组的炎症疾病分类概念验证”
“生成式 AI 大模型”	语义漂移	“变分生成模型（scVI/scANVI）”
“数据完全公开”	忽略 EGA 受控	“处理后矩阵 CC BY 4.0 公开；部分原始数据 EGA 受控”
“准确率 95% 可上临床”	场景缺失	“同研究未见患者 0.95；未见研究 0.12”
“发现新细胞类型”	贡献误归	“跨疾病细胞状态比较与分类框架”

---

§14 数据治理与伦理

14.1 伦理审批与知情同意

论文 Methods 声明：所有研究均经伦理委员会批准，所有参与者提供书面知情同意。各参与研究的伦理批件与项目编号列于 Methods 的 Ethics declaration 段落（逐研究列出，建议使用者查阅原文以确认自己所用批次的批准机构）。

14.2 隐私保护设计

三个批次（SCGT00、SCGT00val、SCGT05）的原始测序选择放入 EGA 受控访问，而非 GEO 公开——这是一个刻意的隐私设计。单细胞转录组虽不含完整基因组，但表达谱具有"基因型指纹"特性，在足够多的 SNP 覆盖下存在再识别风险。因此这些批次转入受控访问是合理的，而非"数据不开放"的缺陷。

相应地，使用者在分析这些批次时应遵守 DAA 的约束：不得尝试再识别、不得将数据转移给第三方、分析结果发表前的合规审查。

14.3 临床元数据的敏感性

元数据包含 age、sex、ethnicity、BMI、smokingStatus、diseaseStatus、treatmentStatus 等字段。单独看都不敏感，组合起来在小样本病种中存在再识别风险（例如"某罕见病 + 特定机构 + 特定年龄段"可能只剩一两个人）。发布衍生数据（如按病种聚合的统计表）时，建议遵循小样本抑制（cell suppression）原则。

14.4 公平性与代表性

• 地理代表性：in-house 批次全部来自欧洲机构（西班牙、荷兰、比利时、德国、英国），公共数据补充了部分亚洲队列（如 NPC）。全球南方（非洲、南美、南亚）代表性不足。
• 族裔代表性：元数据含 ethnicity（Caucasian / Asian / African American / NA），但存在大量 NA，实际可用于公平性分析的样本可能远小于总数。
• 性别：56% 女性 / 43% 男性，接近均衡；论文报告性别间无显著性能差异。

14.5 利益冲突的知情使用

论文披露 Heyn 与 Omniscope 的关系。这不影响数据本身的可信度，但使用者在引用"临床原型化时间表"时应意识到商业化动机的存在。学术界通行的做法是：数据与方法按论文核验，路线图与时间表保留审慎。

14.6 可持续性与版本治理

• Zenodo v1 发布于 2025-08-25，之后未见 v2；
• 论文 2026-01-12 在线，可能对应与 v1 相同的数据版本，但也可能含有更新——论文未明确声明 Zenodo 版本与论文数据的一致性校验方式；
• 建议使用者在方法学中记录"下载日期 + 文件 MD5"，以应对未来可能的版本更新。

14.7 使用本数据集时应遵守的六条自律

1. 不尝试对 EGA 受控数据做任何再识别；
2. 不把公共复用的病种数据当作本项目的原创数据二次宣称；
3. 引用时同时给出论文 DOI 与数据 DOI；
4. 报告性能时必须带场景标签；
5. 发布衍生数据时做小样本抑制；
6. 若用于临床决策支持研究，须明确"非诊断用途"的免责声明。

§15 方法学遗产：这张图谱教会后来的图谱五件事

15.1 把"泛化边界"写进正文，而不是藏进补充材料

多数图谱论文的性能报告止步于"内部交叉验证得多好"。本研究的做法是把测试集按"同研究新患者"与"跨研究"两级拆开，并在正文里完整报告 0.95 与 0.12 之间的落差。这个决定在传播上是"不利"的——媒体更愿意引用 0.95——但在科学上是必要的，因为它把"批次效应"从脚注里的技术细节提升为领域级障碍。

