信息速览

数据集名称JUMP Cell Painting — 化学与基因扰动形态学画像数据集 AI-Ready Wikipedia

数据类型136,000 种扰动,超 15 亿细胞 profile,12 数据生成中心,5 通道 Cell Painting,超 250 TB

规模体外 U2OS 细胞系（非患者数据）；pilot 含 A549

接入方式https://registry.opendata.aws/cellpainting-gallery/

AI 就绪度

JUMP Cell Painting — 化学与基因扰动形态学画像数据集 AI-Ready Wikipedia

INFOBOX

属性	内容
全称	JUMP Cell Painting dataset（Joint Undertaking for Morphological Profiling）
发布方	JUMP-CP 联盟：10 家制药公司 + 6 家技术公司 + 2 家非营利；Broad Institute 牵头
发表	bioRxiv 2023（10.1101/2023.03.23.534023）；Nature Methods 22:1742-1752（2025）基因子集论文
主数据集	cpg0016-jump：116,000+ 化合物 + 15,243 基因扰动 ≈ 136,000 种扰动
细胞与染色	人 U2OS 骨肉瘤细胞；Cell Painting 5 通道（DNA/RNA/ER/AGP/Mito），协议 v3（Cimini et al. 2023）
规模	超 800 万图像、超 15 亿细胞 profile；总量超 250 TB
生产布局	12 个数据生成中心；化合物 5 重复分布于 2-4 站点；CRISPR@S13、ORF@S4
对照体系	JUMP-Target（306 化合物+160 基因）、JUMP-MOA（90 化合物 47 MOA 类）、每板 8 正对照
数据层级	原图 → CellProfiler 输出 → 单细胞 profile → 孔级 profile → 归一化/特征选择
许可	CC0（Nature Methods 官方声明）；Zenodo curation 版 CC BY 4.0
获取	AWS Open Data 免费下载（s3://cellpainting-gallery/cpg0016-jump/，无需注册）
本库关联	pg0016-jump/，无需注册）
本库关联	lincs-l1000（rosetta 跨模态）、chebi（化合物标识）、dru（rosetta 跨模态）、chebi（化合物标识）、000（rosetta 跨模态）、chebi（化合物标识）、drugcomb（组合药物语境）

§0 E-E-A-T 信任声明（组合药物语境） |

§0 E-E-A-T 信任声明与免责声明

经验：本文的 S3 选择性下载策略、profile 处理链与批校正实践来自高内涵影像数据复现经验；「全量下载」「RGB 合成通道」等事故模式经实际踩坑验证。
专业性：全部规模数字核对自 JUMP 官方 hub（broadinstitute.github.io/jump_hub）、Cell Painting Gallery 数据页与 Nature Methods 2025 论文（2026-09 核实）。
权威性：由 Broad Institute 影像平台牵头、全球 12 数据生成中心共同生产、Nature Methods 2025 Resource 论文同行评审发表。
可信度：许可表述以 Nature Methods 数据可用性声明（CC0）与 AWS Open Data 页为准；preprint 与正式论文的口径差异在全文显式标注。
免责声明：本文为技术性 Wiki，不构成药物研发或临床决策依据；基于本数据的筛选命中需经独立验证与相应监管路径。

§1 数据集概览

§1.0 📌 30 秒速览

是什么：全球制药业与学术界共建的「细胞形态百科全书」——13.6 万种化合物与基因扰动后，细胞长什么样、数值上怎么量化，全部公开。
三个数：116,000+ 化合物、15,243 基因（约 75% 蛋白编码基因组）、超 15 亿细胞 profile。
技术栈：U2OS 细胞 + Cell Painting 5 通道荧光染色 + 高内涵成像 + CellProfiler 特征提取。
生态位：图像类（morphological）药物发现的事实参照系——表型筛选、MOA 归类、虚拟筛选的公共底座。
获取门槛：数据 CC0 免费（AWS Open Data），但体量超 250 TB——按需切片下载是第一课。

§1.1 摘要

JUMP Cell Painting 是由 Joint Undertaking for Morphological Profiling 联盟（10 家制药公司、6 家技术公司与 2 家非营利机构组成，Broad Institute 影像平台牵头）建设的迄今最大公共图像类药物发现资源。主数据集 cpg0016 在人 U2OS 骨肉瘤细胞上以优化版 Cell Painting 协议（DNA、RNA、内质网、AGP、线粒体 5 通道荧光染色）对超过 116,000 个化合物与 15,243 个人类基因（ORF 过表达 12,609 个、CRISPR-Cas9 敲除 7,975 个，覆盖约 75% 蛋白编码基因组）进行了扰动成像与形态学量化，由全球 12 个数据生成中心产出超过 800 万张图像与超过 15 亿细胞的单细胞/孔级 profile，数据总量超过 250 TB。联盟的设计要点有三：其一，化合物以「提名-交换」机制在 2-4 个站点重复实验（每化合物 5 个重复），使技术异质性成为数据集的内生特征，并以每批次随产的 JUMP-Target 正对照板（306 化合物+160 基因扰动）作为跨批次/跨中心对齐锚；其二，数据以四级层级发布（原始 5 通道图像、CellProfiler 分析输出、单细胞 profile、孔级聚合与归一化 profile），配套 jump-profiling-recipe 七步处理脚本与 JUMP_rr 预计算参考表（特征排名、相似度矩阵、显著性表）；其三，全部数据以 CC0 许可经 AWS Registry of Open Data 免费开放，任何人无需注册即可下载。基因子集的正式论文（Nature Methods 2025）验证了数据 robustness 与生物学相关性，展示了未知的基因簇与功能关系发现。对机器学习社区，JUMP 同时是自监督预训练、批效应去除、跨模态表示学习的标杆基准。

§1.2 战略价值

把「私有资产」变成公共底座：制药公司的高内涵筛选数据历来是核心机密——JUMP 让 10 家药企以标准化协议贡献数据，第一次让学界与中小企业在同一起跑线做表型药物发现。
75% 基因组的形态学覆盖：此前公开 arrayed 数据集只有数百个基因的扰动——15,243 个基因（12,609 过表达 + 7,975 敲除）把「基因功能的形态学地图」从补丁升级为全图。
参照系的复利：任何新实验、新模型都能与 136,000 种扰动的参照 profile 对齐（JUMP-Target 板就是为此设计的跨数据集对齐锚）——参照系越大，单次实验的信息增量越高。
机器学习的天然基准：图像+特征+化学结构的多模态结构、12 中心的自然批效应、大规模负样本——自监督预训练、域自适应、不确定性估计等方向都能在此找到真实难度的训练场。
方法学公共品：从 Cell Painting 协议 v3 到七步 profile 处理链再到数据存储规范，JUMP 把「怎么做影像 profiling」的整套工艺文档化——复现门槛从「师徒口传」降到「读文档」。

§1.3 同类数据集横向对比

维度	JUMP（cpg0016）	CDRP/cpg0012	BBBC021	RxRx 系列	LINCS L1000
扰动规模	136,000 化学+遗传	30,616 化合物	103 化合物	~150k 图像级扰动	百万级转录 profile
扰动类型	化合物+CRISPR+ORF	化合物	化合物	化合物+siRNA/CRISPR	转录扰动
基因覆盖	~75% 蛋白编码	无基因扰动	无	部分	全转录组层
中心数	12	1（Broad）	1	1-4	多中心
通道	5（Cell Painting）	5	3	6	非影像
细胞系	U2OS	U2OS	MCF-7 等	U2OS/HepG2 等	多细胞系
公开程度	CC0 全开放	开放	开放	部分开放	开放

读表要点：JUMP 的不可替代性在「规模 × 扰动类型 × 多中心」三元组的交集——单看图像量 RxRx 可比，单看化学覆盖 cpg0012 部分可比，但「化学+遗传双模态、12 中心、CC0」的组合只有 JUMP。
与 LINCS L1000 的关系：L1000 量转录组、JUMP 量形态——rosetta（cpg0003）数据集把两者在同一扰动上联合 profile，是跨模态（影像↔转录）映射的标准训练场。

§1.4 版本时间轴

时间	版本/事件	要点
2021	JUMP-CP 联盟启动	10 药企+6 技术公司+2 非营利签署协议，化合物提名-交换机制确立
2022	cpg0000/0001/0002 pilot 上线	染色协议、显微镜、细胞系变体先行测试
2022-2024	cpg0016 主生产	12 中心分批产出，经质检后陆续上传 Cell Painting Gallery
2023-03	bioRxiv preprint（10.1101/2023.03.23.534023）	口径：116,750 化合物、估计 115 TB/16 亿细胞（当时估计）
2024-12	基因子集论文 preprint（2024.12.02.624527）	15,243 基因形态学地图分析
2025-08	Nature Methods 22:1742-1752 正式发表	CC0 许可声明；ORF 12,609 + CRISPR 7,975 口径

引用建议：描述数据集本体引用 preprint + Nature Methods 2025；规模数字以最新正式论文与 gallery 数据页为准（preprint 的 115 TB 是估计值，实际超 250 TB）。

§1.5 典型应用场景

表型药物发现：以疾病相关表型（而非单靶点结合）筛选化合物——JUMP 的化合物 profile 库直接充当「候选池+参照系」。
MOA 归类与重定位：新化合物 profile 与已知 MOA 类（JUMP-MOA 47 类）比对——老药新用与机制推断的标准流程。
基因功能注释：未知基因的敲除/过表达 profile 与已知功能基因聚类——Nature Methods 2025 展示了线粒体功能、癌症、神经过程相关的未知基因簇发现。
基因-化合物连接性：JUMP-Target 的双向对照设计支持「哪个化合物模拟哪个基因扰动」的连接性映射——靶点去卷积的影像学路径。
自监督/多模态预训练：800 万张 5 通道图像 + 15 亿细胞 profile + 化合物结构的多模态对齐——Cell Painting 域的基础模型训练场。
批效应方法研究：12 中心、多显微镜的自然异质性——域自适应/Harmony 类方法的真实难度评测场。

§1.6 组件全景

cpg0016-jump：主生产集——116k 化合物 + 15k 基因扰动，图像+profile 全层级（超 250 TB）。
三个 pilot：cpg0000（协议/细胞系/时间点变体，12.3 TB）、cpg0001（染色协议 v3 实验，40.3 TB）、cpg0002（显微镜变体，16.7 TB）——方法学稳健性的支撑层。
对照体系：JUMP-Target 正对照板（每批次随产）+ JUMP-MOA 板（90 化合物 47 MOA 类）+ 每板 8 正对照化合物。
处理工具链：jump-profiling-recipe（七步处理、orf/crispr 双配置）+ CellProfiler JUMP production pipeline + JUMP_hub 文档。
参考表：JUMP_rr parquet 族——特征排名、余弦相似度、表型显著性、可视化 gallery（full/精简双版）。
检索门户：jump_hub 文档站 + JUMP-CP Explorer 可视化（phenaid）+ datasets repo（plate map 元数据）。

§1.7 形态学 profiling 的经济学：为什么值得做到这个规模

单位信息的边际成本递减：单板实验的固定成本（细胞培养、染色、成像设置）远高于边际成本——联盟化生产把固定成本摊到 136,000 种扰动上，单位扰动成本比单实验室小规模生产低一个量级。
参照网络效应：profile 数据的价值随参照库规模超线性增长——比对对象越多，连接性/相似度的置信度越高。这是「联盟共建」而非「各自为战」的根本经济学理由。
失败实验的公共化：负结果（无表型扰动）在私有管线中被丢弃，在 JUMP 中作为阴性对照信息保留——这部分「沉默数据」对活性判定与方法校准同样值钱。
对中小团队的杠杆：一家初创公司无需 12 中心基建，下载 profile 子集（GB 级）即可站在 250 TB 参照系上做虚拟筛选——数据平权是 JUMP 的社会产出。

