信息速览
MCA 是浙江大学郭国骥团队做出来的小鼠多组织单细胞转录组图谱，首版 2018 年 2 月发表在 Cell，覆盖 51 种组织、器官与细胞培养物，共四十余万个细胞、98 个细胞类型。它和同期其他图谱最大的区别不在数据本身，而在数据是怎么来的：团队没有买商品化平台，而是自己做了一块带十万个微孔的琼脂糖芯片，用磁珠在孔里就地封口标记，把单个细胞的建库成本从百元级压到两元级。今天回看，这次压缩成本的动作比图谱本身影响更久。
需要先说清边界。它不是一份可以直接喂进模型的整齐表格，而是按组织切开的一堆矩阵，加一张注释表、一张批次表；组织名用的是项目自家的一套叫法，不是 Cell Ontology；同一批小鼠被反复重算过四代，四代的细胞数、聚类数与注释体系都不一样。任何跨图谱、跨版本的用法，第一步都是先确认手上这份到底是哪一代。
三件事贯穿全文：一块芯片怎么把成本打下来；一套自有命名怎么让跨库联用变麻烦；四代版本之间的差异为什么不能当成简单扩样。下文先给一屏速览，再按平台、命名、取数三层展开，最后交代它的局限与用法。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 官方名 | Mouse Cell Atlas（MCA），首版论文题名 Mapping the Mouse Cell Atlas by Microwell-Seq |
| 团队 | 浙江大学医学院干细胞与再生医学中心，郭国骥实验室 |
| 首版发表 | Cell，2018-02-22 在线，172(5):1091–1107，DOI 10.1016/j.cell.2018.02.001 |
| 平台 | Microwell-seq：琼脂糖微孔阵列 + 条码磁珠，自制设备 |
| 首版规模 | 51 种组织/器官/细胞培养物，逾 40 万细胞，98 个细胞类型 |
| 现行规模 | 3.0 版约 113 万细胞、177 个聚类、十个生命阶段 |
| 数据结构 | 三层：按组织切分的表达矩阵、细胞注释表、批次信息表 |
| 主键 | 细胞条码（cell name），三层靠字符串对齐 |
| 组织命名 | 项目自有标签，非 Cell Ontology，官方无对照表 |
| 分发 | figshare 5435866（v8）、GEO GSE108097、官网 Gallery |
| 许可 | 公开直下，无申请门槛，无统一许可标识 |
| 在线服务 | scMCA 相关性注释、基因检索、图谱浏览 |
| 库内姊妹 | tabula-muris（同物种异平台）、human-cell-atlas（同团队同平台，人） |
| 明确不含 | 空间坐标、蛋白丰度、逐细胞置信度、官方本体映射表 |
§1 它是什么：一台自制设备换来的四十万个细胞
1.1 一句话与三个不
一句话：MCA 是用低成本自制平台一次性铺开小鼠全身主要器官的单细胞转录组参考集，它的价值一半在数据，一半在证明「全身图谱这件事不必依赖昂贵设备」。
三个不，先把预期校准。第一，它不是全器官穷举——51 种组织覆盖的是主要器官与若干细胞培养物，不是解剖学意义上的每一个组织块。第二，它不是均衡采样——每个组织 2 到 4 个重复，落到某个具体器官上的细胞数从数千到数万不等，器官之间的深度差别很大。第三，它不是带金标准的标注集——细胞类型来自聚类加标记基因的人工判读，没有独立复核，也没有逐细胞置信度。
这三点决定了它的用法：适合做参考基线、做注释器的训练底料、做跨组织比较的骨架；不适合做精细的稀有细胞发现，也不适合当作细胞类型命名的权威。
1.2 你的处境，它能帮什么
| 你的处境 | 它能帮你什么 | 你要自己补什么 |
|---|---|---|
| 手上有一批小鼠单细胞数据，不知道每个簇是什么细胞 | 提供跨 51 种组织的参考表达谱，可用相关性做快速比对 | 平台不同带来的系统性偏差要自己校正；相关性高不等于同类型 |
| 想给注释模型找一份多组织训练集 | 组织覆盖面广，细胞类型近百，成本极低的原始矩阵齐全 | 标签是自由文本，要先归一化；无置信度，需自行设阈值 |
| 想研究某个基因在全身哪些细胞里表达 | 官网基因检索可按组织、按聚类给出表达条形图 | 只到聚类粒度，不到单细胞统计推断 |
| 想复现低成本建库方案 | 官网公开微孔板与磁珠的制作流程、引物序列、试剂清单 | 手工操作细节多，批次效应要靠流程控制而非试剂 |
| 想做跨图谱整合方法评测 | 与 Tabula Muris 构成「同物种、异平台、异命名」的天然对照组 | 两套标签需自建映射，且映射不是一一对应 |
| 想找带空间信息的图谱 | 给不了，没有空间坐标 | 转空间转录组类资源 |
1.3 不适合谁
如果你的需求是「一套开箱即用的细胞类型分类器」，它给不了你模型，只给参考谱，而且参考谱是按组织切的，跨组织归一化要自己做。
如果你要做的是稀有细胞或低表达基因的发现，它给不了你足够的测序深度——微孔平台的每细胞检出基因数低于主流液滴平台，这一点在跨平台对照里被反复提到。
如果你需要器官的完整解剖覆盖，它给不了你，51 种组织是选择的结果，不是穷举的结果。
如果你需要合规层面的确定性，它也给不了你——分发端没有统一许可标识，商业复用要逐案确认。
1.4 为什么值得单独成篇
单细胞图谱在 2017 到 2020 年间出了很多份，多数图谱的差异只是物种、组织数与细胞数。MCA 不一样的地方在于它把「平台」这件事变成了主角：芯片是自己刻的，磁珠是自己合成的，试剂盒后来交给本地公司商品化，整套流程连同引物序列一起公开在官网上。
这带来一个别的图谱没有的性质：它的方法学是可搬运的。一个没有液滴微流控设备的实验室，照官网流程可以复现建库；这正是它当年被广泛引用的原因之一。评价这份数据时如果只看细胞数，会完全错过这一点。
§2 数据构成：四代版本与三层文件
2.1 官方口径的四个版本
官网的版本表是理解这份数据的第一把钥匙。四代不是简单的样本叠加，每一代都换了统计口径。
| 版本 | 别名 | 组织口径 | 生命阶段 | 细胞数 | 聚类数 | 对应论文 |
|---|---|---|---|---|---|---|
| MCA 1.0 | Mouse Cell Atlas | 51 种组织、器官与细胞培养物 | 成年 6–10 周、胚胎 E14.5、新生期 | 逾 40 万 | 98 | Han et al., Cell 2018 |
| MCA 1.1 | 重聚类版 | 55 种（在 1.0 基础上补组织） | 同上 | 33.4 万 | 104 | Han et al., Nature 2020 |
| MCA 2.0 | Mouse Cell Differentiation Atlas | 十余种组织 | 七个阶段（E10.5 至成年） | 逾 52 万 | 95 | Fei et al., Nat Genet 2022 |
| MCA 3.0 | Mouse Cell Development and Ageing Atlas | 十余种组织 | 十个阶段（E10.5 至 24 月龄） | 约 113 万 | 177 | Wang et al., NAR 2022 |
这张表里有三处容易被误读。其一，1.1 的细胞数比 1.0 少，因为它换了重聚类流程并重新质控，不是简单相加。其二，2.0 与 3.0 的组织数从 51 降到十余种，因为重心从「铺开器官」转成「跟踪发育与衰老」，组织少而阶段多。其三，聚类数在 98、104、95、177 之间跳动，说明聚类粒度本身随流程变化，不能把「聚类数」当成「细胞类型数」的稳定估计。
2.2 三层文件：矩阵、注释、批次
不管是哪一代，分发包的内部结构都是三层，这是使用这份数据时必须先建立的模型。