对后来者的启示：任何跨多个来源拼接的图谱，都应至少设置一个"完全独立研究"的留出集，否则性能数字不可信。这一条正逐渐成为单细胞图谱的隐性评审标准。

15.2 把细胞状态（而非细胞类型）当作分析单位

传统单细胞研究的第一问题是"这是什么细胞类型"。本图谱把问题前移一步：“这类细胞在这个疾病里处于什么状态”。Level 2 的 64 个亚群就是状态的离散化，21 个签名是状态的连续化——两条路径并行，互为校验。

对后来者的启示：类型注释是基础工程，状态刻画才是图谱的价值所在。若一个图谱只交类型注释，它更接近数据库而非资源论文。

15.3 可解释性要作为一等公民交付

d-SHAP 基因排名不是"为了好看"的附加分析，而是与签名分析、GRN 分析并列的三大主线之一。它把"模型能分类"转化为"哪些基因在分类"，从而让生物学家可以拿去做实验验证。

对后来者的启示：模型资产 + 判别基因表应与矩阵一起发布，否则使用者拿到的只是"黑箱 + 数据"。

15.4 多中心多化学不是"脏"，而是"必要的变异"

本图谱刻意混入四种 10x 化学、标准与 HT 两种通量、三种多重化策略。短期看，这增加了整合难度；长期看，这是"通用诊断底座"的必要条件——真实临床场景一定跨越不同中心与不同试剂版本。

对后来者的启示：若目标是临床转化，数据异质性是设计要素而非缺陷；若只追求内部性能，纯净的单中心数据反而更快出结果，但更不可迁移。

15.5 公开要分层，而不是"全开/全关"

三轨（Zenodo 处理后矩阵 CC BY / GEO 原始公开 / EGA 受控）的设计是数据治理的范式：分析级数据全开放以最大化复用，原始级数据受控以保护隐私。这种分层既避免了"数据不开放"的批评，也避免了"隐私裸奔"的风险。

对后来者的启示：不要把"是否公开"当作二元问题；按数据敏感度分层，并明确每层的许可与门槛，是更专业的做法。

---

§16 一页速查卡

项目	内容
官方名	Inflammation Atlas（论文名：Interpretable inflammation landscape of circulating immune cells）
一句话	跨 19 种炎症相关疾病、1,047 例患者的外周血单细胞图谱 + 可投影分类模型
论文	Nat Med 2026;32(2):633-644 ｜ doi:10.1038/s41591-025-04126-3 ｜ PMID 41526507
数据 DOI	10.5281/zenodo.14851901（v1，2025-08-25）
代码	github.com/Single-Cell-Genomics-Group-CNAG-CRG/Inflammation-PBMCs-Atlas（MIT）
细胞	>6.5M 总口径｜6,340,934 QC 后｜4,435,922 Main
患者	1,047（56% 女 / 43% 男）
疾病	19（IMID 7 / 急性 1 / 慢性 3 / 感染 4 / 肿瘤 4）+ HC
注释	Level 1 = 15 谱系；Level 2 = 64 亚群
基因	8,253 基因宇宙
模型	scVI + scANVI（整合）；XGBoost + d-SHAP（分类与解释）
性能	S1 0.87/0.90｜S2 0.95/0.98｜S3 0.12/0.23｜集中式 0.53/0.56
许可	数据 CC BY 4.0｜代码 MIT｜论文 CC BY-NC-ND 4.0
获取	Zenodo 22.0 GB 直下｜GEO GSE248688｜EGA EGAS50000000590 / EGAC50000000566
最大优势	跨疾病、跨机制的免疫状态可比性 + 可投影模型资产
最大短板	跨研究泛化崩塌；PBMC 无中性粒细胞；治疗混杂
库内定位	与 tabula-sapiens（329）互补；cima（32）的上游数据源

16.1 三个"记住这个"的数字

• 19：疾病数量，覆盖五个机制组——这是它区别于单病种图谱的核心；
• 64：细胞状态亚群数——这是它区别于"只做类型注释"的图谱的核心；
• 0.12：跨研究平衡准确率——这是它距离临床落地的最诚实标尺。