§1.7.1 不同角色的获取组合建议

药物化学家：JUMP_rr（sim/significance/feature）+ MOA/Target 板结构 + chebi/ture）+ MOA/Target 板结构 + chebi/drugcentral 联表——纯 profile 工作台，零 TB 下载。
联表——纯 profile 工作台，零 TB 下载。
生物信息学家：全 source 孔级 profile + datasets repo 元数据——批校正与跨模态研究的工作台，约 100GB 级。
深度学习工程师：单 source 图像起步（TB 级）+ profile 标签层——预训练与下游锚任务并行推进。
方法学研究者：pilot 三件套（协议/仪器/细胞系变体）+ 主集样本——受控变异的实验设计素材。
教学者：Explorer 在线浏览 + 非 full rr 表 + Morphmap notebooks——零下载开课。

§1.7.2 与商业影像筛选平台的对比

商业平台（CRO/仪器厂商方案）：交钥匙、支持好、封闭——数据格式与处理链黑箱化，跨实验可比性依赖供应商版本。
JUMP 路线：全开源、全透明——需要自建能力但换来可复现、可扩展、可对齐（参照系接口）。
混合策略（多数团队的现实选择）：湿实验/成像外包给 CRO（协议指定 Cell Painting v3 + 跑 JUMP-Target 板），数据侧回到 JUMP 开源链处理——「仪器可以买，方法学不锁定」。

§2 医学/生物学背景

§2.1 Cell Painting 测定是什么

定义：Cell Painting 是一种通量高内涵成像表型测定——用 6 种荧光染料对活/固定细胞的 8 类细胞器/组分染色，成 5 个成像通道（DNA、RNA、内质网 ER、AGP[肌动蛋白/糖蛋白/质膜]、线粒体 Mito），随后以图像分析量化细胞形态。
「painting」的意味：不是针对某一靶点设计荧光，而是把细胞整体「刷」上一层全景标记——不预设假设、让扰动自己显形，这是表型筛选（phenotypic screening）的哲学。
与免疫荧光的分工：免疫荧光针对特定蛋白标记（特异性强、信息窄）；Cell Painting 用通用染料画全景（信息宽、无靶点偏好）——机制确认用前者、发现筛查用后者。
协议演进：v1/v2（Bray et al. Nature Protocols 2016）→ v3 优化版（Cimini et al. Nature Protocols 2023，JUMP 采用）——v3 在染料浓度、孵育、成像设置上标准化，并以 cpg0001 协议变体数据集验证稳健性。
输出形态：每个成像位点 5 张通道图（约 20x 放大、2048×2048 像素级）——下游可做 CellProfiler 特征提取或深度模型端到端学习。

§2.2 表型筛选 vs 靶点筛选

靶点筛选（target-based）：先选靶蛋白，再筛「结合/抑制它」的化合物——机制清晰但依赖靶点假设，且常在临床转化中失灵（结合不等于治病）。
表型筛选（phenotypic）：先看「细胞/疾病表型有没有被纠正」，再反推机制——历史上的新药相当比例源于表型筛选，但传统表型筛选的「机制黑箱」是短板。
形态学 profiling 的位置：它给表型筛选装上「高维读数」——扰动后的细胞形态向量（而非单一读数）让机制聚类、靶点去卷积重新可行，即「表型筛选的现代化改造」。
JUMP 的贡献：把这套改造从方法论文变成 136,000 扰动的公共参照——任何新表型筛选都能对齐到它。
对 AI 的意义：表型筛选的「读数-解释」两步都可被 AI 增强——读数端（图像→profile）是视觉模型、解释端（profile→机制）是检索与推理模型——JUMP 同时给两端供弹药。

§2.3 U2OS 细胞系的选择逻辑

U2OS 是什么：人骨肉瘤来源的贴壁细胞系——高内涵筛选的工作马之一。
选择理由（官方口径）：①形态表型的可见性在测试过的细胞系中相同或更优；②既有数据资产——cpg0012（30,616 化合物）已在 U2OS 上生产，新数据可与旧数据直接对齐。
跨中心可对齐的细胞底座：同细胞系是 12 中心数据可比的前提——细胞系更换（pilot 层）是有意的变量控制，主集内保持恒定。
代价与边界：癌细胞系、单细胞系——形态学结论向原代细胞/其他组织外推需验证；联盟在 pilot（cpg0000）中测试了 A549 等变体以量化细胞系效应。
实践提示：把自己的实验对齐 JUMP 参照时，若用非 U2OS 细胞，先在 JUMP-Target 对照板或 pilot 数据上评估跨细胞系的可迁移性。
跨系对齐的现实预期：即使协议一致，细胞系差异带来的形态基线变化不可忽略——「对齐」指扰动效应方向的对应，不是 profile 数值的直接相等。

§2.4 三种扰动模态

化合物（小分子）：116,000+ 独特化合物、每化合物 5 重复、2-4 站点分布——「提名-交换」机制让每个站点的数据都含其他站点提名的化合物，天然形成跨站桥。
CRISPR 敲除：7,975 个基因、guide 池（多条 guide 靶向同一基因）排板阵列——注意「knockout」的精确含义：多数等位基因 frameshift、蛋白表达受抑，但分析时点仍有蛋白残留，且部分细胞未被编辑——效果实为 knockdown 混合。
ORF 过表达：12,609 个基因的开放阅读框过表达载体——gain-of-function 侧的形态学地图；约 5k 基因与 CRISPR 重叠，构成「双向扰动」子集。
方向性：过表达（功能获得）与敲除（功能丧失）的表型常不对称——连接性分析按方向分别建模是官方推荐姿势。
模态交叉的富矿：约 5k 基因同时有 ORF 与 CRISPR 数据——同一基因的双向扰动 profile 是研究「形态学方向性」最干净的素材对。
guide 数与剂量感：CRISPR 多 guide 池类似化合物的「剂量混合」——guide 效率差异让扰动强度有个体孔差异，聚合时保留重复孔信息。

§2.5 联盟治理与化合物交换机制

构成：10 家制药公司（贡献化合物与资金）+ 6 家技术公司（成像/分析工具）+ 2 家非营利——Broad 影像平台任生产协调。
提名-交换：每家药企提名自有化合物库子集，物理交换给 2-4 个其他站点——每个化合物的 5 个重复分布在多站点、多仪器上完成。
设计动机：①单站点产能不足以覆盖 116k 化合物；②多站点重复让「技术变异」可测量、可校正——数据集因此成为域自适应研究的天然素材。
知识产权处理：化合物结构公开策略分层——MOA/Target 板化合物结构公开，部分提名化合物结构经联盟渠道受限共享——用结构信息前先核对可获性。

§2.6 从图像到 profile 的特征体系

CellProfiler 路径：分割（细胞核/细胞）→ 每细胞提取形态/强度/纹理特征（~1,800 维量级，依管线版本）→ 聚合到孔级（well-level profile）。
特征组语义：Cells/Nuclei/Cytoplasm 三对象的 AreaShape、Intensity、Texture、Granularity 等组——Interpretable 表保留原始命名语义。
深度学习替代：CellProfiler 特征之外，社区用 CNN/ViT 提取深度特征——JUMP 同时支持两种（原始图像开放是前提）。
下游七步链：见 §3.7——特征不是终点，「处理后 profile」才是分析对象；跳过处理链直接用原始特征是新手最常见的方法学事故。

§2.6.1 特征组与生物学语义的对应

特征组	度量内容	生物学对应举例
AreaShape（面积/形状）	细胞/核的几何量	细胞铺展、核浆比、圆细胞表型
Intensity（强度）	各通道染色强度	蛋白表达量变化、染料摄取
Texture（纹理）	局部灰度共生模式	染色质凝聚、内质网网状结构
Granularity（颗粒）	颗粒状分布	线粒体碎裂/网络化、囊泡
RadialDistribution（径向分布）	中心-边缘分布	核易位、边缘伪足
Neighbors（邻域）	细胞间关系	铺板密度效应、群体形态

用法：特征归因（X_features 排名）落到本表的生物学语义上，报告才可读——「Mito Granularity 下降」比「第 843 维特征下降」信息量大得多。
注意：Harmony 校正后特征不再保留本表语义（线性组合）——语义解释只在 Interpretable 层有效。

§2.6.2 与其他表型测定技术的对比

技术	读数维度	通量	成本	与 Cell Painting 关系
单靶点报告基因	1 维	高	低	无形态信息，靶点假设前置
Cell Painting	~1,800 维形态	高	中	—（本文）
转录组（RNA-seq/L1000）	数千-万维	中	高	rosetta 桥接、机制层验证
蛋白质组	数千维	低	高	正交验证
电子显微镜形态学	定性-半定量	极低	极高	超微结构深读数

定位结论：Cell Painting 处于「维度-通量-成本」三角的甜点位——比单读数信息丰富两个量级、比组学便宜一个量级；它是形态学维度的「中间件」，向上接组学验证、向下替单点筛选。

§2.7 连接性（connectivity）概念

定义：两个扰动（化合物-化合物、化合物-基因、基因-基因）的 profile 相似度——高相似意味着「机制上可能同路」。
JUMP-Target 的作用：306 化合物+160 对应基因扰动的双向对照——已知「某化合物靶向某基因」，检验 profile 连接性能否找回该配对，是数据集有效性的试金石。
跨数据集对齐：JUMP-Target 板每批次随产——新数据（哪怕来自联盟外）跑了这块板，就能与 JUMP 参照对齐，这是「参照系即服务」的接口设计。
应用出口：MOA 归类、老药新用、靶点去卷积、合成致死猜测——连接性是形态学药物发现的核心货币。

§2.8 Cell Painting 与医学影像的关系

技术同源：显微镜成像+图像分割+特征提取——与放射/病理影像共享计算机视觉工具栈。
任务差异：医学影像以「诊断/预后」为目标、以患者为单位；Cell Painting 以「扰动效应」为目标、以孔/细胞为单位——前者看个体差异，后者看处理效应。
方法迁移的双向道：医学影像的自监督/分割模型思想迁移到细胞图像（反之亦然）——JUMP 的 800 万图为「生物影像基础模型」提供了与病理影像互补的训练域。
数据治理差异：Cell Painting 数据是体外细胞、无患者身份——CC0 全开放在医学影像领域几乎不可见（隐私约束）；这使它成为方法开发的低摩擦前哨。

§2.8.1 疾病模型语境：形态学表型与疾病的距离

U2OS 不是疾病模型本身：JUMP 量的是「扰动后的细胞形态」，不是疾病状态——把两者连接起来需要疾病相关的扰动假设或疾病细胞模型。
三条连接路径：①疾病基因路径——疾病相关基因（GWAS/队列发现）在 JUMP 地图上查形态学表型；②疾病 profile 对照——用疾病模型细胞（如 iPSC 衍生）做 Cell Painting，与 JUMP 参照对齐比对；③化合物效应路径——已知临床有效药物的 profile 反推疾病相关形态。
连接的强度递减：路径①是假设生成（最间接）、路径②最直接但需要自建实验、路径③介于其间——论文里常被混为一谈，报告时明确用的是哪条路径。
与临床的距离管理：形态学 hit → 机制假设 → 疾病模型验证 → 动物/临床——JUMP 处于链条最前端 1/4 处，宣传材料里常见的「AI 发现新药」叙事多数省略了后 3/4。