| 层 | 回答什么问题 | 形态 | 关键内容 |
|---|---|---|---|
| 矩阵层 | 每个细胞表达了多少 | 按组织切分的文本矩阵或 h5ad | 行是基因，列是细胞，值是数字表达量，只保留转录本数大于 500 的细胞 |
| 注释层 | 这个细胞是什么 | 一张 CSV | 细胞名、聚类编号、所属组织、实验批次、细胞条码 |
| 批次层 | 这批细胞从哪来 | 一张 XLSX | 小鼠年龄、性别、实验批次编号 |
三层之间没有数据库意义上的外键，靠细胞条码字符串对齐。这件事听起来无害，实际会咬人：矩阵的列名是细胞条码，注释表里的细胞名是条码加前缀的拼接形态，两边的字符串并不总是逐字相同，直接 merge 会出现大量未匹配。稳妥做法是先做字符串规范化再连接，连不上就查前缀规则，不要先怀疑数据缺行。
第三层最容易被忽略。批次表里的小鼠年龄与性别是这份数据唯一可用的协变量——它没有提供组织切片的解剖位置，没有提供处理方式，也没有提供个体编号之外的动物级标识。做年龄或性别相关的比较时，全部的个体信息就来自这张表。
2.3 分发包里到底有哪几个文件
figshare 数据集页（编号 5435866，第 8 版，2020-03-14）是 1.0 与 1.1 两代的主要分发点，文件清单如下。
| 文件 | 内容 | 用途 |
|---|---|---|
| MCA_500more_dge.rar | 逾 40 万细胞的全量数字表达矩阵，按组织切分，未去批次基因 | 需要全量细胞或做批次效应研究时用 |
| MCA_BatchRemove_dge.zip | 二十余万细胞的去批次矩阵，按组织切分 | 跨组织比较、全局降维可视化 |
| MCA_CellAssignments.csv | 细胞注释，含细胞名、聚类编号、组织、批次、条码 | 与矩阵连接的唯一依据 |
| MCA_Figure2-batch-removed.txt.tar.gz | 约 6 万细胞的下采样集，43 个组织各取 1500 个 | 复现论文图 2 的跨组织视图 |
| MCA_Figure2_Cell.info.xlsx | 三张表：逐细胞注释、98 个聚类注释、98×43 的细胞数构成 | 查某个聚类由哪些组织贡献 |
| MCA_Batch Information.xlsx | 小鼠年龄、性别、实验批次 | 协变量来源 |
| MCA_BatchRemoved_Merge_dge.h5ad | 33.4 万细胞的合并去批次矩阵，scanpy 可直接读 | 1.1 版分析起点 |
| MCA_BatchRemoved_Merge_dge_cellinfo.csv | 上者的细胞信息 | 与 h5ad 配套 |
这里有一处必须点出的口径冲突：同一批小鼠，全量矩阵是四十余万细胞，去批次矩阵只剩二十余万。差额不是随机丢失，官方写明「部分组织因批次效应相对较强而未纳入」。也就是说，去批次版是一个组织级的不完整样本，它的组织构成与全量版不同。用去批次版做「各组织细胞数占比」之类的统计，结论会系统性偏移。
2.4 一条记录长什么样
取一个细胞，它在三层里的样子大致如下。注意条码是唯一贯穿三层的字符串。
#-- 矩阵层（按组织切分的文本矩阵，制表符分隔；数值为示意，非真实细胞）
#-- 文件：MCA_500more_dge/Lung.dge.txt
gene AACTGTAGGC-C1 ACGTAGTTGC-C2 ...
Actb 128 341
Gapdh 97 288
Sftpc 0 512
#-- 行是基因符号，列是细胞条码，值是数字表达量（非 TPM）
#-- 注释层（MCA_CellAssignments.csv）
cell_name,cluster_id,tissue,batch,barcode
AACTGTAGGC-C1,C28_Alveolar_typeII,Lung,Batch_12,AACTGTAGGC
ACGTAGTTGC-C2,C31_Macrophage,Lung,Batch_12,ACGTAGTTGC
#-- 批次层（MCA_Batch Information.xlsx）
batch,age,gender
Batch_12,8w,male
三层看完就能明白一个事实：这份数据里没有任何一列叫「细胞类型标准编号」。聚类编号是项目内部编号，聚类名是标记基因的简写拼接，既不是 CL 号，也不是稳定的字符串（不同版本重聚类后编号会换）。想在别的本体体系里使用它，中间必须自己插一层映射。
2.5 与同物种图谱的定位差异
同为小鼠多组织图谱，MCA 与 Tabula Muris 常被并列引用，但两者几乎没有可直接互换的部分。
| 维度 | MCA | Tabula Muris |
|---|---|---|
| 团队与平台 | 浙江大学，Microwell-seq | 斯坦福与 CZ Biohub 等联合体，SMART-Seq2 加液滴双平台 |
| 组织数 | 51 种（首版） | 20 个器官 |
| 细胞数 | 逾 40 万（首版全量） | 约 10 万 |
| 测序策略 | 3’ 端计数，每细胞检出基因数偏低 | 全长转录本与 3’ 端计数并存 |
| 细胞类型标注 | 项目自有聚类命名 | Cell Ontology 受控词表 |
| 个体信息 | 批次表只有年龄与性别 | 逐只有个体标识与性别记录 |
| 主要用途 | 跨组织广覆盖、低成本复现 | 器官内精细分型、带本体标注的参考 |
一句话选型：要本体标注规整、器官内分型细，去 Tabula Muris；要组织覆盖广、要能复现建库、要做跨平台对照的「另一极」，来 MCA。两者合起来用，比任何一方单独用都更有信息量，前提是先解决命名映射。
§3 平台层：一块三厘米的琼脂糖片如何压成本
3.1 三个动作：落孔、封孔、常规测序
Microwell-seq 的全部巧思集中在前两个动作上，第三个动作与常规建库无异。
第一个动作是落孔。把解离好的单细胞悬液倾倒在琼脂糖微孔阵列上，靠重力与浓度控制让细胞落进孔里。官方流程给出的合适浓度是每毫升约 17 万个细胞，此时约一成的孔位会被单细胞占据——一块十万孔的板，大约捕获一万个细胞。浓度再高，双细胞率上升；再低，空孔太多。这个「一成」的设计不是随意定的，它是在通量与纯度之间取的折中。
第二个动作是封孔。把直径 25 微米的条码磁珠悬液铺上去，板子放在磁铁上，磁珠被吸进孔里，一个孔一颗珠，珠上的条码就把这个孔的身份固定下来。孔外的多余磁珠可以用磁铁回收再用，这是成本能压下来的关键细节之一。
第三个动作是常规的分子生物学：原位裂解、磁珠回收、逆转录、cDNA 扩增、转座酶片段化、测序。官方公开的引物序列表与试剂清单足以让另一个实验室照着做。
3.2 成本是怎么算出来的
论文与合作方公开材料给了两个口径。
其一是设备侧。一块带约十万微孔的硅片成本约 700 美元，它可以翻制数百块聚二甲基硅氧烷微柱阵列，而每一块微柱阵列又能反复浇注数百块琼脂糖微孔板。也就是说，一次性的模具投入被摊到数万次实验上，单次实验的耗材成本基本只剩琼脂糖。
其二是文库侧。论文估计每个细胞的建库成本低于 0.02 美元。中文报道给出的对照更直观：过去分析一个细胞约需一百元人民币，用这套平台不到两元。两个数字单位不同、口径不同，但指向同一个量级差：一到两个数量级。
这个差距的来源不是某项尖端技术，而是把「精密」从设备转移到了手工。液滴平台靠微流控芯片的加工精度保证一滴滴包裹一个细胞，微孔平台靠孔阵列的几何约束保证一孔一个细胞，剩下的误差用显微镜人工剔除。用人力换设备，是这套方案的基本逻辑。
3.3 代价：批次效应与手工误差
便宜不是没有代价，代价集中在两处。