16.2 三条"别信这个"的警告

• 别信"650 万人"——那是细胞数；
• 别信"数据全公开"——EGA 那部分要审批；
• 别信"95% 准确率"——那是最乐观场景，换个研究就归零。

---

附录 I：本条目核验与写作过程留痕

项	内容
撰写代理	agent-h-inflammati
撰写日期	2026-10-17
联网核验	WebSearch 1 次；WebFetch 3 次（Zenodo 记录页 2 次、Nature 主站 1 次被 Cloudflare 拦截）；其余经 Europe PMC REST、GitHub API、DataCite API、NCBI 访问号转录
一手材料	PMC12920142 JATS 全文 XML（262 KB）、Zenodo 记录页、CNAG/PCB/DocTIS 新闻、GitHub 仓库元数据、DataCite 许可记录
未取得材料	Supplementary Table 1（逐病种样本量）、样本元数据 CSV（健康对照精确人数）——因此相关数字标注"未公开/未核实"
冲突处理	DocTIS 页面 “65 million” 与论文 6.5M 冲突 → 采信论文，坑 1 存照；细胞数三口径分立 → §1 Q3 与坑 2 存照
库内查重	dedup_gate 报 HIT 两条，均为本任务自指（writing 目录 + 候选池 dispatched），无真实撞库
行数	见成稿指纹

---

FAQ（高频问答 26 问）

A. 基础认知

Q1：Inflammation Atlas 是一个数据集还是一篇论文？
两者都是，且互为依存。数据集是核心（6,340,934 个 PBMC 的表达矩阵 + 注释 + 元数据），论文（Nat Med 2026;32:633-644）是对它的描述与方法论证。单独引用论文而不引用数据 DOI，会让复现者无法定位具体版本。

Q2：它是不是"AI 版的血检"？
不完全是。它是"AI + 单细胞测序"的组合：输入不是常规血常规，而是 10x Genomics 级别的单细胞转录组；输出是疾病概率。成本、时间与设备要求都远高于常规血检。

Q3："首个炎症细胞图谱"的说法可靠吗？
在论文与 CNAG 新闻的原始语境中是可靠的，但限定于"以炎症为组织原则"。不要外推为"首个跨疾病免疫细胞图谱"，也不要写成"首个免疫图谱"。

Q4：它和人类细胞图谱（HCA）什么关系？
Heyn 是 HCA 的参与者，但本图谱是 CNAG 主导的独立项目。可将其理解为"在 HCA 的理念框架下、针对炎症主题的一次专题化实践"。

Q5：19 种疾病算多吗？
在"跨机制组"的意义上算：7 种 IMID + 1 急性 + 3 慢性器官炎症 + 4 感染 + 4 实体瘤。在"病种穷举"的意义上不算——炎症相关疾病有数百种。判据应该是机制多样性而不是数量。

Q6：为什么强调"血液"？
血液是唯一可以低成本、低创伤、可重复获取的"全身免疫窗口"。组织活检受限于部位与伦理，而血液中的 PBMC 携带了穿过组织的细胞所带回的"疾病指纹"。

B. 数据与获取

Q7：我想快速评估这个数据集是否适合我，最省事的做法？
只下 Supplementary_Table_1.xlsx（114.5 kB）和 INFLAMMATION_ATLAS_afterQC_sampleMetadata.csv（149.2 kB）。前者有四张 Sheet（按研究、按疾病、按样本、SCGT00 集中队列），后者有 23 列样本元数据。看完这两份再决定是否下 17.2 GB 的 main h5ad。

Q8：h5ad 用什么打开？
AnnData / scanpy 生态（Python）。R 用户可通过 zellkonverter 或 anndata 的 R 包读取。17.2 GB 的文件建议 backed="r" 读取。

Q9：Zenodo 有中文镜像吗？
无官方镜像。22 GB 的下载建议断点续传（浏览器或 curl -C -），并按记录页给出的 MD5 逐一校验（INFLAMMATION_ATLAS_main_afterQC.h5ad 的 md5 为 14fa25b5ff8d5703e13838b2f17274c5）。

Q10：我只想要某个病的细胞，怎么办？
读 main_afterQC.h5ad（backed 模式），按 obs 的 disease 字段过滤后再 to_memory()，避免全量载入。