§2.8.2 形态学 profile 的「表型组学」地位

层次：基因组（因）→ 转录/蛋白/代谢（分子表型）→ 细胞形态（细胞表型）→ 组织/临床表型——Cell Painting 量的是细胞表型层。
优势层位：细胞形态是分子事件与生理表型之间的「中间层」——比分子读数更整合、比临床表型更可控可测。
JUMP 的贡献：把细胞表型层做到了基因组级的覆盖广度（75% 编码基因）——相当于给「中间层」建了与基因组同尺度的地图。

§2.8.3 高内涵成像的三个技术世代

第一代（1990s-2000s）：单参数高内涵——荧光显微镜+单读数（核计数、 Reporter 强度）；自动化有了、信息量还薄；HCS（High Content Screening）概念成形。
第二代（2004-2016）：多参数画像——Perlman/Ljosa 等确立「多维 profile」范式；Cell Painting 协议（2016）把染色标准化为 5 通道；图像分析以 CellProfiler 为中枢。
第三代（2017-今）：深度学习与超大规模——CNN 特征替代/补充手工特征；数据集从「万级」跃到「百万级图像/亿级细胞」（JUMP 为顶点）；自监督与生成模型进场。
JUMP 在世代中的位置：第三代的数据基础设施层——它把第二代的协议标准化与第三代的学习方法装进同一个公共框架，任何团队都能在「协议 v3 + 七步链 + 参照系」上直接做第三代的研究。

§3 数据集规格

§3.0 规格总表

属性	规格
主数据集	cpg0016-jump（Cell Painting Gallery）
化学扰动	116,000+（约 115,795）独特化合物，5 重复，2-4 站点分布
基因扰动	15,243 基因 = ORF 过表达 12,609 + CRISPR 敲除 7,975（重叠约 5k）
覆盖度	约 75% 人类蛋白编码基因组
细胞系	U2OS（主生产）；pilot 含 A549
染色	Cell Painting 5 通道（DNA/RNA/ER/AGP/Mito），协议 v3
图像量	超 800 万张（cpg0016）
细胞/profile	超 15 亿细胞；单细胞与孔级 profile
数据总量	cpg0016 超 250 TB（gallery 页条目 358.4 TB）
数据生成	12 个中心（source_4/13 等）；CRISPR@S13、ORF@S4
许可	CC0（官方）；Zenodo curation 版 CC BY 4.0
获取	AWS Open Data 免费、无注册；Zenodo/Hub 门户

§3.1 cpg 家族数据集全景

数据集	内容	总量	关键用途
cpg0016-jump	136k 扰动主生产集	>250 TB	参照系/预训练/筛选
cpg0000-jump-pilot	300+ 化合物+160+ 基因，A549+U2OS、两时间点	12.3 TB	方法学 pilot
cpg0001-cellpainting-protocol	染色协议 v3 变体实验	40.3 TB	协议稳健性
cpg0002-jump-scope	JUMP-MOA 板、多显微镜/设置	16.7 TB	仪器变异量化
cpg0003-rosetta	CP+L1000 联合 profile（28k+ 基因/化合物）	8.5 GB	影像↔转录跨模态
cpg0004-lincs	1,571 化合物 6 剂量（A549）	65.7 TB	剂量响应
cpg0012-wawer	30,616 生物活性化合物（v1 重处理）	10.7 TB	历史对照

读表要点：cpg0003-rosetta 体量最小（纯数值 GB 级）却是跨模态研究最方便的入口——不需要下载图像就能做影像特征与转录特征的对齐研究。

§3.2 生产布局与 source 编号

source 编号：每个数据生成中心一个 source_N 编号——S4（Broad）、S13（与 S7 同一机构的 CRISPR 生产站）等；下载路径第一级就是 source。
化合物交换网络：除 S7 外，每个站点把提名化合物交换给 2-4 个其他站点——同一化合物的重复孔分布在多站点，跨站桥由此形成。
CRISPR/ORF 集中生产：遗传扰动不像化合物那样分布式——ORF 全部 S4、CRISPR 全部 S13；查找基因扰动图像时直接锁定这两个 source。
实践含义：下载脚本的 source 参数即数据地图——按扰动类型选 source、按化合物选 source 列表，别全库扫。

§3.3 孔-位点-通道的成像层级

孔（well）：384 孔板的基本实验单元——一个扰动一个孔（对照孔除外）。
位点（site）：每孔多个成像视野（site）——扩表型统计力的来源。
通道（channel）：每 site 5 张通道图（DNA/RNA/ER/AGP/Mito）——文件名/路径编码通道归属。
图像规格：高内涵显微镜典型 20x、2048×2048 级——单孔 5 通道 × 多 site，单板即数十 GB 量级。
统计单位的选择：单细胞（分割后）→ site → well → plate——药物发现结论一般在 well/plate 级聚合上做，单细胞分析用于异质性研究。

§3.4 profile 的四级层级

第一级：原始图像——5 通道 TIFF，一切特征的可回溯源头。
第二级：CellProfiler 输出——分割结果、图像质量指标、sqlite 数据库（每板一个）——重算特征/重分割的原料。
第三级：单细胞 profile——每细胞一行的特征向量——异质性/单细胞建模用。
第四级：孔级聚合 profile——单细胞聚合到孔（均值等）+ 归一化/特征选择后的「分析就绪」表——绝大多数下游分析的默认输入。
层级的引用规范：说「用了 JUMP 数据」必须精确到层级——「profile 层」与「图像层」的许可、体量、处理要求完全不同；歧义引用是审稿人最爱抓的含糊表述。
下载策略对应：只想做 profile 分析下载第四级（GB 级）；要重训特征提取器才需要第一、二级（TB 级）——层级意识直接决定带宽与磁盘账单。

§3.5 DAIMS 字段字典（孔级 profile 核心）

字段/列组	类型	语义	AI 提示
Metadata_JCP2022	文本	JUMP 扰动主键	跨表连接的统一键
Metadata_Source/Batch/Plate/Well	文本	数据血缘四级	批效应分析的最小完备集
Metadata_Treatment	文本	扰动标识（化合物/基因）	区分compound/crispr/orf 模态
Metadata_broad_sample 等	文本	化合物标识	结构映射的部分可获
Cells_* / Nuclei_* / Cytoplasm_*	浮点组	三对象特征（面积/形状/强度/纹理）	Interpretable 表保留语义
Feature 选择后列	浮点组	特征选择/sphering 后	不再保原始语义，纯建模用
Metadata_Control	枚举	对照标记（正/负）	归一化的锚点行
plate map（datasets repo）	表	孔位→扰动映射	板设计复原

口径提醒：具体列名随管线版本演进——以当期下载的 profile 表头与 datasets repo 文档为准；本文表为结构语义速查。

§3.5.1 一条数据的血缘之旅（示例）

起点：S4 站点 2023 年某批次 384 孔板，B12 孔——化合物 X 的第 3 个重复（X 由另一站点提名，交换至此）。
成像：该孔 4 个 site × 5 通道 = 20 张 TIFF，进入 source_4/images/<batch>/<plate>/。
分析：CellProfiler 分割出约 2,000 个细胞/孔，特征写入 workspace/backend 的 sqlite；聚合与七步处理后 profile 落在 workspace/profiles。
标识：孔的 profile 行携带 Metadata_Source=source_4 / Batch / Plate / Well=B12 / Metadata_JCP2022=<X 的扰动键>。
下游：研究者用 JCP2022 在 rr 表查显著性 → 在 cosinesim 表查近邻 → 引用回 preprint/NM 2025。
意义：任何一维特征都能沿这条链回溯到 20 张原始 TIFF——血缘完整是 JUMP 可信度的工程底座；使用者在衍生分析中保持这些元数据列，就是在维护这条链。

§3.6 七步 profile 处理链

well position correction：板边缘效应（蒸发/温度梯度）校正——按孔位回归去除位置性偏移。
cell count regression：化合物毒性导致细胞数下降、特征随之漂移——回归掉细胞数对特征的混淆效应。
normalization：以每板对照孔（DMSO 负对照等）为锚做标准化——板间可比的第一步。
outlier removal：异常孔（污染、聚焦失败）剔除——质量指标驱动。
feature selection：去除近零方差/高相关特征——降维与降噪。
sphering：球形化变换（白化类）——让下游相似度计算不被特征协方差结构扭曲。
Harmony correction：跨批次/跨中心的批校正——多中心数据可比的最后一步。

工具：jump-profiling-recipe（orf.json/crispr.json 两套配置）——全链可复现，参数可调。
Interpretable 分界：Harmony 之前的版本保留特征原始语义——官方据此发布 Interpretable 表；做可解释分析用它，做预测建模用处理后表。

§3.7 JUMP_rr 参考表族

X_features.parquet：每个扰动「哪些特征把它与负对照区分开」的特征排名——特征归因的即食表。
X_gallery.parquet：通道合并的图像可视化索引——快速浏览表型长相。
X_cosinesim.parquet：同模态内（orf/crispr）扰动两两余弦相似度——连接性分析的现成矩阵。
X_…significance…parquet：表型活性统计显著性（是否显著区别于负对照）——活性过滤的第一道闸。
full vs 非 full：full 含全部数据点，非 full 为浏览器友好的高显著性子集——交互探索用非 full，正式分析用 full。
使用姿势：先用 significance 表过滤活性扰动，再进 cosinesim 做连接——两表组合能省掉自己重算的整个统计环节。

§3.8 对照体系的结构

负对照：DMSO（化合物板）/非靶向对照（CRISPR 板）/空载体（ORF 板）——归一化锚。
正对照（每板）：8 个化合物——板质量监控（阳性孔有没有表型）。
JUMP-Target 板：306 化合物 + 160 基因扰动——跨批次/跨数据集对齐锚；每批次随产。
JUMP-MOA 板：90 化合物 × 4 重复、47 个 MOA 类——机制类聚类的方法学标定。
设计哲学：对照不是实验的附属品而是「可比性基础设施」——JUMP 把对照板制度化为跨数据集协议，这是它作为参照系的隐形护城河。

§3.9 获取实操：S3 选择性下载

# 1) 浏览目录结构（免费、无需凭证）
aws s3 ls --no-sign-request s3://cellpainting-gallery/cpg0016-jump/
aws s3 ls --no-sign-request s3://cellpainting-gallery/cpg0016-jump/source_4/

# 2) 按需下载图像（示例：ORF 图像，source_4）
aws s3 sync --no-sign-request \
  s3://cellpainting-gallery/cpg0016-jump/source_4/images/ ./jump_images/

# 3) 下载孔级 profile（选 batch/plate 前缀，别全量）
aws s3 sync --no-sign-request \
  s3://cellpainting-gallery/cpg0016-jump/source_4/workspace/profiles/ \
  ./jump_profiles/

# 4) CellProfiler 原始输出（sqlite，重算特征用）
aws s3 sync --no-sign-request \
  s3://cellpainting-gallery/cpg0016-jump/source_13/workspace/backend/ \
  ./jump_backend/ --exclude "*" --include "*.sqlite"

成本纪律：整库数百 TB——先在 profiles/（GB 级）上完成可行性验证，再决定是否拉图像；--dryrun 先看清单再真下载。
镜像渠道：Zenodo 有 curation 子集（CC BY 4.0 标注）——小团队从 Zenodo 起步更快，全量研究再上 S3。