第一处是批次效应。每一块板都是独立实验，板与板之间的差异会直接进入表达矩阵。官方的处理办法很直白：假设转录本数低于 500 的孔是裂解与清洗过程中暴露的空珠背景，取这些孔的平均基因检出作为背景值，乘 2 后向下取整，再从每个细胞的矩阵里减掉。这是一个工程化的近似，不是统计模型，它的效果依赖于「空孔能代表背景」这个假设。
第二处是组织级的整块缺失。上面提到的去批次矩阵只剩二十余万细胞，原因正是部分组织的批次效应强到无法用这套背景扣除压平，官方选择整块不纳入。这意味着便宜的代价最终以一种很具体的形式落在使用者身上：想用干净矩阵，就得接受组织不齐。
第三处是通量。一块板一万个细胞，做四十万个细胞需要数百块板、数百次手工操作。与液滴平台单次运行即可产出数万细胞相比，微孔平台的扩展靠的是「同时处理多块板」，是线性叠加，不是指数放大。
3.4 双细胞率与它的边界
官方方法里给出的双细胞率不超过 0.6%，控制手段是显微镜下逐孔检查，把明显过满的孔标记后弃用。这个数字在同代平台里属于较低水平，但要注意它的成立条件：它依赖人工判读，判读标准是「孔内细胞是否明显多于一个」，对两个细胞恰好叠在一起的情形并不敏感。
对下游的影响是具体的。0.6% 的双细胞率放在四十万个细胞里，意味着两千多个可能的双细胞事件，它们会以「同时表达两类标记」的形式出现在聚类边缘，在做稀有细胞鉴定时容易被误读为过渡态。这也是为什么官方在论文里对过渡态细胞类型的表述一直比较克制。
3.5 商品化与可搬运性
这套流程后来交给本地一家生物技术公司做成了试剂盒与服务，官网在材料一节直接给出链接。这件事的意义不只是商业化，它说明流程的标准化程度足以被第三方复现——引物、试剂浓度、温度与时间都写到了可照做的粒度。
对做方法学研究的人，这意味着一件少见的事：可以真正复现一套图谱的建库过程，而不只是拿到它的结果。绝大多数图谱只公开矩阵，不公开湿实验细节；MCA 两样都给了。
§4 命名层：自家组织名与 Cell Ontology 之间的落差
4.1 官方用的是一套自己的名字
打开分发数据，组织字段里出现的不是标准本体标识，而是这样一批字符串：Adrenal-Gland、Bladder、Bone-Marrow、Brain、Calvaria、Embryo、Heart、Intestine、Kidney、Liver、Lung、Mammary-Gland、Muscle、Omentum、Ovary、Pancreas、Peripheral-Blood、Placenta、Pleura、Prostate、Retina、Rib、Skin、Spleen、Stem-Cell、Stomach、Testis、Thymus、Uterus。
这份清单在几处与解剖学常识不一致，且不一致的方式各不相同。
Calvaria 指颅盖骨，是一块被切下来的骨片，不是「骨」这个器官；Rib 是肋骨，同样是取材片段；Omentum 是大网膜，属于腹膜的一部分，在多数图谱里会被并入脂肪或腹膜；Peripheral-Blood 描述的是样本来源而不是组织本体；Stem-Cell 更特殊，它是一个细胞状态标签被放在了组织字段里。
这些不是笔误，是取材方式的直接投影。微孔平台需要把组织解离成悬液，能解离成什么样，就按什么样命名。理解这一点，才不会把 Calvaria 当成「颅骨器官」去和别的图谱对齐。
4.2 GEO 那边又是另一套写法
同一批数据在 GEO 的记录里，器官字段的写法与官网并不完全一致。GEO 的样本描述里出现过 Female gonad、Male gonad 这样的标签，而官网用的是 Ovary 与 Testis。
Female gonad 与 Ovary 在解剖学上可以认为是同一器官的两种叫法，但在数据层面它们不是同一个字符串，按字符串做筛选会漏。Male gonad 同理。这类差异在处理跨源合并时最危险：两边的样本其实重合，按标签却互不相认，容易造成重复计数或误判为两个器官。
4.3 为什么不能直接映射到 Cell Ontology
Cell Ontology 描述的是细胞类型，UBERON 描述的是解剖结构，两者都是受控词表，标识稳定、层级明确。MCA 的标签体系与之一对照，会暴露三类不可约的差异。
第一类是一对多。一个「Female gonad」样本里含卵泡各期颗粒细胞、卵母细胞、黄体细胞、间质细胞，在 Cell Ontology 里对应十几个类型；反过来，一个 Cell Ontology 类型可能分布在多个 MCA 组织标签下。这是采样粒度与本体粒度不匹配，不是标注错误。
第二类是无对应。Stem-Cell 这个标签在 Cell Ontology 里找不到对应项，因为本体按谱系与分化状态分类，不接受「干细胞」这种跨谱系的笼统集合。Omentum 在部分本体版本里作为腹膜的一部分存在，但没有独立的「大网膜单细胞图谱」这一层级。
第三类是同名不同义。MCA 的 Macrophage 聚类是按标记基因与聚类位置判定的，与 Cell Ontology 里按发育起源与表面标志物定义的巨噬细胞亚群不是同一个判定标准。名字一样，内涵不完全一样，这比名字不同更难发现。
4.4 一个具体的映射失败案例
设想一个常见任务：把 MCA 与另一份用 Cell Ontology 标注的小鼠图谱合并，做跨平台细胞类型对照。第一道坎就会卡在生殖腺上。
MCA 侧的组织字段是 Female gonad（GEO 写法）或 Ovary（官网写法），细胞聚类名是按标记基因拼的，比如卵泡颗粒细胞会被标成以颗粒细胞标记命名的聚类。另一侧的组织字段是 ovary，细胞类型字段是 Cell Ontology 的正式名称，一个类型一个标识。
三类问题会同时出现。其一，组织字符串对不上，需要先建一张同义词表，把 Female gonad、Ovary、ovary 归到一处。其二，细胞类型粒度对不上，MCA 的一个聚类在另一侧可能对应三个类型，或者反过来三个聚类对应一个类型。其三，判定标准对不上，同一群细胞在两边可能都叫颗粒细胞，但一边按标记基因、一边按发育阶段划分亚群。
这三件事没有官方答案。官方没有发布组织名与本体标识的对照表，也没有发布聚类到 CL 号的映射。所有对齐工作都得使用者自己做，而且做完之后必须自己声明映射规则，否则结果无法复现。
4.5 建映射表的三条实用规则
规则一：先映射组织，再映射细胞类型。组织层的映射相对稳定，且能大幅缩小候选范围；跳过组织直接做全库细胞类型匹配，会把不同组织里的同名细胞混在一起。
规则二：一对多的映射要显式记录。把 MCA 的一个聚类映射到多个本体类型时，写下拆分依据（标记基因、组织来源、文献），不要只留结果。
规则三：保留原标签。合并后的表里同时留 MCA 原始字符串与映射后的标识，两者都存。一旦发现映射错误，只需改映射列，不用回溯原始数据。
4.6 scMCA 是相关性匹配，不是分类器
官方的在线注释服务叫 scMCA。上传一份数字表达矩阵，它返回查询样本与参考细胞类型之间的 Pearson 相关系数热图与表格。这个设计要理解清楚，否则会误判它的能力。
它没有训练过程，没有参数学习，也没有概率输出。相关性最高的那一行就是「最像」的参考类型，仅此而已。它也没有拒识机制——上传一群参考谱里根本不存在的细胞，它照样会给出一个最高的相关系数，只是数值偏低。
这意味着两件事。第一，它的结果必须配合绝对阈值使用，不能只看排名。第二，跨平台使用时要格外小心：相关系数对平台偏差敏感，用液滴平台的数据去查微孔平台的参考谱，最高相关性可能落在错误的类型上，因为表达谱的整体形状被平台效应扭曲了。
§5 访问层：figshare、GEO 与在线服务
5.1 三条路径各自适合什么
| 路径 | 内容 | 适合的人 | 代价 |
|---|---|---|---|