Q11：SCGT 编号是什么意思？
SCGT = Single Cell Genomics Team 的研究批次编号，SCGT00 至 SCGT06 对应七次内部研究（SCGT00val 为 SCGT00 的验证补充）。每个批次对应一批合作机构与病种（见 §2.6）。

Q12：为什么有些病的原始数据找不到？
因为 19 种病中 MS、脓毒症、流感、HBV、HIV、鼻咽癌、头颈鳞癌来自复用的公共数据，原始出处在 Supplementary Table 1 Sheet 1。若需原始 FASTQ，需按该表追溯各自的 GSE/EGAS/DOI 并遵守原研究条款。

Q13：EGA 的 EGAC/EGAS 编号是什么？
EGAS 是 study 编号，EGAC 是 DAC（数据访问委员会）编号，二者都不是下载地址。需通过 EGA 门户提交 Data Access Request。

Q14：能商用吗？
数据（Zenodo h5ad、模型）可以，CC BY 4.0，需署名；代码 MIT，可商用；论文文本与图表不可以，CC BY-NC-ND。

C. 技术与统计

Q15：为什么 BAS 和 WF1 差这么多（0.87 vs 0.90 没问题，0.12 vs 0.23 就有问题）？
BAS 对类别不均衡做平衡，WF1 按类别频率加权。两者同时低说明模型真的不会分；两者差距大说明模型偏向多数类。Scenario 3 的两个数都低，是"整体失效"而非"偏科"。

Q16：Scenario 2 比 Scenario 1 还高，是不是有问题？
不矛盾。Scenario 1 是 5 折交叉验证的 held-out samples，Scenario 2 是专门划分的 unseen patients 集合。两者的测试集组成不同（病种比例、细胞数），不能直接比较；数值高低反映的是"该测试子集的可分性"，不是"方法变强了"。

Q17：d-SHAP 和普通 SHAP 有什么区别？
普通 SHAP 给出"该基因对预测的贡献"；d-SHAP 做疾病间差分，得到"该基因对区分目标疾病与其他疾病的贡献"。后者更适合找疾病特异基因而非通用免疫基因。

Q18：为什么按细胞类型分别建模？
避免"细胞组成差异"冒充"细胞状态差异"。若一个全局模型在 RA 上表现好，可能只是因为 RA 患者单核细胞比例高，而非单核细胞状态特异。

Q19：多数投票是怎么做的？
对患者内各细胞的预测做多数投票，汇总成患者级标签，再计算 WF1 与 BAS。论文的混淆矩阵同时给出细胞级 recall。

Q20：8,253 个基因是怎么来的？
高变基因（HVG）∪ 差异表达基因（DEG）∪ 人工整理的炎症基因清单的并集。它既是分析空间，也是复现时的硬约束。

Q21：为什么说"生成式模型"不是 LLM？
scVI/scANVI 是变分自编码器（VAE）家族的概率生成模型，学习的是表达计数的分布（负二项等），输出是潜变量与重构。它没有 token、没有注意力、不能生成文本。称其"生成式"仅在"建模数据分布"的意义上成立。

Q22：可以用它预测"我这份血样是什么病"吗？
技术上可以用 scANVI_atlas 投影 + 训练好的分类器给出概率，但必须在本地做外部验证——Scenario 3 的 0.12 说明跨研究预测几乎等于随机。把它当作"研究工具"而不是"诊断结论"。

D. 临床与生态

Q23：医生现在能用吗？
不能作为诊断依据。它是概念验证，未见注册临床试验、未见前瞻性验证、未见监管审批。CNAG 称处于"clinical prototyping stage"（原型化阶段）。

Q24：狼疮那段发现有什么临床意义？
它把"干扰素高"从"疾病级现象"细化为"特定 CD8 T 细胞状态 + STAT1 活性"，并且与 flare 状态相关。若未来要做 IFN 通路靶向治疗的伴随诊断，这类细胞状态指标比全血 IFN 评分更接近机制。

Q25：Omniscope 是什么关系？
Heyn 是 Omniscope 的联合创始人兼 CSO，Nieto 是其科学顾问（论文利益冲突声明）。这提示商业化路径存在，但不改变论文数据的学术属性。