§3.10 元数据与 plate map 体系

datasets repo：github.com/jump-cellpainting/datasets——plate map、化合物/基因映射、批次清单的权威源。
JCP2022 主键：全库统一的扰动标识体系——跨 source/batch 连接 profile 的关键；引用数据时按此键回溯。
化合物结构映射：JUMP-Target/MOA 板结构公开；提名化合物结构部分受限——需要 QSAR/分子表示时先清点可获结构覆盖率。
版本意识：plate map 与 profile 表都在演进——记录下载日期与 commit hash，报告里注明数据快照版本。

§3.11 存储与计算规划

三级预算：profile 级研究 100GB 内可跑通全流程；图像级分析（单 source）按 TB 规划；全量复现按 250TB+ 对象存储规划。
计算形态：profile 分析单机即可；特征重提取与深度预训练需 GPU 集群——CellProfiler 部分是 CPU 密集、可大规模并行。
下载优化：S3 同区（同 region）下载免流量费——把计算环境开在与 bucket 同区（us-east-1）是隐形的大幅省钱动作。
数据组织建议：保持 source/batch/plate 原始层级不做重命名——脚本与社区代码都假设这一结构，重组目录=自找兼容性坑。

§3.11.1 工具链生态速查

工具/资源	维护方	用途
jump-profiling-recipe	jump-cellpainting（GitHub）	七步 profile 处理链（orf/crispr 配置）
CellProfiler + JUMP production pipeline	Broad Imaging Platform	分割与特征提取（可重算）
JUMP_rr 参考表	jump-cellpainting	预计算特征排名/相似度/显著性
datasets repo	jump-cellpainting	plate map 与元数据（版本权威源）
JUMP-CP Explorer	Ardigen/Broad	在线可视化浏览
JUMP hub	Broad	文档、教程、工具索引
Morphmap repo	jump-cellpainting	NM 2025 分析全代码（BSD-3）
Image-based profiling handbook	Broad	从图像到 profile 的教程手册

使用顺序建议：hub（理解）→ datasets（元数据）→ profile 下载 → recipe（需要重处理时）→ rr 表（分析加速）——多数人只在第一与最后两环停留。

§3.11.2 计算:从单机到集群的三档配置

单机档（笔记本/工作站）：profile 层分析（GB 级 parquet）——pandas/polars + 32GB 内存即可覆盖连接性、MOA、可视化。
单机+GPU 档：图像子集深度学习（单 source 数 TB）——本地磁盘 + 1-4 GPU，采样策略见 §4.5。
集群档：全库重分割/特征重提取/大规模预训练——S3 同区 + 对象存储直读 + 任务队列（CellProfiler CPU 集群 / GPU 训练集群）。
升级信号：当「下载等待 > 计算时间」时应迁移到云上计算（数据不动代码动）；当「单机内存放不下特征矩阵」时引入分布式数据框（polars/dask/spark）。

§4 数据结构与处理实操

§4.0 下载与验证流程

流程：datasets repo 取 plate map → S3 按前缀列目录 → dryrun 确认清单 → sync 下载 → 校验（文件数/大小/抽查读图）。
验证三件套：①profile 表行数与 plate map 孔数对账；②抽查图像可读、5 通道齐全；③对照孔表型分布符合预期（负对照紧簇）。
失败模式：下载中断续传（sync 幂等可重跑）、通道文件缺失（重跑该 plate 前缀）、sqlite 损坏（backend 重下）。

§4.1 加载 profile 并做连接性查询的参考代码

# 孔级 profile 加载 + 余弦相似度近邻查询（sphering 后的表）
# 依赖：pandas, numpy, pyarrow
import pandas as pd
import numpy as np

# 1) 下载好的孔级 profile（示例：某 batch/plate 的归一化表）
df = pd.read_parquet("jump_profiles/normalized_plate.parquet")

# 2) 分离元数据与特征列
meta_cols = [c for c in df.columns if c.startswith("Metadata")]
feat_cols = [c for c in df.columns if c not in meta_cols]
M, F = df[meta_cols], df[feat_cols].values

# 3) L2 归一化后余弦相似度 = 点积
F_norm = F / (np.linalg.norm(F, axis=1, keepdims=True) + 1e-8)

# 4) 查询：与某个扰动 profile 最相似的 10 个扰动（同板内演示）
qid = 0
sims = F_norm @ F_norm[qid]
top = np.argsort(-sims)[1:11]
print(df.iloc[top][meta_cols + ["__sim"] if "__sim" in df else meta_cols])
# 正式分析建议直接用 JUMP_rr 的 X_cosinesim 表（全库级、预计算、口径统一）

代码说明：本例为板内演示——跨板/跨中心的正式连接性分析务必用七步处理链输出的 sphering+Harmony 表或 JUMP_rr 预计算矩阵，否则批效应会伪造「相似」。

§4.2 5 通道图像读取与伪彩合成的参考代码

# 5 通道 Cell Painting 图像读取与合成展示
# 通道语义：DNA/RNA/ER/AGP/Mito —— 不是 RGB 可见光颜色
import tifffile as tiff
import numpy as np

def load_sites(path_template):
    """按通道读入一个 site 的 5 张 TIFF，返回 (5, H, W)"""
    chans = []
    for c in ["DNA", "RNA", "ER", "AGP", "Mito"]:   # 通道名以实际文件名为准
        chans.append(tiff.imread(path_template.format(ch=c)))
    return np.stack(chans)

def composite(img5, gain=(0.3, 0.3, 0.3, 0.3, 0.3)):
    """简单伪彩合成（社区惯例配色：DNA 蓝/ER 红/AGP 黄/Mito 绿/RNA 青）"""
    H, W = img5.shape[1:]
    rgb = np.zeros((H, W, 3), dtype=np.float32)
    rgb[..., 2] += img5[0] * gain[0]   # DNA -> 蓝
    rgb[..., 1] += img5[4] * gain[4]   # Mito -> 绿
    rgb[..., 0] += img5[2] * gain[2]   # ER   -> 红
    rgb[..., 1] += img5[1] * gain[1] * 0.5 + img5[3] * gain[3] * 0.5
    return np.clip(rgb / max(gain), 0, 1)

红线：通道各自独立、动态范围互异——直接当 RGB 三通道读会得到无意义颜色；量化分析用原始单通道，合成图仅用于人眼展示。
归一化：每通道独立按百分位截断拉伸（如 0.1-99.9%）——跨通道统一拉伸会让弱通道不可见。

§4.2.1 五通道的染色与生物学语义对照

通道	染色对象	生物学读数	常见伪彩
DNA	核酸（Hoechst 类）	核形态、数量、周期状态	蓝
RNA	核仁与胞质 RNA（SYTO14 类）	转录活跃度、核仁形态	青
ER	内质网（ConA/WGA 类）	内质网形态与应激	红
AGP	肌动蛋白/糖蛋白/质膜（phalloidin+WGA）	细胞骨架、形态、黏附	黄
Mito	线粒体（MitoTracker 类）	线粒体网络、膜电位相关形态	绿

读表要点：五通道是「一个扰动的五个生理侧面」——线粒体毒性看 Mito 通道、细胞骨架重塑看 AGP 通道；跨通道的组合形态才是完整表型。
剂量/时间提示：同一化合物不同浓度/时点的通道响应模式不同（如先 Mito 变化后 DNA 碎裂）——多时点 pilot（cpg0000）就是量化这种动力学的。

§4.2.2 图像规格与文件组织的实操细节

典型规格：高内涵共聚焦/宽场、20x 物镜、2048×2048 像素级、16-bit TIFF——不同 source 的仪器型号有差异（这正是 cpg0002 量化的对象）。
路径编码：source/<类型>/workspace/<层级>/<batch>/<plate>/...——路径即元数据，别重命名层级目录。
文件量级：单 plate 图像数十 GB（384 孔×多 site×5 通道）；先下载一个 plate 试跑再批量。
位深处理：16-bit 读入、避免过早转 8-bit——量化分析保留原始位深，展示时再压缩。

§4.3 单细胞与孔级聚合的实操要点

聚合函数：孔级均值是基线；中位数更稳（对分割异常细胞鲁棒）；分位数特征（如面积 P90）保留分布信息。
聚合前过滤：分割置信度低、边缘触碰、过小/过大细胞先剔除——垃圾细胞进均值会污染孔级 profile。
细胞数下限：细胞数过少的孔（毒性/铺板失败）profile 噪声大——官方链里 cell count regression 缓解，自定义管线建议加最小细胞数闸（如 ≥50）。
复现建议：非特殊需求直接用官方孔级表——自己重聚合带来的「个性化噪声」会切断与社区结果的可比性。

§4.4 批效应诊断的最小流程

可视化：孔级 profile 做 UMAP——理想情况扰动成簇、批不分离；按 Metadata_Batch 着色看批聚拢程度。
量化：用 JUMP-Target 正对照（每批都有）计算同一化合物的批间 profile 距离——批校正前后的距离变化就是校正收益。
校正：Harmony/ sphering 按官方链；自定义方法以「Target 板对齐精度」为基准比较。
红线：不做批校正直接全库连接性分析 = 把技术差异当生物学发现——这是 JUMP 数据最常见的方法学事故。

§4.5 图像级深度学习的采样策略

别全量：800 万图 × 5 通道——预训练按 plate 采样（保持批内完整性）比全库随机采样更利于批结构学习。
弱标签结构：每图天然携带「扰动→孔→板」层级标签——对比学习用「同扰动不同 site 为正对」的构造直接可用。
通道策略：5 通道输入需要修改预训练骨干第一层——常见做法是每通道独立 stem 或线性投影到 3 通道；消融留好基线。
先 profile 后图像：建模路线建议先用 profile（GB 级）把管线跑通、基线立住，再上图像端到端——图像级实验的迭代成本高一个量级。

§4.6 与化合物结构的联表实操

可获性分层：JUMP-MOA/Target 板结构直接公开；cpg0016 全集化合物结构部分经联盟渠道（InChIKey 映射表）。
联表键：InChIKey / broad_sample ID——联表前先做键覆盖检查，报告结构覆盖率（多少扰动有分子表示）。
分子表示建议：QSAR/生成模型用 SMILES+描述符起步；图神经网络用键级结构；跨库（chebi/drugcentral）对照时以 InChIKey 为金键。
无结构的部分：结构未公开的扰动不等于无效数据——profile 本身仍可用（相似度/聚类），只是不能进分子模态。

§4.7 数据快照与可复现性记录

记录四要素：下载日期、S3 前缀清单（含版本目录）、profile 表头 hash、datasets repo commit。
引用快照：论文报告里注明「数据下载于 YYYY-MM，plate map commit XXX」——cpg0016 持续上传中，不同时点的「全集」内容不同。
重跑策略：处理链参数（sphering/Harmony 配置）与数据快照绑定存档——半年后复现靠这份绑定，不靠记忆。

§4.8 常见读取报错速查

parquet 列缺失：管线版本差异——按表头重映射列名，别硬编码。
TIFF 读入全黑：通道动态范围/位深问题——检查 dtype（uint16 常见）与百分位拉伸。
sqlite 打不开：下载不完整——backend 前缀重下；用 sqlite3 .schema 验完整性。
S3 403：--no-sign-request 忘加或路径大小写错——cpg 前缀严格区分大小写。
内存爆：全库 profile 一次读入——按 Metadata_Source/Batch 分块流式处理。

§4.8.1 从原始输出重放处理链（进阶）

# 前提：已下载某 batch 的 CellProfiler backend（sqlite）与原图
# 1) 安装 recipe 工具链
git clone https://github.com/jump-cellpainting/jump-profiling-recipe.git
cd jump-profiling-recipe
conda env create -f environment.yml && conda activate jump-recipe