| figshare 数据集页 | 处理好的矩阵、注释、批次表、h5ad | 直接做分析，不想碰原始读段 | 只有 1.0 与 1.1 两代，后续版本不在此 |
| GEO GSE108097 | 测序层面的样本与数据，九十份样本 | 要重跑比对与计数、要换参考基因组 | 体量在数百 GB 量级，处理链要自建 |
| 官网 Gallery | 按组织分发的矩阵与聚类结果、标记基因 | 只要一两个组织做探索 | 逐组织下载，没有统一打包 |
三条路径的数据并非完全等价。figshare 是「已经算好的结果」，GEO 是「可以重算的原料」，官网 Gallery 是「按组织切开的成品」。要做方法学复现，走 GEO；要做下游分析，走 figshare；要快速看某个组织的聚类与标记基因，走 Gallery。
5.2 先把文件清单拉下来
不要一上来就下全量。figshare 有公开接口，可以只取清单，看清每个文件多大再决定。
#-- 取数据集元数据与文件清单（无需 token），确认版本与体积
curl -s https://api.figshare.com/v2/articles/5435866 \
| python3.11 -c "import json,sys; d=json.load(sys.stdin); \
print(d['title'], d.get('version')); \
[print(f\"{f['name']}\t{f['size']/1e6:.1f} MB\") for f in d['files']]"
清单里最该注意的是两个矩阵包的名字差别：一个叫 500more，一个叫 BatchRemove。前者是全量、含批次基因；后者是去批次、细胞数少一半。选错这一个词，后面所有数字都对不上。
5.3 读三层并接到一起
下面这段把矩阵、注释、批次三层接起来，并检查连接率。连接率是这类数据的第一道体检：低于九成说明字符串规范化没做对。
#-- 读 h5ad 与配套细胞信息，检查连接率
import anndata as ad
import pandas as pd
adata = ad.read_h5ad("MCA_BatchRemoved_Merge_dge.h5ad")
info = pd.read_csv("MCA_BatchRemoved_Merge_dge_cellinfo.csv")
#-- 两侧的细胞标识先规范化：去空白、统一大小写，再比对
left = set(adata.obs_names.astype(str).str.strip())
right = set(info.iloc[:, 0].astype(str).str.strip())
print("矩阵细胞数:", len(left), "注释细胞数:", len(right))
print("交集:", len(left & right), "连接率: %.3f" % (len(left & right) / len(left)))
#-- 组织字段是自由文本，先看有哪些取值，别急着分组
print(info["tissue"].value_counts().head(30))
连接率如果明显偏低，先怀疑三件事：后缀差异（有的表在条码后加了样本号）、大小写、以及分隔符前后空格。这三件事都不涉及数据缺失，但都会让 merge 静默失败。
5.4 组织标签归一化
组织名不做归一化，后面所有按组织的比较都会碎成一地。做法是先建一张显式映射表，再做替换，映射表本身要留档。
#-- 显式映射表：左边是原始标签，右边是归一化后的解剖名
tissue_map = {
"Female gonad": "ovary",
"Ovary": "ovary",
"Male gonad": "testis",
"Testis": "testis",
"Calvaria": "calvaria",
"Rib": "rib",
"Peripheral-Blood": "blood",
"Peripheral Blood": "blood",
"Mammary-Gland": "mammary gland",
"Stem-Cell": "stem cell (mixed)",
}
import pandas as pd
df = pd.read_csv("MCA_CellAssignments.csv")
df["tissue_norm"] = df["tissue"].map(tissue_map).fillna(df["tissue"].str.lower())
print(df["tissue_norm"].value_counts())
#-- 未命中映射的标签会以原字符串小写形式留下，正好用来发现漏项
最后那行注释是重点。用 fillna 保留未命中项，可以一次性看出映射表漏了哪些标签；如果直接丢掉，漏项会静默消失，等到按组织统计时才发现总数对不上。
5.5 用相关性做一次最简注释
不依赖官方服务，本地也能复现 scMCA 的基本逻辑：构建参考谱，算 Pearson 相关，取最高。
#-- 最简相关性注释：参考谱取每个聚类的平均表达，查询谱取每列
import numpy as np
import pandas as pd
ref = pd.read_csv("MCA_Figure2-batch-removed.txt", sep="\t", index_col=0)
labels = pd.read_excel("MCA_Figure2_Cell.info.xlsx", sheet_name="Sheet1")
#-- 聚类平均谱（按注释表把细胞列分组求均值）
cell2cluster = dict(zip(labels["cell_name"], labels["cluster_id"]))
cols = [c for c in ref.columns if c in cell2cluster]
grouped = ref[cols].groupby(cell2cluster, axis=1).mean()
def annotate(query: pd.Series, reference: pd.DataFrame) -> pd.Series:
"""query 与每个参考谱做 Pearson 相关，返回降序相关系数"""
common = query.index.intersection(reference.index)
q = query.loc[common]
return reference.loc[common].corrwith(q).sort_values(ascending=False)
demo = ref[cols[0]]
print(annotate(demo, grouped).head(5))
这段的意义不在精度，而在把「相关性匹配」这件事从黑箱变成可检查的过程：可以看第二名的分差有多大，可以看整体相关系数的绝对值有多低。次名与首名接近时，说明这个细胞处在两个类型之间，或者参考谱本身不够分辨。
5.6 引用与合规动作
引用要分三层写清。数据层引用 figshare 数据集页与版本号（第 8 版，2020-03-14），方法层引用 Cell 2018 论文，重聚类与后续版本分别引用对应的 Nature 2020、Nature Genetics 2022 与 NAR 2022 论文。三层缺一层，别人就无法判断你用的是哪一代。
合规上要做四件事：在数据可用性声明里写明版本与是否去批次；声明组织标签的映射规则；不尝试重新识别供体小鼠（虽然是非人数据，但批次表含性别与年龄，细粒度组合仍有准标识风险）；商业用途逐案确认，因为分发端没有统一许可标识。
§6 与库内相邻词条的关系