Q26：如果只记住一个数字？
0.12——未见研究场景下的平衡准确率。它比 0.95 更能说明这项技术距离临床落地还有多远。

---

附录 A：来源清单与存照

#	来源	URL	取用内容	时点
S1	Nature Medicine 论文（PMC 存档全文）	https://www.nature.com/articles/s41591-025-04126-3 ／ Europe PMC PMC12920142	标题、作者、摘要、疾病列表、性能数字、Data/Code availability、许可	2026-10-17
S2	Europe PMC REST API	https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=DOI:10.1038/s41591-025-04126-3	元数据（PMID 41526507、firstPublicationDate 2026-01-12）	2026-10-17
S3	CNAG 官方新闻	http://cnag.cat/news/first-cellular-atlas-inflammation-uses-ai-paving-way-faster-diagnosis-diseases-inflammatory	“首个炎症细胞图谱”、6.5M/1,000+/19 病、Heyn 与 Nieto 引语	新闻日期 2026-01-12
S4	PCB（巴塞罗那科学园）新闻稿	https://www.pcb.ub.edu/en/cnag-publishes-the-first-cellular-atlas-of-inflammation-that-uses-artificial-intelligence-to-accelerate-the-diagnosis-of-inflammatory-diseases	作者名单、DOI、DocTIS 资助	2026-10-17
S5	Zenodo 记录页	https://zenodo.org/records/14851901	文件清单与体积、obs/var 字段、队列描述、模型说明	v1 2025-08-25
S6	DataCite DOI API	https://api.datacite.org/dois/10.5281/zenodo.14851901	许可 CC BY 4.0（spdx cc-by-4.0）	2026-10-17
S7	DocTIS 项目页 1	https://doctis.eu/cellular-inflammation-nature-medicine/	联盟伙伴、IMID-Biobank、“65 million” 笔误	2026-10-17
S8	DocTIS 项目页 2	https://doctis.eu/single-cell-omics-human-cell-atlas	Heyn 主旨报告、“65 million” 再次出现	2026-10-17
S9	GitHub API	https://api.github.com/repos/Single-Cell-Genomics-Group-CNAG-CRG/Inflammation-PBMCs-Atlas	仓库创建 2024-09-03、末次 push 2025-10-31、MIT	2026-10-17
S10	GEO SuperSeries	https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE248688	访问号（由论文 Data availability 转录）	2026-10-17

检索限制存照：

1. Nature 主站全文抓取被 Cloudflare 防爬拦截（返回 “Client Challenge”），全文改由 Europe PMC REST 取 PMC12920142 的 JATS XML（262 KB），内容与期刊版一致（含 Data availability、Code availability、Competing interests）。
2. Zenodo REST API（/api/records/14851901）在该网络环境返回 403（unusual traffic），文件清单与字段说明取自记录页 HTML 渲染。
3. 沙箱内 HuggingFace 被封锁的既有惯例与本次无关（本数据集不使用 HF 托管）。
4. 未下载 Supplementary Table 1 与样本元数据 CSV，逐病种患者数与健康对照人数因此列为"未核实"。