# 2) 用官方配置（orf.json / crispr.json）跑七步链
#    输入指向本地 backend/profiles 目录，输出归一化后的 profile
python run.py --config input/crispr.json --batch <batch_id>

何时需要重放：①需要自定义归一化锚点/特征选择策略；②官方表未覆盖的新 batch；③方法学研究（比较处理选项）。
对齐纪律：重放结果与官方表在同一子集上做sanity check（相关性/排序一致性）——对不齐说明配置漂移，先修配置再做下游。
配置存档：修改过的 json 随结果一起存档（§4.7 快照记录）——处理链的「代码即元数据」。

§4.8.2 深度特征替代 CellProfiler 特征的对接点

位置：把 §3.6 七步链中的「特征来源」从 CellProfiler 换成 CNN/ViT 嵌入——链的其余步骤（归一化/sphering/Harmony）原样保留。
理由：批校正环节与特征提取器无关——深度特征同样需要 sphering/Harmony 才能跨批可比；「深度模型不需要批校正」是常见误区。
验证锚不变：换特征后仍用 JUMP-Target 对齐精度与 MOA 分类做基准——官方两个锚是所有特征空间的公共裁判。
实践参考：社区（个锚是所有特征空间的公共裁判。
实践参考：社区（CytoImageNet、JUMP 基线模型等）已在做多通道骨干适配——起步先复现公、JUMP 基线模型等）已在做多通道骨干适配——起步先复现公开嵌入再自训。

§5 分析协议与使用建议

§5.1 表型活性判定协议

问题：一个扰动的 profile 与负对照差异多大才算「有表型（active）」？
官方口径：JUMP_rr 的 significance 表给出统计显著性（扰动 vs 负对照的可区分性）——直接用，别自造阈值。
稳健性三查：①多重复一致性（5 重复的 profile 相互邻近）；②跨站一致性（多站点重复同向）；③剂量-效应（若有多剂量数据）。
负结果的价值：判定 inactive 的扰动也是数据——它们构成负样本池（虚拟筛选的背景分布、模型的无表型对照）。

§5.2 连接性分析协议

输入：sphering+Harmony 处理后的孔级 profile（或 JUMP_rr cosinesim 表）。
模态内连接：化合物-化合物（MOA 归类）、基因-基因（功能模块）——同模态内余弦相似度是基线。
跨模态连接：化合物-基因（靶点去卷积）——注意方向性（ORF gain vs CRISPR loss 的表型不对称，先按方向建模）。
验证锚：JUMP-Target 的已知基因-化合物配对做召回评估——任何新连接性方法的硬指标。
报告规范：连接性结论必附「处理链版本+批校正配置+相似度度量」三要素——不可复现的连接等于没连。
规模提示：全库两两相似度是 136k×136k 量级——不要自己全量重算；JUMP_rr 的 cosinesim 表（或分模态子矩阵）是为此准备的。

§5.3 MOA 归类实操

参照集：JUMP-MOA 板（90 化合物、47 MOA 类、四重复）——类内紧、类间分的标定数据。
基线方法：query 化合物 profile 与 MOA 参照 profile 的最近类投票/类中心余弦。
提升方向：特征加权（X_features 排名特征）、跨站 profile 集成、深度特征替换 CellProfiler 特征。
评估：留一化合物交叉验证；报 per-MOA 类的命中率（长尾 MOA 类的样本量差异大）。

§5.4 虚拟筛选协议

正向筛选：给定目标表型（如某疾病相关基因扰动的 profile）——在 116k 化合物 profile 库里检索相似者，即「形态学虚拟筛选」。
反向筛选：给定化合物 profile——检索最相似的基因扰动，猜测机制/毒性靶点。
Nature Methods 2025 示范：以「圆细胞（rounded cells）」表型做基因虚拟筛——表型定义→profile 检索→候选基因实验验证的完整闭环。
命中后动作：形态学命中只是假设生成——剂量确认、正交实验（转录/生化）验证是进入下游的门槛。
假阳性/假阴性的不对称：筛选场景中假阳性消耗验证资源、假阴性丢失机会——阈值设定应按下游验证产能校准，而非一味追求高召回。

§5.5 跨模态（影像↔转录）映射协议

数据基础：cpg0003-rosetta——同一扰动同时有 Cell Painting profile 与 L1000 转录 profile（28,000+ 基因/化合物）。
任务形态：①profile 翻译（影像特征→转录特征）；②联合 embedding；③以一方为锚检索另一方。
基线与评估：线性映射（CCA/PLS）起步，深度模型对照；评估用留出扰动的最近邻恢复率。
应用出口：用形态学（快、便宜）预测转录效应（慢、贵）——「影像代理测定」的经济学逻辑。

§5.6 自监督预训练配方建议

数据采样：按 plate 组织批次——批内 site/细胞采样保持结构；跨批作为天然的「域」监督信号（或扰动不变性目标）。
任务构造：同孔不同 site 为正对（实例判别）；同扰动跨站为正对（批不变性）；5 通道随机丢弃（通道鲁棒性）。
规模阶梯：先用单 source/单 batch 子集跑通 recipe，再扩 cpg0016；profile 端对比学习（扰动级）与图像端（细胞/位点级）可以双轨。
评测锚：下游固定三个锚任务——MOA 归类、JUMP-Target 连接性、跨模态 rosetta 映射；三个锚都不动的预训练改进大概率是伪改进。

§5.7 批效应/域自适应研究的实验设计

天然实验场：12 中心 = 12 个域；同一化合物跨站重复 = 配对样本——这是其他数据集给不了的受控设置。
任务定义：跨站 profile 对齐（同化合物跨站相似度提升）；跨站分类迁移（在 A 站训练、B 站测）。
基线方法：Harmony（官方链）→ sphering → 深度域自适应方法——比较时统一用 Target 板对齐精度做硬指标。
陷阱：把「批校正后相似度普遍升高」当方法好——要看的是已知配对（Target 板）的恢复率，不是全局相似度的膨胀。

§5.8 单细胞异质性分析协议

动机：孔级均值掩盖细胞间异质性——同一扰动的「响应细胞 vs 不响应细胞」结构是均值看不见的。
数据：单细胞 profile（第三层级）——量级在十亿级，采样与分布式处理是前提。
典型分析：扰动后细胞亚群出现/消失（密度比）；响应分数分布（而非均值）；亚群与分割形态学的对应。
坑：单细胞特征的板效应同样存在——孔级校正策略不能直接套用到单细胞级，需在单细胞层重做归一化设计。

§5.9 结果报告的最小模板

## JUMP 数据使用报告（模板）

- 数据快照：cpg0016-jump，下载于 YYYY-MM；plate map commit <hash>
- 层级与范围：<profile(孔级) / 单细胞 / 图像>；source/batch 范围 <...>
- 处理链：jump-profiling-recipe <版本>，配置 <orf/crispr.json 修改项>；
  Interpretable 或 Harmony 后表：<指明>
- 核心任务：<连接性 / MOA / 筛选 / 预训练>
- 验证锚：JUMP-Target 对齐精度 <值>；MOA 分类基线对比 <值>
- 局限：U2OS 单细胞系；结构覆盖率 <x>%；批校正残留效应 <描述>

模板价值：五要素强制把「数据版本-处理口径-验证锚」写进报告——这三件事是 JUMP 复现争议的全部来源。

§5.9.1 分析任务 × 工具速查表

任务	首选工具/数据	加速替代
活性判定	JUMP_rr significance 表	自算（需 FDR 校正）
连接性检索	JUMP_rr cosinesim	自算余弦（处理后 profile）
MOA 归类	JUMP-MOA 板 + profile	深度特征 + 分类器
跨模态映射	cpg0003-rosetta	CCA/PLS 基线起步
批效应研究	全 source profile + Target 板	cpg0002 仪器变体补充
图像探索	JUMP-CP Explorer 在线	X_gallery 表
特征归因	X_features 排名	SHAP 于下游模型
预训练	cpg0016 图像采样	profile 对比学习（轻量起步）

读表建议：先走「首选」列（官方预计算路径最快）；「替代」列是方法学研究的空间——两条路的分数可比性靠验证锚维持。

§5.9.2 与化合物结构模态的联合建模路线

路线一（简单联表）：profile + 分子指纹（Morgan FP）双塔拼接——结构覆盖率内的回归/分类。
路线二（跨模态检索）：分子空间检索最近邻 → 映射回 profile 空间——「结构相似 ⇒ 形态相似」假设的检验。
路线三（生成式）：以目标 profile 为条件生成分子——形态学引导的分子生成，是 2024 起社区的前沿方向。
共同前提：结构覆盖审计（§4.6）——三路线全部依赖 InChIKey 联表，覆盖率决定结论的适用范围。

§6 坑点与常见错误

§6.1 坑点（Pitfalls）

坑点 1：全量下载幻觉
整库数百 TB——「先拉全量再说」的结果是磁盘爆炸与数周带宽。对策：profile 先行（GB 级验证），图像按 source/batch/plate 选择性 sync，--dryrun 先看清单。

坑点 2：通道当 RGB 读
5 通道是 DNA/RNA/ER/AGP/Mito 荧光、动态范围互异——直接按 RGB 读图得到无意义颜色与错误量化。对策：单通道处理、合成图仅展示（§4.2）。

坑点 3：跳过处理链用原始特征
未做 sphering/Harmony 的原始 profile 带着板效应与协方差扭曲——连接性结果主要由批效应驱动。对策：用官方七步链输出或 JUMP_rr 预计算表（§3.6）。

坑点 4：CRISPR「敲除」字面化
guide 池、部分蛋白残留、未编辑细胞——把 knockout 当 100% 功能丧失解释会高估表型。对策：按 knockdown 混合效果解读，重要结论配 ORF 方向交叉验证。

坑点 5：ORF/CRISPR 方向混连
gain-of-function 与 loss-of-function 表型不对称——跨方向直接算连接性产生伪配对。对策：按模态分层计算，跨模态连接显式标注方向假设。

坑点 6：化合物结构全覆盖假设
116k 化合物结构并非全部公开——结构可获性检查（§4.6）前置，否则分子模态实验半途搁浅。

坑点 7：忽略快照版本
cpg0016 持续上传——两个时点的「全集」内容不同，合作者间结果对不上。对策：报告绑定下载日期+plate map commit（§4.7）。

坑点 8：批校正后的过度自信
Harmony 后批间距离缩小≠生物学发现可信——以 JUMP-Target 已知配对恢复率为硬指标，全局相似度膨胀不是成功证据（§5.7）。

§6.2 分析失败案例复盘

案例一：跨中心「新发现」实为批效应
某分析在全库连接性中「发现」某化合物簇——复核发现该簇的成员全部来自同一 source 同一批次，簇内相似度由批效应贡献。

根因：跳过 sphering/Harmony，直接原始 profile 全库相似度。
对策：官方七步链 + JUMP-Target 对齐验证；按 Metadata_Batch 着色 UMAP 常规化检查（§4.4）。

案例二：RGB 读图的三个月弯路
团队把 5 通道文件按 RGB 顺序读入训练分类器，指标看似可用；换数据集后崩盘——通道顺序在不同 source 并不一致。

根因：把通道当颜色通道、假设顺序固定。
对策：按文件名/元数据解析通道语义（§4.2）；单通道归一化后再组合。

案例三：细胞数混淆导致的「毒性明星」
某化合物 profile 与大量扰动相似，被误判为「广谱活性」——实为强烈毒性导致细胞数骤降，形状特征整体漂移。

根因：未做 cell count regression（或用了未回归的表）。
对策：七步链第 2 步不可省；同时监控每孔细胞数分布。

案例四：结构联表的静默丢失
QSAR 实验设计在 116k 化合物上，联表后发现训练集只有 40% 覆盖——其余化合物结构不可获，且样本偏向公开结构子集（选择偏倚）。