MCA 在本库里的位置是「小鼠、微孔平台、宽覆盖」这一极。它与四个方向的词条构成可对照的坐标。
第一组是同物种异平台。tabula-muris（rid 339）与它物种相同、目标相近，平台与命名体系完全不同：那边是 SMART-Seq2 加液滴双平台、约十万细胞、二十个器官、Cell Ontology 标注；这边是微孔单平台、四十余万细胞、五十一种组织、自有命名。两者互为对照组，做跨平台方法评测时最好成对使用。
第二组是同团队同平台跨物种。human-cell-atlas（rid 319）是同一实验室把同一套平台搬到人身上的结果，MCA 1.1 的重聚类正是借用该项目的流程完成的。想看「同一平台在两个物种上的表现差异」，这一对最直接。
第三组是人类图谱的其他参照。tabula-sapiens（rid 329）提供人体器官的跨组织参考，cellxgene-census（rid 1035）提供标准化的单细胞数据聚合入口，single-cell-portal（rid 359）提供统一的检索与在线分析。前两者适合做人类侧的对照，后者适合做数据发现。
第四组是深度参照。adrenal-gland-atlas（rid 1227）与 endometrium-scrna-atlas（rid 1223）代表「单器官、深测序、带空间或多组学」的另一条路线，gtex（rid 568）则是组织级 bulk 表达的老牌参考。用 MCA 做广谱筛查、用这些词条做器官内精细验证，是常见组合。
一条选型规则：要广度与低成本复现，选 MCA；要本体标注与器官内分型，选 Tabula Muris 一系；要单器官深度与空间信息，选器官级图谱；要标准化聚合与统一接口，走 cellxgene 一系的入口。四者不互相替代。
§7 质量评估与局限
7.0 读这一节前的一个前置校正
评估 MCA 时最常见的框架错位，是拿「现代单细胞数据集」的标准来量它：问它有没有统一的本体标注、有没有逐细胞置信度、有没有标准化的 AnnData 与统一 schema。按这套标准，它几乎每一项都要扣分。
但它是一份 2018 年的图谱，评价框架应该是另外四条：平台是否真的低成本且可复现；覆盖是否足以支撑跨组织比较；命名与结构是否自洽到可以程序化处理；分发是否让人能真正拿到数据。按这四条看，它的表现与按「现代标准化程度」看完全不同。下文每一处扣分，都应读作「那个年代的技术选择留下的印记」，而不是「它没做好」。
7.1 DAIMS 评分表
DAIMS 把数据集质量拆成描述、结构、访问三层，每层各有可核对的检查项。按这八项打分如下。
| 评分项 | 分数 | 依据 |
|---|---|---|
| 描述层身份与边界 | 4 / 5 | 官方站点明确给出四代版本的组织数、阶段、细胞数与聚类数对照表，身份与边界清楚；扣分在 GEO 与官网组织命名的写法不一致 |
| 描述层文档完备度 | 5 / 5 | 建库流程写到引物序列、试剂浓度、温湿度与时间粒度，微孔板与磁珠制作流程单独提供文档下载，这在同类图谱里少见 |
| 结构层标识体系 | 2 / 5 | 细胞层有条码，但组织与细胞类型均为自由文本，无本体标识、无稳定编号；重聚类后聚类编号会变 |
| 结构层层级一致性 | 3 / 5 | 矩阵、注释、批次三层逻辑清晰，但无共享主键，靠字符串对齐；全量版与去批次版的组织构成不同，层级间不完全自洽 |
| 结构层模态配对 | 3 / 5 | 单一模态（转录组）内部自洽，样本层与细胞层能对上；但缺空间、蛋白与多组学配对，跨模态关联无从建立 |
| 访问层开放程度 | 5 / 5 | figshare 与 GEO 均公开直下，无申请、无审批、无注册；官网另有在线注释与基因检索 |
| 访问层可复现性 | 3 / 5 | 湿实验可复现，干实验有版本与文件清单；扣分在缺少统一的处理脚本与容器化环境，重跑比对需自建流程 |
| 访问层许可清晰度 | 2 / 5 | 分发端未给出统一的许可标识，商业复用条款需逐案确认；论文为开放存档，但论文许可不自动覆盖数据 |
八项合计 27 分（满分 40）。最能说明性格的是这组分布：文档与开放度接近满分，标识体系与许可清晰度垫底。这正是「工程先行、标准滞后」的典型形态——先把东西做出来并且给出去，规范化留给了后来者。
7.2 可枚举的偏差与缺口
第一，组织级缺失不随机。去批次版剔除的是整块组织，不是按细胞质量筛。任何以去批次版为基数的跨组织比较，都在一个组织构成偏移的样本上做。
第二，深度不均。每个组织 2 到 4 个重复，落到细胞数上从数千到数万不等。细胞数少的组织，其稀有类型的检出概率显著低，跨组织比较时容易出现「某类型只在大组织里出现」的假象。
第三，测序深度偏低。微孔平台的每细胞检出基因数低于主流液滴平台。对高表达基因与广谱标记够用，对低表达转录因子与稀有转录本不足。这一点在跨平台对照文献里被明确记录过。
第四，命名不可程序化对齐。组织名与聚类名都是自由文本，没有稳定标识。跨版本、跨图谱的自动化流程在这里必须插入人工映射。
第五，无置信度。聚类是一次硬划分，每个细胞属于且只属于一个聚类，没有软分配、没有后验概率、没有「不确定」这个选项。
第六，批次表信息有限。只有年龄、性别与批次编号，没有个体标识、没有取材时间、没有处理方式。做个体层面的随机效应建模时，可用的协变量就这些。
第七，版本间不可直接比较。四代版本的细胞数、聚类数、注释体系都变过，跨版本做差异分析，差异里混着版本效应。
7.3 一个具体的失败模式
把 MCA 用错，最常见的不是相关性算错，而是在版本之间悄悄混用。
设想一个团队要做一个跨组织细胞类型分类器。他们从 figshare 下载了 h5ad（33.4 万细胞，1.1 版重聚类），又从官网 Gallery 下了几个组织的矩阵（1.0 版原始聚类），还把 2.0 版的发育阶段数据拼进来当额外样本。三份数据在手里看起来都是「MCA」，细胞条码格式也相似，于是直接 concat。
结果会出现一种典型现象：同一群细胞在三份数据里被标成三个不同的聚类名，模型学到的标签空间是混乱的；更糟的是，同一只小鼠的同一个细胞可能在三份数据里各出现一次，训练集与测试集之间发生个体级泄漏，测试分数虚高，换到外部数据立刻崩塌。
正确的做法只有一条：先选定一代，只用那一代的矩阵与注释，其它版本要么不用，要么作为独立的外部验证集并且显式标注来源。这条规则写起来只有一句话，但它要求在使用之前先回答「我用的是哪一代」——而这个问题，恰恰是这份数据最容易被跳过的一步。
第二个失败模式是拿相关性当概率。scMCA 返回的相关系数没有校准过，0.6 和 0.65 之间的差别不构成证据。把它当分类置信度用，会在边界类型上产生大量错误断言。
7.4 外部印证
| 角度 | 证据 | 结论 |
|---|---|---|
| 学术使用强度 | 首版论文被引两千次以上（Google Scholar 口径） | 在小鼠图谱里属于高被引梯队 |
| 派生资源 | 有独立研究基于 MCA 重建了细胞类型的基因调控网络 | 数据结构足以支撑二次计算 |
| 平台扩散 | 建库流程由本地公司商品化并提供服务 | 流程标准化程度足以被第三方复现 |
| 版本延续 | 1.0 之后有 1.1、2.0、3.0 三代 | 项目未停更，且扩展方向明确 |
| 社区校正 | 官网设留言板，欢迎对注释提出修正 | 注释是开放的，但也意味着没有冻结版本 |
§8 版本、生态与它为何能持续
8.1 时间线
| 时间 | 事件 |
|---|---|
| 2017-06-30 | MCA 1.0 网站上线，先于论文发布 |
| 2018-02-18 | figshare 数据集第 1 版上线 |
| 2018-02-22 | Cell 论文在线，172 卷 5 期 |