---

附录 B：事实清单（硬事实 40 条）

1. 论文标题：Interpretable inflammation landscape of circulating immune cells。
2. 期刊卷期页：Nat Med 2026;32(2):633-644。
3. DOI：10.1038/s41591-025-04126-3；PMID 41526507；PMCID PMC12920142。
4. 在线日期：2026-01-12；投稿 2025-02-02；接收 2025-11-07。
5. 通讯作者：Holger Heyn（资深/共同通讯）、Juan C. Nieto（共同通讯）。
6. 前三作者：Laura Jiménez-Gracia、Davide Maspero、Sergio Aguilar-Fernández（CNAG）；第四 Francesco Craighero（EPFL）。
7. 机构：CNAG（巴塞罗那科学园）单细胞基因组学组 + EPFL。
8. 资助：EU H2020 DocTIS，grant agreement 848028。
9. 总细胞口径：摘要 “more than 6.5 million” PBMC。
10. QC 后细胞数：6,340,934。
11. Main 图谱细胞数：4,435,922。
12. 患者数：1,047（女性 56%，男性 43%）。
13. 疾病数：19。
14. 疾病分组：IMIDs 7、急性 1、慢性炎症 3、感染 4、实体瘤 4。
15. IMIDs：SLE、RA、PsA、PS、UC、CD、MS。
16. 急性：sepsis（脓毒症）。
17. 慢性炎症：COPD、asthma、cirrhosis。
18. 感染：influenza、SARS-CoV-2、HBV、HIV。
19. 实体瘤：BRCA、CRC、NPC、HNSCC。
20. 注释层级：Level 1 = 15 个谱系；Level 2 = 64 个亚群（排除 Doublets 与 LowQuality_cells）。
21. 基因宇宙：8,253（HVG ∪ DEG ∪ 人工清单）。
22. 炎症签名：21 个基因集。
23. 整合模型：scVI（无监督）+ scANVI（半监督），协变量含诊断/性别/年龄。
24. 整合方法对比：Harmony/Symphony、scGen、scPoli；随机基线 n=100。
25. 分类器：XGBoost，按 Level 1 细胞类型分别建模 + 多数投票。
26. 可解释性：d-SHAP，top 5/10/20 基因 vs 20 组随机基因集。
27. Scenario 1：BAS 0.87 / WF1 0.90（scANVI 校正后）；未校正 0.65 / 0.78。
28. Scenario 2（unseen patients）：BAS 0.95 / WF1 0.98。
29. Scenario 3（unseen studies）：BAS 0.12 / WF1 0.23。
30. Centralized（SCGT00）：BAS 0.53 / WF1 0.56。
31. 浆细胞模型：BAS 0.78 / WF1 0.80（稀有细胞偏低）。
32. Zenodo：DOI 10.5281/zenodo.14851901，v1 发布于 2025-08-25，共 22.0 GB。
33. Zenodo 许可：CC BY 4.0（DataCite 确认 spdx cc-by-4.0）。
34. Zenodo 文件：main h5ad 17.2 GB（md5 14fa25b5ff8d5703e13838b2f17274c5）、validation 2.5 GB、external 2.1 GB、scANVI_models.zip 123.4 MB、样本元数据 CSV 149.2 kB、补充表 xlsx 114.5 kB。
35. GEO SuperSeries：GSE248688；SubSeries GSE248689(SCGT01)、GSE248695(SCGT02)、GSE248685(SCGT03)、GSE248693(SCGT04)、GSE270165(SCGT06)。
36. EGA：SCGT05 study EGAS50000000590；SCGT00/SCGT00val DAC EGAC50000000566。
37. 代码：GitHub Single-Cell-Genomics-Group-CNAG-CRG/Inflammation-PBMCs-Atlas，MIT，创建 2024-09-03，末次 push 2025-10-31。
38. 论文文本许可：CC BY-NC-ND 4.0。
39. scANVI 模型两套：scANVI_atlas（含红细胞/血小板，用于投影）与 scANVI_downstream（剔除红细胞/血小板，用于下游）。
40. 公开表述冲突：DocTIS 两处页面写 “more than 65 million blood cells”，与论文 6.5M 冲突，判定为笔误。

---

附录 C：术语表（22 条）

术语	英文/缩写	释义
外周血单个核细胞	PBMC（peripheral blood mononuclear cell）	密度梯度离心后获得的外周血单核层细胞，含淋巴细胞与单核细胞，不含中性粒细胞
单细胞 RNA 测序	scRNA-seq	对单个细胞的转录组进行测序
10x Genomics	—	微流控液滴单细胞测序平台，本项目主要平台
化学版本	chemistry	10x 试剂版本（3′ v2/v3、5′ v1/v2），批次效应来源
多重化	multiplexing（CellPlex / GenoHashed / Hashed）	将多个样本混入同一测序文库以降低成本，需解复用
变分自编码器	VAE	学习数据分布的生成式神经网络结构
scVI	single-cell Variational Inference	基于 VAE 的单细胞整合方法
scANVI	scVI 的半监督扩展	利用细胞类型标签的 scVI 变体，支持标签迁移
潜空间	latent space	模型学到的低维表示空间，供投影与聚类
批次效应	batch effect	由技术差异（平台、机构、时间）造成的非生物信号
投影	projection	把新数据映射到已训练模型的潜空间
细胞谱系	lineage（Level 1）	粗粒度细胞大类
细胞状态	cell state（Level 2）	同一谱系内的功能/活化状态细分
基因签名	gene signature	一组协同表达的基因构成的评分单元
干扰素	IFN（interferon）	抗病毒与免疫调节细胞因子家族，I 型（α/β）与 II 型（γ）
转录因子活性	TF activity	由靶基因表达反推的转录因子功能强度（如 STAT1）
梯度提升树	GBDT / XGBoost	集成树模型，本项目分类器
SHAP	SHapley Additive exPlanations	基于博弈论的模型归因方法
d-SHAP	differential SHAP	疾病间差分的 SHAP，用于找疾病特异基因
平衡准确率	BAS（balanced accuracy score）	各类别召回率的平均，抗类别不均衡
加权 F1	WF1（weighted F1）	按类别频率加权的 F1
免疫介导炎症性疾病	IMID	由免疫系统异常激活导致的慢性炎症病组