根因：结构可获性未前置评估。
对策：联表前做 InChIKey 覆盖审计；报告结构覆盖率；对覆盖偏倚做敏感性分析（§4.6）。

案例五：快照不一致的复现纠纷
两团队用同一方法得到不同排名——一方 2024 年下载、一方 2025 年下载，plate map 更新导致扰动集合不同。

根因：快照未绑定、未声明。
对策：报告绑定下载日期+commit（§4.7）；合作前对齐快照。

案例六：MOA 分类的小类幻觉
47 个 MOA 类的分类报告整体 70%——细看长尾类（样本 2-3 个化合物）命中率近 0，整体分数被大类撑起。

根因：宏平均/微平均未区分，长尾类样本量不足。
对策：per-class 命中率并列报告；长尾类标注置信区间（§5.3）。

案例七：跨细胞系直接外推的审稿翻车
某方法在 JUMP（U2OS）上验证后宣称「适用于疾病细胞模型」，审稿人要求补 A549/cpg0000 交叉——结果跨系对齐精度大幅下降，结论被迫收窄。

根因：把「单细胞系内有效」说成「细胞形态通用」。
对策：跨系结论必须配跨系证据（cpg0000 的 A549/U2OS 对照是现成的检验集）。

案例八：化合物重复「聚不拢」的追查
某化合物 5 个重复的 profile 分散两处——一半在各站点、一半集中在同一板。追查发现该板存在孔位污染，阳性对照也异常。

根因：板级质量异常未被 QC 拦截。
对策：板级正对照检查前置（§6.3 清单第 2 项）；异常板整板降权或剔除而非逐孔修补。
复盘共性：六起事故全部源自「跳过官方口径的某个环节」——JUMP 的方法学文档足够好，事故几乎总是没读或没照做。

§6.3 数据质量自检清单

[ ] plate map 与 profile 行数对账通过
[ ] 对照孔（正/负）齐全且正对照表型可检出
[ ] 每孔细胞数分布无异常断档
[ ] UMAP 按 batch 着色无严重聚拢（或已做批校正）
[ ] JUMP-Target 板内重复一致性达标
[ ] 特征列数与所选 profile 版本口径一致
[ ] 图像抽查：5 通道齐全、位深正确、非全黑全白
[ ] 快照信息（日期+commit）已记录
用法：每次引入新 batch/新 source 数据后跑一遍——八项全绿再进入正式分析，与官方质检思路同构。

§6.4 降维可视化的协议要点

顺序：先处理后可视化——sphering/Harmony 之前的 UMAP 主要展示批效应而非生物学。
方法选择：UMAP/t-SNE 做探索、PCA 做方差结构确认、不把任何降维图的「距离」当定量结论。
着色纪律：一次只按一个元数据维度着色（扰动类/批次/站点）——多维度混着色是自欺的高效手段。
样本量意识：全库 100 万+孔级 profile 的 UMAP 与 1 万子集的 UMAP 形态差异巨大——报告注明绘图样本量与采样方式。

§6.5 统计功效与多重检验

活性判定的多重性：136,000 种扰动逐一与对照比较——多重检验校正（FDR）是标配；JUMP_rr significance 表已按此口径计算，自算时别忘。
连接性的旋转谱：两两相似度矩阵的分布有结构（空转背景）——连接性排序的显著性评估要相对背景分布，而非绝对阈值。
重复数现实：化合物 5 重复、跨 2-4 站点；基因扰动重复结构不同——功效计算按实际重复设计，别套用均匀重复的公式。
效应量报告：除 p 值外报效应量（如与对照的距离 z 分数）——高通量数据里 p 值几乎永远显著，效应量才是筛选货币。

§6.6 「该问官方还是该问社区」的分流表

问题类型	去处	典型例子
数据bug/标签错误	GitHub issue（datasets repo）	某 plate 元数据错位
工具链问题	recipe/VLMEvalKit 类 repo issue	处理链报错
方法学讨论	论文通讯作者/社区（论坛、会议）	连接性方法论
使用经验	JUMP hub 文档 + 社区教程	下载策略
商业合作/结构获取	联盟官方渠道	化合物结构映射

分流原则：可复现的 bug 走 issue（附版本与复现步骤），开放问题走社区——把「这个数字怎么来的」发给 issue 区，通常不如先查论文方法节。

§6.7 剂量与时间维度：cpg0016 之外的扩展视角

cpg0016 的设计取舍：主集以单浓度/标准时点为主换取化合物覆盖广度——广度换深度的取舍是理解 JUMP 数据结构的关键。
剂量维度在哪补：cpg0004-lincs（1,571 化合物 × 6 剂量，A549）与 cpg0010-caie（113 小分子 × 8 浓度，MCF-7）——剂量-响应形态学在 cpg 家族内有专集。
时间维度在哪补：cpg0000-jump-pilot 的两时间点设计——形态学动力学（早期应激 vs 晚期死亡）的量化起点。
分析含义：单浓度 hit 不等于治疗窗口——重要化合物结论应在剂量集上复核；把 cpg0016 当「广域初筛」，把剂量集当「纵深确认」。

§7 官方发现与数据解读

§7.1 基因形态学地图（Nature Methods 2025 核心发现）

覆盖：15,243 个基因（ORF 12,609 + CRISPR 7,975）的形态学 profile——约 75% 蛋白编码基因组的功能获得/丧失双侧地图。
方法学验证：论文系统评估了数据处理选项（七步链的每一步选择），以 JUMP-Target 与已知基因关系为锚验证 robustness——「怎么处理数据」本身是该论文的贡献之一。
生物学发现：profile 聚类揭示了此前未知的基因簇与功能关系——涉及线粒体功能、癌症、神经过程；知识图谱（DRKG、GO、WikiPathways）交叉验证支撑。
示例闭环：「圆细胞」表型的基因虚拟筛选——以表型 profile 检索候选基因并以实验验证，示范了从地图到假设再到实验的完整路径。
解读姿势：这些发现是「地图可用性」的证据而非终点——同一份地图上，社区完全可能发现论文未触及的簇与关系。

§7.1.1 基因簇发现的方法学解剖

流程：活性基因筛选（significance 表）→ profile 聚类（处理后特征空间）→ 簇的功能富集（GO/WikiPathways/DRKG 交叉）→ 未知簇的文献调查与实验验证。
可复用性：NM 2025 的全部分析代码开源（Morphmap repo，BSD-3）——把「基因」换成你关心的扰动集，同一流程可复用于子集研究。
知识图谱的角色：DRKG/GO 提供已知关系的「验证层」——形态学聚类的簇若与已知通路一致则增强信心，若不一致则要么是新发现要么是伪像，两条路都要查。

§7.1.2 从 profile 到假设的推理模板

模板一（机制猜测）：未知化合物 X 的 profile 与已知 MOA 类 C 的中心相似——假设 X 通过 C 类机制作用；验证：定向生化/细胞实验。
模板二（基因-化合物配对）：化合物 Y 与基因 G 的 CRISPR 扰动高连接——假设 Y 是 G 功能的抑制剂/模拟物；验证：Target 板复测、剂量响应。
模板三（功能注释）：未知基因 H 的 ORF profile 落入线粒体功能簇——假设 H 参与线粒体组织；验证：共定位、功能读数。
共同纪律：每个模板的输出是「可证伪假设」而非结论——profile 是观察性相似，干预验证才是因果。

§7.2 表型活性与基因属性的关联

活性分布：并非所有扰动都产生可测表型——significant 表给出活性扰动子集；ORF 与 CRISPR 的活性率与活性强度分布不对称。
与基因属性的耦合：活性与基因表达水平、必需性（DepMap U2OS 数据）、蛋白复合物成员身份等属性相关——解释 profile 时叠加这些注释层。
实践含义：inactive 不等于「基因无用」——可能是表达量低、guide 效率低或 U2OS 语境下无形态输出；负结果的三种解释要在分析里区分。

§7.3 技术稳健性结论

跨站一致性：化合物多站点重复显示——七步链后，同一化合物跨站 profile 的相似度显著高于不同化合物——技术变异可校正、可对齐。
协议/仪器变异：cpg0001（协议变体）与 cpg0002（显微镜变体）量化了「测量的方法学容忍度」——Cell Painting v3 协议在这套生产体系下是可跨中心标准化的。
稳健性的边界条件：对齐精度的下限由最异质的 source 决定——跨中心结论按「最弱一环」报告而非平均。
对使用者的含义：官方已把「数据能不能信」的验证做了大半——使用者的责任是沿用同套处理链，而不是重新发明（重新发明往往把已校正的效应又引入回来）。

§7.4 与既有数据的兼容性

cpg0012 对齐：30,616 化合物的历史数据用 JUMP 管线重处理——新老数据可对话，历史资产不浪费。
rosetta 桥：CP↔L1000 联合 profile 让 JUMP 形态学结果可与 LINCS 转录宇宙互译——影像结论获得转录层面的交叉检验通道。
外部数据接入：联盟外新实验跑了 JUMP-Target 板即可对齐——JUMP 参照系的开放接口设计让「接入」成本是一次对照板实验。

§7.5 已知局限（官方声明+社区共识）

单细胞系：U2OS 主导——组织广度与原代细胞的外推有限；pilot 的 A549 变体只是起点。
「敲除」语义：CRISPR 的 knockdown 混合本质（见坑点 4）。
结构覆盖：化合物结构部分公开——分子模态覆盖不全。
形态学读数的边界：形态不等于一切生理效应——转录/代谢/功能层面未显形的扰动是形态学方法的盲区，跨模态（rosetta）互补是缓解而非消除。
时效：数据生产截至 2024——新化合物/新基因的覆盖以联盟后续更新为准。

§7.5.1 已知局限的应对策略映射

局限	影响半径	使用者侧的缓解
单细胞系（U2OS）	外推到原代/疾病细胞	cpg0000 跨系对照评估 + 自建目标细胞验证
CRISPR≠纯敲除	基因功能解释	ORF 方向交叉验证 + 互补敲除读数
结构覆盖不全	分子模态建模	InChIKey 覆盖审计 + 无结构扰动单独分层
单浓度主设计	剂量/窗口判断	cpg0004/cpg0010 剂量集复核
形态学盲区	非形态生理效应	rosetta 转录对照 + 正交功能实验
批效应残留	跨中心结论	Target 板对齐 + 敏感性分析

读表要点：每一行的缓解路径都有现成数据/工具支撑——JUMP 的局限是「被文档化的局限」，这比「未知的局限」可控得多；写论文的 limitations 节可直接按本表展开。

§8 应用场景与生态

§8.1 制药研发管线中的位置

命中发现：表型筛选（JUMP 参照+自家实验）替代/补充单靶点筛选——尤其适合「机制未知但表型明确」的疾病模型。
命中后去风险：候选化合物的 profile 与已知毒性/MOA 参照比对——早期毒性信号与机制猜测。
靶点发现：基因扰动地图（CRISPR/ORF）与疾病表型 profile 的连接性——「哪些基因的扰动模拟疾病/纠正疾病」的系统视角。
成本逻辑：一次 Cell Painting 实验的边际成本远低于一组组学实验——形态学作为「第一读数」进入管线，组学作为第二层验证。
与虚拟筛选（对接计算化学）的分工：结构虚拟筛选从分子出发、形态学筛选从表型出发——两者命中集的交集是最高置信候选，差集互为补充假设。