| 2018-2020 | figshare 迭代至第 8 版，补入去批次矩阵与 h5ad |
| 2020-04 | 同团队人类细胞图谱论文发表，MCA 借其流程重聚类为 1.1 版 |
| 2020-03-14 | figshare 第 8 版定版，此后再无更新 |
| 2021-09-29 | MCA 2.0 上线，转向发育阶段 |
| 2022-06-24 | MCA 3.0 上线，扩至十个生命阶段 |
| 2022-07 与 2022-08 | 2.0 与 3.0 对应的论文分别在线 |
这条线能读出两件事。其一，网站先于论文上线，数据集与论文是两条并行的发布轨道，这在那几年很常见，也是版本口径容易混乱的根源。其二，figshare 在 2020 年 3 月定版之后不再更新，后续两代只在官网分发——这意味着「figshare 上的 MCA」与「官网上的 MCA」已经不是同一份东西。
8.2 生态位
在小鼠单细胞图谱这条线上，MCA 占据的是「宽而浅」的位置：组织覆盖最广，每组织的深度不是最强；平台最便宜，标准化程度不是最高。它与几条相邻路线构成互补。
一条是「窄而深」的器官级图谱，单器官、深测序、常带空间或多组学，适合做精细分型与验证。一条是「标准化聚合」路线，把多来源数据统一到同一 schema 与本体下，适合做大规模整合与机器学习。还有一条是「同物种异平台」的对照路线，用不同建库方案测同一物种，专门用来评估平台效应。
MCA 在这三条线上的作用不同：对第一条是筛查工具，对第二条是原料来源，对第三条是必备的一极。
8.3 它为何能持续
第一层原因是成本结构。这套平台的边际成本极低，扩展实验只需要多浇几块琼脂糖板，不需要再买设备。这解释了一个现象：一个 2018 年的项目，到 2022 年还能把细胞数从四十万推到一百一十三万，中间没有出现「设备不够用」的瓶颈。
第二层原因是方法公开。微孔板制作、磁珠合成、引物序列、试剂清单全部公开，还给了可下载的流程文档。公开到这个粒度，等于把这套平台交给了社区，任何实验室都能复现、改进、再发表。这让它不依赖单一团队的持续投入。
第三层原因是参考价值。作为小鼠的跨组织基线，它被大量下游工作当作「对照谱」使用。这类地位一旦形成就有惯性：新数据要注释，先找一个参考；参考用得越多，越难被替换。
三层叠在一起，构成了它的生存逻辑：便宜所以能扩，公开所以能传，被当参考所以不会消失。至于维护是否积极，反倒不是决定因素——figshare 那份包裹已经五年没动，官网却还在更新版本，两条轨道各走各的。
§9 使用指引
9.1 三类角色的路径
做注释与整合的工程师路径最短也最容易踩坑：先锁定一代（建议 1.1 的 h5ad，因为它是唯一带合并矩阵与配套细胞信息的一代），把细胞信息表读进来做连接率体检，再建组织映射表，最后才谈模型。跳过映射直接训分类器，标签空间会是碎的。
做成因与发育研究的人应当直接用 2.0 或 3.0 的时间序列版本，而不是拿 1.0 的成年数据硬拼阶段。这两代的组织数少，但阶段全，做拟时序与阶段间差异分析时结构更干净。
做方法学评测的人最好把它与 Tabula Muris 成对使用，构成「同物种、异平台、异命名」的对照。评测重点不应只放在整合后的批次校正效果，还应放在标签映射这一步对结论的影响——这一步经常被跳过，却常常是差异的主要来源。
9.2 一条最短的可用流程
#-- 一、取清单，确认版本与体积
curl -s https://api.figshare.com/v2/articles/5435866 \
| python3.11 -c "import json,sys; d=json.load(sys.stdin); print(d['version'], len(d['files']))"
#-- 二、按文件名解析出下载地址，只下合并矩阵与细胞信息
mkdir -p mca && cd mca
curl -s https://api.figshare.com/v2/articles/5435866 \
| python3.11 -c "import json,sys; d=json.load(sys.stdin); \
[print(f['download_url']) for f in d['files'] \
if f['name'] in ('MCA_BatchRemoved_Merge_dge.h5ad', \
'MCA_BatchRemoved_Merge_dge_cellinfo.csv')]" > urls.txt
cat urls.txt
xargs -n1 curl -L -O < urls.txt
#-- 三、核对文件完整性：h5ad 应能被 h5py 打开，且含 obs 组
python3.11 -c "import h5py; f=h5py.File('MCA_BatchRemoved_Merge_dge.h5ad','r'); print(list(f.keys()))"
第二步没有把下载编号写死，而是按文件名现取地址。原因是文件编号会随版本变化：写死编号的脚本不会报错，只会在数据集更新后静默下到另一个文件，等发现时前面的分析已经全跑在错的矩阵上。
9.3 写方法学时的最小信息集
用这份数据写论文，方法部分至少要交代六项：用的是哪一代（1.0、1.1、2.0 还是 3.0）；用的是全量矩阵还是去批次矩阵；细胞过滤阈值（官方是转录本数大于 500）；组织标签的归一化规则；细胞类型标签的来源（官方聚类还是自己重聚类）；以及是否使用了官网的 scMCA 服务及其阈值。
这六项里，第二与第四最常被略过，也最影响结论。全量与去批次的组织构成不同，归一化规则不同则同一批细胞会落到不同组里，两者都会让「相同的分析」得出不同的数字。
9.4 三种任务的推荐组合
| 任务 | 最小数据配置 | 必须先做的处理 | 主要风险 |
|---|---|---|---|
| 跨组织细胞类型注释 | 去批次合并矩阵 + 细胞信息表 | 建立组织映射表、核对连接率 | 相关性当概率用，边界类型误判 |
| 发育或衰老阶段比较 | 2.0 或 3.0 的按阶段矩阵 | 统一阶段命名、核对每阶段细胞数 | 跨版本混用造成阶段标签错位 |
| 平台效应评测 | MCA 与 Tabula Muris 各一份 | 基因符号统一、标签映射留档 | 映射规则不同导致差异归因错误 |
三行任务的共同点是：真正的难点都不在矩阵本身，而在标签。矩阵是死的，标签是活的；这份数据的所有麻烦，几乎都从标签开始。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 本页 AI 参与程度 | 由 AI 助手依据官网版本表、figshare 数据集页的文件说明与论文著录起草，人工复核关键数字 |
| 数字来源层级 | 见附录 A，官网版本表为一级，figshare 数据集页的文件说明为一级，论文为二级 |
| 未核实项 | 各代版本逐组织的细胞数、去批次时被剔除组织的完整名单，官方均未逐项列出 |
| 版本信息 | 以 2026 年 10 月读取的官网版本表为准，现行最新为 3.0 |
| 已知不一致 | GEO 组织字段（Female gonad、Male gonad）与官网字段（Ovary、Testis）写法不一 |
| 适用边界 | 只描述数据结构、规模、版本与边界，不评价任何具体生物学结论 |
| 更新机制 | 官网仍在更新版本，figshare 已定版，本文不承诺随版本同步刷新 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 「MCA 是 Nature 2018 那篇」 | 是 Cell 2018；Nature 2020 那篇是同一团队的人类图谱 | 官网 News 与论文 DOI 均指向 Cell 172(5) |