---

附录 D：缩略语速查

缩写	全称
CNAG	Centro Nacional de Análisis Genómico（西班牙国家基因组分析中心）
EPFL	École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
IMID	Immune-Mediated Inflammatory Disease
SLE	Systemic Lupus Erythematosus（系统性红斑狼疮）
RA	Rheumatoid Arthritis（类风湿关节炎）
PsA	Psoriatic Arthritis（银屑病关节炎）
PS	Psoriasis（银屑病）
UC	Ulcerative Colitis（溃疡性结肠炎）
CD	Crohn’s Disease（克罗恩病）
MS	Multiple Sclerosis（多发性硬化）
COPD	Chronic Obstructive Pulmonary Disease（慢阻肺）
HBV / HIV	乙型肝炎病毒 / 人类免疫缺陷病毒
BRCA	Breast Cancer
CRC	Colorectal Cancer
NPC	Nasopharyngeal Carcinoma
HNSCC	Head and Neck Squamous Cell Carcinoma
HC	Healthy Control
UTC	Unconventional T Cell
ILC	Innate Lymphoid Cell
pDC	Plasmacytoid Dendritic Cell
Tfh	T Follicular Helper cell
GRN	Gene Regulatory Network
LMEM	Linear Mixed-Effects Model
GEO	Gene Expression Omnibus
EGA	European Genome-phenome Archive
DAC	Data Access Committee
DAIMS	Data and Information Management System（数据管理与信息框架）

---

附录 E：新用户上手清单（12 项）

1. 先读许可三轨（§6.1）：数据 CC BY / 代码 MIT / 论文 CC BY-NC-ND，不要混。
2. 只下元数据（<300 kB）：Supplementary_Table_1.xlsx + 样本元数据 CSV。
3. 核对批次结构：institute × diseaseGroup × chemistry 三维交叉，找出"某病只来自一个机构"的高风险病种。
4. 核对治疗状态：treatmentStatus 的 Naive/Ongoing/NA 分布，决定是否需要分层分析。
5. 确认细胞数口径：写方法时明确你用 main（443 万）还是三份合并（634 万）。
6. 确认注释来源：Level2（人工）还是 Level2pred（模型预测），跨集比较只用同类。
7. 对齐基因宇宙：确认 8,253 基因过滤，跨数据集合并前先对齐 var。
8. 选对模型：投影新数据用 scANVI_atlas；下游分析用 scANVI_downstream。
9. 设定外部验证：不要只在 main 内部交叉验证，Scenario 3 的教训是必须留出独立研究批次。
10. 报告场景标签：引用性能时写明 Scenario 1/2/3，单写数字视为不完整。
11. 追溯公共数据：若分析聚焦脓毒症、NPC、HNSCC 等公共数据病种，补齐原研究引用。
12. 声明局限：PBMC 无中性粒细胞、横断面、治疗混杂三条必写。