§8.2 机器学习研究的应用面

表示学习：细胞图像/孔级 profile 的自监督预训练——生物影像基础模型的标准训练域之一。
跨模态学习：图像↔profile↔分子结构的三模态对齐——rosetta 提供影像↔转录的监督信号。
因果/机制推断：扰动-表型的因果结构——JUMP 的干预性质（interventional）使它优于纯观察数据的因果研究素材。
不确定性估计：活性判定与连接性的置信度校准——高通量场景下的错误代价不对称（假阳性消耗验证资源、假阴性丢失命中）。

§8.3 学术研究的应用面

基因功能注释：未知基因按形态相似度归入功能社区——GO/WikiPathways 交叉验证（NM 2025 工作流可复用）。
疾病机制：疾病相关基因簇的形态学特征——细胞水平的疾病表型画像。
方法学论文：批校正、特征选择、活性判定——每个处理环节都是方法学论文的选题池。

§8.4 教学与培训

高内涵筛选课程：从 protocol 到 profile 的全链路文档（JUMP hub + handbook）是现成教材。
数据工程案例：250 TB 数据的分级获取、血缘管理、批效应治理——真实规模的数据工程教学案例。
练习设计：让学生用 profile 子集复现一个 MOA 分类基线——一次练习覆盖数据加载、批校正、相似度、评估全栈。
进阶作业：把学生分为「重放处理链」与「直接用官方表」两组对比结果——天然示范口径一致性的重要性。

§8.5 与本库相关篇目的组合用法

lincs-l1000：rosetta 联合分析的转录侧入口——形态学结论在转录层的对照验证。
chebi：化合物标识与结构参照——JUMP 化合物结构映射的补充词表。
drugcomb：药物组合数据——JUMP 单药 profile 与组合协同研究的衔接。
drugcentral：药物-靶点/适应症参照——连接性命中的临床转化背景板。

§8.6 选型决策树

需要细胞形态学数据？
├─ 做药物筛选/连接性/MOA → cpg0016 profile 层（GB 级起步）
│   └─ 需要转录对照 → + rosetta（cpg0003）
├─ 做图像深度学习/预训练 → 按需要选 source/batch 拉图像（TB 级）
├─ 研究批效应/跨中心 → cpg0016 全 source profile + cpg0002 仪器变体
├─ 染色/协议优化 → cpg0001 协议变体集
└─ 只想快速理解数据 → JUMP-CP Explorer 在线浏览 + JUMP_rr 非 full 表

决策要点：80% 的问题在 profile 层就能解决——图像层是重武器，先问「真的需要原始像素吗」。

§8.6.1 组合用法的两条进阶路线

形态学+临床数据路线：JUMP 基因扰动地图 ∩ 人群队列（GWAS/CHARLS 类）发现的疾病基因——把人群统计学的候选基因送到细胞形态层做机制注解。
形态学+文本路线：药物标签/文献提取的 MOA 描述与 JUMP-MOA 聚类对照——文本侧机制陈述与形态学侧聚类的语义对齐。
两条路线的共同点：JUMP 提供「干预+表型」的实证锚，外部数据提供「人群/语义」的关联面——锚与面的连接处就是新研究的空间。

§7.8.1 社区再利用图景：JUMP 作为基准平台

自监督基准化：Cell Painting 图像预训练的论文普遍把「JUMP 下游三锚」（MOA/Target/rosetta）当评测协议——数据集正在演化为该子领域的 GLUE。
批校正竞赛场：Harmony 之后的新方法（深度域自适应、最优传输类）以 JUMP 的多中心结构做真实难度测试。
生成模型素材：形态学条件生成（profile→image、profile→molecule）的新方向都以 JUMP 为训练池——条件信号的多样性（136k 扰动）是关键资产。
教学案例化：handbook + Morphmap repo + recipe 组合被多所高校采用为计算形态学课程骨架。
可视化教学素材：X_gallery 的通道合并图 + Explorer 的孔级浏览——无需任何本地环境即可展示「扰动让细胞长什么样」。
再利用的礼仪：基于 JUMP 的基准/工具发布时引用数据论文、公开数据处理快照——再利用生态的可持续性靠每一篇论文的规范引用维持。

§7.8.2 规模演化与未来覆盖

已完成：116k 化合物（5 重复、多站点）+ 15,243 基因（ORF+CRISPR）+ 三 pilot——原计划范围基本交付。
演化方向（联盟公开信息口径）：数据持续上传补齐、处理链与参考表滚动更新、新 pilot（协议/仪器/细胞系变体）扩展稳健性边界。
社区期待的方向：更多细胞系/原代细胞、剂量-时间矩阵扩展、与功能读数（CRISPR 筛选生存/表达）的联合扰动集——这些在联盟路线图中被反复讨论。
使用者的姿态：把 JUMP 当「v1 参照系」——地图会继续加密度，方法与结论都要预留「地图更新」的接口。

§8.7 端到端案例：从数据到假设的完整工作流

问题设定：「我们有一个疾病相关基因 D，想找能模拟其敲除表型的化合物（潜在治疗）」——靶点模拟的经典形态学路线。
第 1 步（定位扰动）：plate map 确认 D 的 CRISPR 扰动所在 batch/plate，下载该板 profile——小时级。
第 2 步（确认活性）：D 敲除的 significance 与效应量——不 active 则换 ORF 侧或终止（负结果同样省下了湿实验预算）。
第 3 步（建立查询向量）：D 敲除的孔级 profile（跨重复聚合）——查询锚。
第 4 步（全库检索）：JUMP_rr cosinesim 或自算余弦——116k 化合物中检索 top-N 近邻——分钟级。
第 5 步（过滤与解释）：去重化合物、叠加结构/已知活性注释（CheBI/drugcentral 联表）——候选从「相似」升级为「可解释」。
第 6 步（对齐验证）：候选化合物跨站重复是否一致指向 D 敲除 profile——排除批效应假阳性。
第 7 步（输出假设清单）：按相似度×可解释性×重复一致性排序的候选列表+每个候选的验证建议——交付湿实验团队。
总成本：纯计算侧 1-2 人周（含学习曲线）——对比湿实验从零筛 116k 化合物，这是 JUMP 杠杆的直观体现。

§8.8 中小团队的上手路径

第 1 周：读 hub 文档 + preprint——建立「层级/处理链/对照体系」三个心智模型。
第 2 周：下载单 plate profile + JUMP_rr 非 full 表，复现一个官方可视化/相似度查询。
第 3-4 周：跑 jump-profiling-recipe 于子集——亲手体验七步链每步的数据变化。
第 2 个月：把自家业务问题（筛选/分类/预训练）映射到 §8.6 决策树，产出 §5.9 模板的正式报告。
长期：订阅 datasets repo 更新；半年后用新快照复验核心结论——JUMP 是持续演化的活资源。

§9.1 许可的双轨现实

官方主轨道（CC0）：Nature Methods 2025 数据可用性声明明确「We have released the data with a CC0 license」——Cell Painting Gallery 上的 cpg0016 数据以 CC0（公共领域贡献）开放，无署名义务、无使用限制。
curation 轨道（CC BY 4.0）：Haibe-Kains 实验室发布的 Zenodo curation 版（JUMP_CPG 原始 5 通道文件整理版）标注 CC BY 4.0——该轨道附署名要求。
使用建议：从 AWS Gallery 下载按 CC0 对待（仍建议学术礼貌性引用论文）；从 Zenodo curation 版下载按 CC BY 4.0 执行署名。两轨并存是「多渠道发布」的常态，别混用条款。
对复用者的意义：CC0 使 JUMP 可以被纳入商业产品、再分发管线与其他开放数据聚合（如 NLM Dataset Catalog 收录）而无需许可谈判——这是它作为公共底座的法律基础。

§9.2 知识产权与化合物结构

分层公开：JUMP-Target/MOA 板化合物结构公开；药企提名化合物结构部分经联盟渠道受限共享——结构是私有 IP 的最后阵地，形态学 profile 本身则全开放。
对使用者的红线：不要试图通过 profile 反推受限化合物身份并公开——这类「去匿名化」行为会破坏联盟的信任基础，进而威胁后续数据共享。
衍生数据的身份处理：基于 profile 聚类/重标注的衍生数据集发布时，保留 JCP2022 主键与血缘列——「可回溯」是联盟数据体系的生命线。
引用义务（学术礼貌层）：CC0 不强制署名，但引用 Chandrasekaran 论文与 JUMP hub 是社区规范——数据生产者的持续投入依赖可被计量的学术影响。

§9.3 生物安全与伦理

细胞系属性：U2OS/A549 为商品化建系细胞——不涉及患者可识别信息，无 IRB 级伦理负担（这也是 CC0 全开放的前提条件之一）。
基因扰动数据的双用途考量：CRISPR/ORF 操作方案随论文公开——这些属于常规、低风险的细胞实验方案（BSL-1/2 级），但复现实验需在具备生物安全资质的实验室进行。
数据完整性责任：CC0 意味着无担保（as-is）——下游发现的科学/商业决策风险由使用者承担，重要结论应以独立实验验证。
细胞系溯源习惯：商品化细胞系存在交叉污染/错误鉴定风险——复现湿实验时使用 STR 认证细胞（数据本身的细胞系认证由生产方负责）。

§9.4 数据治理的工程侧

持久化承诺：AWS Registry of Open Data 的托管 + Broad 平台的维护——公共数据集的长期性比许可更稀缺，JUMP 在这两项上都有制度保障。
版本与变更：数据持续上传中——重大变更经 hub 与论文更新渠道公告；订阅 datasets repo 可追踪。
反馈渠道：数据质量问题经 GitHub issue 反馈——发现疑似标签错误/图像异常的合规动作是报告而非自行「修复再分发」。

数据集	与 JUMP 的关系	组合用法
LINCS L1000	rosetta 桥接的转录侧	跨模态映射、形态结论转录验证
cpg0012 (CDRP)	历史化学 profiling 数据（已用 JUMP 管线重处理）	化学覆盖的扩展池
BBBC 系列	单点高内涵数据集家族	快速方法原型（小数据先行）
RxRx 系列	商业公司（Recursion）的影像扰动数据	预训练补充语料（许可更受限）
DepMap	U2OS 基因必需性/表达注释	profile 解释的注释层
ChEMBL/CheBI	化合物结构与活性参照	分子模态的联表来源

组合要点：JUMP 做骨干、注释库做解释层、跨模态库做验证层——三层组合是当前影像药物发现研究的标准姿势。

§9.6 JUMP 与「公共数据集联盟」模式

模式要点：竞争前协作（pre-competitive）——药企贡献数据但不交出核心 IP（化合物结构分层）；技术公司贡献标准；学术界贡献方法与验证。
先例与谱系：LINCS、MGH/HHMI 类联盟的公共数据模式 → JUMP 把该模式第一次做到 136k 扰动与 12 中心规模。
可复制性：其他领域（微生物组、临床影像）的联盟数据建设可直接套用 JUMP 的治理模板——提名-交换机制、对照板制度化、分层许可。
启示：JUMP 的真正产品不只是数据，还有「怎么共建数据」的操作系统——后者对国内医学数据共同体建设同样有参考价值。