| 「MCA 覆盖 9 个器官系统」 | 首版是 51 种组织、器官与细胞培养物；9 这个数字来自某份衍生的免疫细胞子集 | 官网版本表 Tissues 列 |
| 「一共 40 万个细胞，到处都一样」 | 四个版本分别是逾 40 万、33.4 万、逾 52 万、约 113 万 | 官网版本表逐行给出 |
| 「下载就是 40 万细胞」 | figshare 的去批次矩阵只有二十余万，全量矩阵才四十余万 | figshare 数据集页的文件说明逐文件写明 |
| 「组织名可以直接对 Cell Ontology」 | 是自有标签，官方没有对照表，且存在一对多与无对应 | 官网组织列表与 figshare 注释字段 |
| 「Female gonad 和 Ovary 是两个组织」 | 是同一器官在 GEO 与官网的两种写法 | GEO 样本器官字段与官网组织列表 |
| 「scMCA 会给出细胞类型的概率」 | 只给 Pearson 相关系数，无概率、无拒识 | 官网 Run-scMCA 说明 |
| 「MCA 与 Tabula Muris 可以逐细胞对齐」 | 平台、取材、命名全不同，只能做类型层对照 | 两者论文的方法与注释体系 |
| 「官网 Gallery 下的矩阵与 figshare 是同一份」 | 前者按组织逐份分发、随版本更新，后者 2020 年已定版 | figshare 版本历史止于第 8 版 |
| 「去批次版是质量更好的子集」 | 它是按组织整块剔除的结果，组织构成与全量版不同 | figshare 数据集页对去批次文件的说明 |
FAQ
Q1：MCA 到底是 Cell 还是 Nature？
Cell。2018 年 2 月 22 日在线，172 卷 5 期 1091 至 1107 页。同年团队在 Nature 发表的是人类细胞图谱，两者平台相同、物种不同，常被混淆。
Q2：为什么我在 GEO 里看到的器官和官网上不一样？
因为两处的字段是分别维护的。GEO 用 Female gonad、Male gonad，官网用 Ovary、Testis；GEO 还多出若干样本级标签。做合并前先建同义词表，不要按字符串直接筛。
Q3：1.0 和 1.1 有什么区别，该用哪个？
1.0 是首版，逾 40 万细胞、98 个聚类；1.1 用另一套流程重聚类，55 种组织、33.4 万细胞、104 个聚类，并提供了合并后的 h5ad。要做跨组织分析，1.1 更方便；要全量细胞，只能用 1.0。
Q4：去批次矩阵少了近一半细胞，是被丢掉的低质量细胞吗？
不是逐细胞筛掉的，是整块组织因批次效应过强未纳入。所以它的缺失不随机，按组织做比较时要意识到这一点。
Q5：细胞类型标签可靠吗？
可靠程度取决于用途。作为聚类级参考够用，作为细胞类型命名的权威不够——没有独立复核、没有置信度、也没有本体对齐。做精细分型要自己重聚类并用标记基因验证。
Q6：能不能把它和人类图谱直接比较？
只能在同源基因层面比较，且要先解决命名映射。跨物种的细胞类型对应本身就有争议，MCA 的自有标签会让这件事更难。
Q7：GEO 那条路值得走吗？
只在两种情况下值得：要换参考基因组重跑，或要研究建库层面的技术偏差。否则体量与处理成本都不划算，直接用 figshare 的处理结果更省事。
Q8：2.0 和 3.0 组织更少，是不是退步了？
不是。它们换了目标：从「铺开器官」转成「跟踪阶段」。组织数降到十余种，但生命阶段从三个扩到七个再到十个，适合做发育与衰老的时间序列分析。
Q9：可以商用吗？
分发端没有统一许可标识，论文的开放存档不自动覆盖数据。商用前需向作者与所属机构确认，不要默认它和 CC BY 一样宽松。
Q10：这份数据还有维护吗？
两条轨道不同步。figshare 数据集页 2020 年 3 月定版后未再更新，官网仍在发布新版本（最新为 3.0）。要最新数据看官网，要可复现的快照用 figshare。
术语表
| 术语 | 含义 |
|---|---|
| Microwell-seq | 用琼脂糖微孔阵列加条码磁珠做单细胞捕获与标记的建库方法 |
| 微孔阵列 | 表面刻有大量微米级小孔的琼脂糖板，一块约十万孔 |
| 条码磁珠 | 表面带细胞身份条码的磁性微珠，直径 25 微米，用于封孔与标记 |
| 双细胞率 | 一个孔内落入两个及以上细胞的比例，官方控制在 0.6% 以下 |
| DGE | 数字基因表达矩阵，行是基因、列是细胞、值是计数 |
| 批次基因 | 由空孔背景引入的系统性检出，官方用扣除法处理 |
| 去批次矩阵 | 扣掉批次基因后的矩阵，细胞数少于全量矩阵 |
| 聚类编号 | 项目内部的分群编号，重聚类后会变，不是稳定标识 |
| scMCA | 官网的在线注释服务，输出查询样本与参考类型的相关系数 |
| Cell Ontology | 细胞类型的受控词表，提供稳定标识与层级 |
| UBERON | 解剖结构的受控词表，与 Cell Ontology 配套使用 |
| 本体映射 | 把自有标签对齐到受控词表标识的过程，常为一对多或多对一 |
| 生命阶段 | 2.0 与 3.0 版本的组织取样时间点，从胚胎到月龄 |
| 全长与 3’ 端 | 两种测序策略，前者覆盖整条转录本，后者只测末端计数 |
| 液滴平台 | 以微流控生成油包水液滴做单细胞分隔的另一类建库方案 |
| 相关性匹配 | 用表达谱相关系数找最相似参考类型的注释方式，无概率输出 |
| 准标识 | 单独不识别个体、组合后可缩小范围的字段，如年龄加性别 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 层级 |
|---|---|---|---|
| 首版组织数 | 51 种组织、器官与细胞培养物 | 官网版本表 | 一级 |
| 首版细胞数 | 逾 40 万 | 官网版本表与论文摘要 | 一级 |
| 首版聚类数 | 98 | 官网版本表 | 一级 |
| 去批次矩阵细胞数 | 二十余万 | figshare 数据集页的文件说明 | 一级 |
| 图 2 下采样细胞数 | 约 6 万（43 个组织各 1500） | figshare 数据集页的文件说明 | 一级 |
| 1.1 版细胞数 | 33.4 万 | 官网版本表与 figshare | 一级 |
| 1.1 版聚类数 | 104 | 官网版本表 | 一级 |
| 2.0 版细胞数 | 逾 52 万 | 官网版本表 | 一级 |
| 2.0 版阶段数 | 7 | 官网版本表 | 一级 |
| 3.0 版细胞数 | 约 113 万 | 官网版本表 | 一级 |
| 3.0 版聚类数 | 177 | 官网版本表 | 一级 |
| 微孔数 | 约 10 万每块板 | 论文与官网流程 | 一级 |
| 单板捕获细胞数 | 约 1 万（一成孔位） | 官网流程（浓度 17 万每毫升） | 一级 |
| 微孔直径 | 30 微米 | 论文与报道 | 一级 |
| 磁珠直径 | 25 微米 | 官网流程 | 一级 |
| 单细胞建库成本 | 低于 0.02 美元 | 论文 | 一级 |
| 硅片模具成本 | 约 700 美元 | 论文 | 一级 |
| 细胞过滤阈值 | 转录本数大于 500 | figshare 数据集页的文件说明 | 一级 |
| GEO 样本数 | 90 份 | GEO 记录 | 二级 |
| 首版论文卷期 | 172(5):1091–1107 | 论文著录 | 二级 |
附录 B：四代版本官方口径原文对照