---

附录 F：基于本数据集的典型研究设计模板

研究类型	设计与步骤	主要风险
参考投影型（“我的队列像哪种病”）	自有 PBMC 数据做同流程 QC → 用 scANVI_atlas 投影 → 迁移 Level2 标签 → 计算疾病相似度打分	化学版本不一致会导致投影偏移；需以健康对照校准
签名复现型（“我能否重现 21 个签名”）	用 8,253 基因宇宙重算签名活性 → LMEM 检验 → 与自己队列的疾病 vs HC 比较	基因过滤差异会系统性改变签名分数
判别基因验证型	取 d-SHAP 排名前列基因 → 设计流式/qPCR panel → 在独立队列验证	跨研究泛化差，必须在本地队列重训或至少重验
细胞组成比较型	用 Level2 比较各病细胞比例 → 与文献锚点（SLE/IBD/RA/脓毒症/HIV）对照	只用人工标注的 Main 集，勿混 pred 标签
方法学基准型（“哪种整合方法最好”）	复现 Scenario 2/3 划分 → 对比 scANVI/Harmony/scGen/scPoli → 报告 BAS/WF1	划分定义必须与论文一致，否则数字不可比
临床关联型（“签名与活动度相关吗”）	取有 diseaseStatus 的样本（如 COVID 轻/重、SLE flare）→ 签名活性与严重度关联	严重度与治疗高度共线，需多变量校正

---

附录 G：与本图谱相关的三个常见误读及纠正

误读一：“它是 AI 大模型，可以像 ChatGPT 一样问诊。”
纠正：模型是 scVI/scANVI 变分生成模型，输入是表达矩阵，输出是潜变量与分类概率；没有自然语言接口。"生成式"指的是对数据分布的建模，与 LLM 无关。

误读二：“数据完全公开，所以可以随意再分发。”
纠正：Zenodo 部分 CC BY 4.0 可再分发（需署名）；但复用的公共数据仍受原研究条款约束，EGA 受控数据不得再分发。再分发前应逐层核查。

误读三：“0.95 的准确率说明它可以上临床。”
纠正：0.95 是"同研究内未见患者"的结果。同一方法在"未见研究"上是 0.12。临床上面对的一定是"新中心、新批次"，因此当前状态下它更接近一个研究工具而非诊断产品。

---

附录 H：与相邻条目的引用组合建议

研究主题	建议引用组合
血液免疫细胞参考 vs 疾病偏移	tabula-sapiens（329）+ 本图谱
免疫细胞类型自动识别	cima（32）+ 本图谱（作为额外训练/测试源）
单细胞扰动建模	scperturb（1102）+ 本图谱（疾病作为天然扰动）
大规模单细胞预训练语料	cellxgene-census（1035）+ 本图谱
头颈鳞癌多模态	hnscc-ct-atlas（1051）+ 本图谱（HNSCC 血液免疫侧）
肝病谱系	atlas-liver-tumor（431）+ 本图谱（cirrhosis 部分）

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，由 agent-h-inflammati 于 2026-10-17 撰写，核验时点与来源清单见附录 A。事实陈述以 Nature Medicine 论文（PMC12920142 存档全文）、Zenodo 记录页、DataCite DOI API、CNAG/PCB/DocTIS 官方新闻与 GitHub API 为源；DocTIS 页面 “65 million” 笔误、细胞数三口径、许可三轨等冲突与口径问题已在坑点与附录 A 存照。健康对照人数、逐病种患者数、preprint 状态三项因未取得补充表与原始文件，标注为"未公开/未核实"，全文未作推断。

本条目与库内 tabula-sapiens（rid 329）、cima（rid 32）、scperturb（rid 1102）、cellxgene（rid 38）、cellxgene-census（rid 1035）、human-cell-atlas（rid 319）、single-cell-portal（rid 359）、tabula-muris（rid 339）、human-protein-atlas（rid 404）、hnscc-ct-atlas（rid 1051）、atlas-liver-tumor（rid 431）、acevedo-blood（rid 722）等条目互链，构成"健康参考 → 类型基准 → 扰动响应 → 疾病状态"的单细胞资源检索链。

---

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：

• nmsc-spatial-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 肿瘤学
• tabula-sapiens — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• single-cell-portal — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• hcl — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• spatial-touchstone — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 肿瘤学
• immport — 共享标签：基因组学与多组学 / 转录组 / COVID-19
• brain-snrna-ad-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• cellxgene-census — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• adrenal-gland-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• human-cell-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 肿瘤学

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。