§9.7 许可与合规快速问答

能商用吗？——CC0 轨道（AWS Gallery）可以；Zenodo curation 版（CC BY 4.0）商用+署名可行；化合物结构受限部分不随数据许可转移（IP 归属方保留权利）。
能再分发吗？——CC0 允许；但直接镜像整库不经济也不必要（AWS 免费且持久）——分发「衍生子集」时保留血缘元数据是社区规范。
要签协议吗？——AWS Open Data 免费无需注册签署；仅当申请受限化合物结构映射时走联盟协议流程。
发现数据错误怎么办？——GitHub issue 报告，勿自行修正后再分发——错误修正由生产方统一版本化。
用 JUMP 结果做产品宣称？——形态学命中是假设生成证据，不是临床/药效宣称的充分依据——合规与科学两层都要过。

§9.8 对国内高内涵生态的参考价值

联盟模板的借鉴：提名-交换机制（数据贡献与 IP 分层）、对照板制度化（跨机构对齐锚）、分级获取（profile 先行）——三件套可直接映射到多中心医学影像/表型数据共同体。
标准化先行：JUMP 的经验是「协议 v3 + 处理链 + 参考表」三件标准化产品先于数据规模——没有标准化的大数据只是大硬盘。
开放的双赢结构：药企交出的是「已发表论文级别的扰动 profile」，换回的是公共参照系的杠杆——这种交换结构在竞争前领域可复制。

§10 参考、引用与 FAQ

§10.1 官方资源导航

JUMP Hub（文档总入口）：broadinstitute.github.io/jump_hub——数据描述、教程、工具索引。
Cell Painting Gallery（AWS）：registry.opendata.aws/cellpainting-gallery——S3 免费托管，cpg0016-jump 前缀。
datasets repo：github.com/jump-cellpainting/datasets——plate map 与元数据（版本追踪处）。
jump-profiling-recipe：github.com/jump-cellpainting/jump-profiling-recipe——七步处理链代码与配置。
基因地图论文代码：github.com/jump-cellpainting/2025_Chandrasekaran_NatureMethods_Morphmap——NM 2025 全部图表复现代码（BSD-3）。
JUMP-CP Explorer：phenaid.ardigen.com/jumpcpexplorer——在线可视化门户。
Cell Painting 协议：Cimini et al., Nature Protocols 2023（v3）；Bray et al., Nature Protocols 2016（v1/v2）。
数据论文：bioRxiv 10.1101/2023.03.23.534023（2023 preprint）；Nature Methods 22:1742-1752（2025，DOI 10.1038/s41592-025-02753-9）。
NLM 收录：Dataset Catalog 收录 Zenodo curation 版（CC BY 4.0 条目）——第三方目录索引与主渠道并存。

§10.2 学术引用

Chandrasekaran SN, Ackerman J, Alix E, et al. JUMP Cell Painting dataset: morphological impact of 136,000 chemical and genetic perturbations. bioRxiv 2023.10.1101/2023.03.23.534023.
Chandrasekaran SN, Alix E, Arevalo J, et al. Morphological map of under- and overexpression of genes in human cells. Nature Methods 22:1742-1752 (2025).（基因子集 Resource 论文）
Cimini BA, et al. Optimizing the Cell Painting assay for image-based profiling. Nature Protocols (2023).（协议 v3）
Bray MA, et al. Cell Painting, a high-content image-based assay for morphological profiling using multiplexed fluorescent dyes. Nature Protocols 11:1757-1774 (2016).（协议原始版）
Haghighi M, et al. Simultaneous profiling of 28,000+ genes and compounds with Cell Painting and L1000 (rosetta).（cpg0003）
Way GP, et al. Morphology and gene expression profiling provide complementary information for mapping cell state. Cell Syst (2022).（cpg0004-lincs，形态↔转录互补）
Tromans-Coia C, Jamali N, et al. (cpg0002-jump-scope) Imaging protocol and microscope variation quantification.（2023）

§10.3 站内互链

lincs-l1000：rosetta 跨模态的转录侧入口
chebi：化合物结构与标识参照
drugcomb：药物组合与协同语境
drugcentral：药物-靶点与适应症参照
境
drugcentral：药物-靶点与适应症参照
drug-reviews-uci：药物评论文本侧参照
brax / bimcv-covi：药物评论文本侧参照
brax / bimcv-covid：胸片域数据集对照（多中心与许可差异参照）

§10.4 建议引用格式

@article{chandrasekaran2025morphmap,
  title   = {Morphological map of under- and overexpression of genes in human cells},
  author  = {Chandrasekaran, Srinivas Niranj and Alix, Eric and Arevalo, John and others},
  journal = {Nature Methods},
  volume  = {22},
  pages   = {1742--1752},
  year    = {2025},
  doi     = {10.1038/s41592-025-02753-9}
}

§10.5 术语表

术语	释义
JUMP-CP	Joint Undertaking for Morphological Profiling——形态学画像联合体（联盟名）
Cell Painting	5 通道荧光染色的高内涵表型测定（DNA/RNA/ER/AGP/Mito）
cpg	Cell Painting Gallery——AWS 上的数据总库；cpg0016 为主 JUMP 数据集
source	数据生成中心编号（source_4=Broad 等）
ORF	开放阅读框过表达——gain-of-function 基因扰动
CRISPR knockout	guide 池基因敲除——loss-of-function（实为 knockdown 混合）
profile	扰动后细胞的特征向量（单细胞或孔级）
sphering	球形化/白化变换——让相似度计算不被特征协方差扭曲
Harmony	跨批次/跨中心批校正算法（处理链最后一步）
Interpretable	批校正前、特征名保留原始语义的 profile 版本
JUMP_rr	官方预计算参考表族（特征排名/相似度/显著性）
connectivity	扰动间 profile 相似度——机制同路的量化指标
JUMP-Target	306 化合物+160 基因的正对照板（跨数据集对齐锚）
JUMP-MOA	90 化合物 47 机制类的方法标定板
well / site / channel	孔/成像视野/荧光通道——成像三层级
plate map	孔位到扰动的映射表
rosetta	CP 与 L1000 联合 profiling 的桥接数据集（cpg0003）
MOA	Mechanism of Action——化合物作用机制类别
DepMap	基因必需性/表达注释库（profile 解释层）
CC0	公共领域贡献许可——JUMP 官方数据许可

§10.6 常见问题 FAQ

Q1：我只想试试 JUMP，最小下载方案是什么？
A：三步——①datasets repo 拿 plate map；②S3 下载某个 source 的 workspace/profiles 子集（GB 级）；③配 JUMP_rr 非 full 表做探索。全程不必碰 TB 级图像。

Q2：116,750 还是 116,000+？115 TB 还是 250 TB？
A：preprint（2023）写 116,750 化合物与约 115 TB 的估计；实际生产与 gallery 页口径是 116,000+ 化合物、总量超 250 TB。引用对齐最新正式来源；两套数字并存是「估计 vs 实际」的关系。

Q3：图像必须是 5 通道一起用吗？能不能只用 DNA 通道？
A：技术上可以，但会丢掉大部分表型信息——Cell Painting 的区分力来自通道组合（核+膜+线粒体等的联合形态）。单通道只适合特定问题（如核形态计数）；正式 profile 一律 5 通道。

Q4：CC0 是不是意味着我可以不引用论文？
A：法律上可以，社区规范上不可以——引用是联盟持续运转的燃料（资助方看学术影响）。从 Zenodo curation 版拿数据则必须按 CC BY 4.0 署名。

Q5：为什么我的连接性结果和别人的对不上？
A：按序三查——①数据快照是否一致（下载日期/plate map commit）；②处理链口径（Interpretable vs Harmony 后表、sphering 参数）；③批校正配置。三者任一不同，连接性排序就可能大幅变动（§5.9 模板把这些写进报告）。

Q6：能用自己的显微镜/协议数据对齐 JUMP 吗？
A：可以——这正是 JUMP-Target 板的设计用途：在你的实验里跑同一块 Target 板（306 化合物），用板内 profile 做对齐，再与 JUMP 参照比较。协议细节见 hub 文档。

Q7：CRISPR 和 ORF 结果冲突时信哪个？
A：先别「信」——方向不同（loss vs gain）本就可能不对称；重叠的约 5k 基因恰是研究「功能获得/丧失差异」的素材。结论按方向分别陈述，冲突本身是发现线索。

Q8：做深度学习该用 CellProfiler 特征还是深度特征？
A：官方 profile 是 CellProfiler 特征（Interpretable/处理链配套）；深度特征可自提但需重做批校正与验证。务实路线：先在官方 profile 上立基线，深度特征作为改进对照——两者报告并列。

Q9：数据会更新吗？怎么追踪？
A：会——cpg0016 持续上传、处理链与参考表滚动更新。追踪 channels：GitHub（datasets/recipe repos）、JUMP hub 公告、论文更新。引用时绑定快照日期（§4.7）。

Q10：250 TB 我下载不起，有替代路线吗？
A：有——①Zenodo curation 子集（较小）；②云上计算（AWS 同区免流量费，数据不动代码动）；③JUMP-CP Explorer 在线浏览；④只下 profile 层。多数研究问题不需要把图像搬到本地。

Q11：我自己的 Cell Painting 实验怎么接入 JUMP 参照系？
A：三要件——①用 Cell Painting v3 协议（Cimini 2023）；②实验中跑 JUMP-Target 正对照板（306 化合物）；③用官方七步链处理。Target 板是你的数据与 JUMP 参照的「插座」——板数据对齐后，你的 profile 即可与 136k 扰动同空间比较。

Q12：profile 的特征维度到底是多少？为什么不同论文写的不一样？
A：取决于管线版本与处理阶段——原始 CellProfiler 特征约 1,800 维量级，特征选择后约 600-1,500 维（依版本），sphering/Harmony 不改变维度。引用时注明「哪一版处理的表」；跨论文比较用官方当期口径。

Q13：负对照孔（DMSO）本身也要做多样性分析吗？
A：值得——DMSO 孔的 profile 分布宽度就是「无表型噪声的地板」，你的扰动效应量要跟这个地板比；官方 significance 表的内建逻辑正是如此。自算时保留 DMSO 分布的描述统计进报告。

Q14：为什么我的连接性 top 命中全是同一 batch 的？
A：典型批效应残留——同批孔的 profile 相似度天然偏高。检查是否用了未批校正的表；用 JUMP_rr（官方已处理）或在自算中确认 Harmony 步骤生效；再把跨批命中比例作为质量指标监控。

Q15：能在 JUMP 上做时间序列/纵向建模吗？
A：主集是标准时点的快照——纵向建模需要 cpg0000 两时间点或外部剂量-时间数据；把快照 profile 当「轨迹」解释是超范围使用，论文里会被抓。

§10.7 全文要点回顾

一个定位：136,000 种化学与遗传扰动的形态学公共参照系——CC0、12 中心、超 15 亿细胞。
一条主线：从图像（5 通道）到 profile（七步链）到连接性（相似度/对照板）——每层都有官方工具，沿用即可站上巨人的肩膀。
三个数字：116k 化合物、15,243 基因、250+ TB——规模本身就是护城河。
三条纪律：按需下载（别全量）、批校正必做（用 Target 板验证）、快照版本绑定（引用可复现）。
三个锚任务：MOA 归类、JUMP-Target 连接性、rosetta 跨模态——任何方法学改进在这三个锚上自证。
两个方向的扩展：剂量/时间纵深（cpg0004/cpg0000）与跨模态（rosetta→转录、结构→分子）——主集是广场，扩展集是纵深。
一个提醒：形态学 hit 是假设生成的起点，不是终点——从 profile 到临床之间还隔着完整的验证链。

（全文完；本文共 §0-§10 十一个章节，规模数字以 Nature Methods 2025 论文、JUMP Hub 与 Cell Painting Gallery 官方口径为准，发表年 2023/2025。）