| 版本 | 官网原文要点（译） |
|---|---|
| 1.0 | 分析逾 40 万个单细胞，来自十余种小鼠组织，每组织通常 2 至 4 个重复；覆盖成年 6 至 10 周、胚胎 E14.5 与新生期 |
| 1.1 | 组织补至 55 种，用 HCL 流程重聚类，33.4 万细胞，104 个主要聚类 |
| 2.0 | 名为小鼠细胞分化图谱，十余种组织，七个生命阶段（E10.5、E12.5、E14.5、P0、P10、P21、成年），逾 52 万细胞，95 个主要聚类 |
| 3.0 | 名为小鼠细胞发育与衰老图谱，十余种组织，十个生命阶段（E10.5 至 24 月龄），约 113 万细胞，177 个主要聚类 |
注意 1.0 那行里「十余种」与版本表「51 种」并存，这不是矛盾：前者是进入跨组织全局视图的组织数，后者是全部取材的组织、器官与细胞培养物总数。引用时要说明取的是哪个口径。
附录 C：参考文献
- Han X, Wang R, Zhou Y, et al. Mapping the Mouse Cell Atlas by Microwell-Seq. Cell, 2018, 172(5): 1091–1107.e17. DOI 10.1016/j.cell.2018.02.001.
- Han X, Zhou Z, Fei L, et al. Construction of a human cell landscape at single-cell level. Nature, 2020, 581: 303–309. DOI 10.1038/s41586-020-2157-4.
- Fei L, Wang R, Han X, et al. Systematic identification of cell-fate regulatory programs using a single-cell atlas of mouse development. Nature Genetics, 2022. DOI 10.1038/s41588-022-01118-8.
- Wang R, et al. Construction of a cross-species cell landscape at single-cell level. Nucleic Acids Research, 2022. DOI 10.1093/nar/gkac633.
- Guo G. MCA DGE Data, Version 8. figshare, 2020-03-14. https://figshare.com/articles/dataset/MCA_DGE_Data/5435866
- NCBI GEO, GSE108097, Mapping Mouse Cell Atlas by Microwell-seq.
- Mouse Cell Atlas 官网，https://bis.zju.edu.cn/MCA/ ，2026 年 10 月访问。
附录 D：如果只记五件事
第一，它是 Cell 2018 的论文，不是 Nature；同年的 Nature 那篇是同一团队的人类图谱。这一条最常被写错。
第二，它的独特性在平台：一块十万孔的琼脂糖板、一批自制条码磁珠，把单细胞建库成本压到不足两美分，流程公开到引物序列。
第三，它是四代版本而不是一份数据，细胞数从四十余万到约一百一十三万，每代的组织口径与聚类数都变过，用前先锁定一代。
第四，组织名与细胞类型名都是自有标签，官方没有本体对照表，跨图谱联用要自建映射，且映射是一对多。
第五，去批次矩阵只剩二十余万细胞，缺的是整块组织，不是随机缺细胞；跨组织比较时必须交代这一点。
附录 E：组织标签映射工作表
| MCA 标签 | 常见英文名 | 本体里的对应情况 | 处理建议 |
|---|---|---|---|
| Female gonad | ovary | UBERON 有对应项 | 与 Ovary 合并为同一组织 |
| Male gonad | testis | UBERON 有对应项 | 与 Testis 合并 |
| Calvaria | skull cap | 解剖结构有对应，器官层级无 | 保留原标签，注明是骨片取材 |
| Rib | rib | 解剖结构有对应，器官层级无 | 同上 |
| Omentum | omentum | 部分版本并入腹膜 | 若要并入脂肪或腹膜需显式声明 |
| Peripheral-Blood | peripheral blood | 是样本来源而非组织本体 | 归入血液样本，不与实体器官并列 |
| Stem-Cell | stem cell | 本体按谱系分类，无笼统对应 | 视为细胞状态标签，移出组织字段 |
| Mammary-Gland | mammary gland | 有对应项 | 直接映射 |
| Pleura | pleura | 有对应项 | 直接映射 |
| Adrenal-Gland | adrenal gland | 有对应项 | 直接映射 |
这张表的用法是起点而不是答案：每一行都要在使用者的数据里核对一遍实际字符串（大小写、连字符、空格都可能不同），核对结果与映射规则一并写进方法。
编辑说明
本篇核验时间为 2026 年 10 月 29 日。核验方式为读取官网首页的版本对照表与建库流程页、figshare 数据集页（5435866，第 8 版）的文件说明、GEO GSE108097 的记录页，并与 Cell 2018 论文摘要逐项比对组织数、细胞数、聚类数与成本口径。规模数字以官网版本表与 figshare 数据集页为一级依据，论文数字仅用于确认方法与成本表述。
与常见转述不一致的三处已在正文点明：首版发表于 Cell 而非 Nature；组织数是 51 种而非个位数的器官系统；官网入口是浙江大学站点，加州大学圣塔芭芭拉的 BisQue 是通用生物影像平台，不是这份数据的入口。
未覆盖的内容包括：各代版本逐组织的细胞数明细、去批次处理中被整块剔除的组织名单、GEO 九十份样本与官网组织标签的逐条对应。前两项官方未逐项列出，第三项需逐样本比对，本篇不代作推定。
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：
- cellxgene-census — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 测序数据
- 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 / 测序数据
- endometrium-scrna-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 测序数据
- liver-cld-scatlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 测序数据
- 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
- single-cell-expression-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- psychad-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 测序数据
- chrompolymerdb — 共享标签：基因组学与多组学 / 单细胞基因组学 / 测序数据
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。
