PerturbAI Brain-Wide In Vivo CRISPR Atlas — 772 万细胞小鼠全脑体内 Perturb-seq 扰动图谱与 1,947 个疾病基因

74 只幼鼠、1,947 个疾病相关基因、772 万单核转录组：把 CRISPR 敲除搬回完整大脑的体内扰动图谱，CC BY-4.0 托管于 Hugging Face（机构邮箱门控）

来源 Hugging Face 仓库 perturbai/wholebrain_crispr_atlas：14 个 .h5ad 批次、318 个 parquet 分片、全观测与基因元数据表、35 GB 预处理 zarr、Wilcoxon 差异表达全表及 NDD 疾病扰动衍生表发布时间: 2026-10-17最后更新: 2026-10-20 阅读 43
PerturbAI Brain-Wide In Vivo CRISPR Atlas — 772 万细胞小鼠全脑体内 Perturb-seq 扰动图谱与 1,947 个疾病基因

信息速览

数据集名称PerturbAI Brain-Wide In Vivo CRISPR Atlas — 772 万细胞小鼠全脑体内 Perturb-seq 扰动图谱与 1,947 个疾病基因
数据类型原始数据,测序数据,元数据
规模74 只 P16 Cas9 转基因幼鼠（实验动物，非人类受试者）；细胞 7,720,300 个高质量 NeuN+ 核
接入方式Hugging Face 仓库 perturbai/wholebrain_crispr_atlas：14 个 .h5ad 批次、318 个 parquet 分片、全观测与基因元数据表、35 GB 预处理 zarr、Wilcoxon 差异表达全表及 NDD 疾病扰动衍生表
AI 就绪度

INFOBOX — PerturbAI 全脑 CRISPR 图谱一屏速览

维度 内容
本质 小鼠全脑体内（in vivo）CRISPR 敲除 + 单核转录组的因果功能图谱，非细胞系、非人类数据
生产方 PerturbAI（旧金山）+ NVIDIA + Allen Institute for Brain Science + 10x Genomics
论文 bioRxiv 2026.03.16.711480；发布日 2026-03-17（公司出 stealth 同日）
规模（论文口径） 7,720,300 个高质量 NeuN+ 核；1,947 个疾病相关靶基因；8,588 条 sgRNA；19,070 个检出 mRNA
规模（宣传口径） 8,000,000 细胞、近 2,000 基因（官网/新闻稿；双口径已在坑 1 存照）
动物 74 只 P16 Cas9 转基因幼鼠，pooled AAV gRNA 文库注射
平台 10x Genomics Flex Apex（样本级+细胞级 barcode）；MapMyCells 对 Allen 全脑分类注释
组织 皮层下各脑区 → 34 个 class / 331 个 subclass，归并为 6 个区域生态位（neighborhood）
格式 14 个 h5ad（约 72 GB）+ 318 个 parquet 分片（约 81 GB）+ 35 GB zarr + 10.8 GB 差异表达全表
许可 CC BY-4.0；但需机构邮箱通过门控表单
一句话结论 同一基因在不同细胞类型里的效应可能完全不同，甚至相反——这正是体内扰动数据比细胞系数据多出来的那一层
库内互链 scPerturb（1102）、CELLxGENE Census（1035）、Allen Brain Atlas（275）

PerturbAI 全脑 CRISPR 图谱是 2026 年 3 月一次性投放的三件套：一篇 bioRxiv 预印本、一个 Hugging Face 数据集、一套 NVIDIA 单细胞分析蓝图。它做的事情用一句话概括——把过去只能在培养皿里做的 CRISPR 敲除筛选，搬进活体小鼠的完整大脑，然后一次性测了 772 万个细胞核。对训练生物基础模型的人来说，它的稀缺之处不在"大"，而在"因果"：每一个细胞的转录组都可以追溯到"这个细胞里哪个基因被敲掉了"。

导语读法三则：

  1. 只想下数据：直奔 §6——注意先看清许可证与门控表单，机构邮箱是硬门槛。
  2. 关心生物学发现：直奔 §4 与 §5——"同一基因、不同细胞类型、相反效应"是这份图谱最想让你记住的一句话。
  3. 要给模型找训练集：直奔 §7 与 §9——它补的是"因果+情境"这一层，而 scPerturb 补的是"标准化+可比"这一层，两者互补不替代。

§0 导读：这个数据集解决什么问题

0.1 功能基因组学的"体外瓶颈"

CRISPR 敲除筛选已经能把整个基因组扫一遍，但绝大多数筛选发生在 immortalized cell line（永生化细胞系）或 in vitro 培养体系里。这类体系的优点是通量高、成本低、可比性强；缺点是丢掉了细胞赖以定义自己的那个环境——邻居细胞、突触连接、脑区位置、发育阶段。对一个皮层锥体神经元来说，"这个基因被敲掉会发生什么"这个问题，在 Neuro2a 细胞里和在完整大脑里得到的答案可能根本不是一个东西。

神经发育疾病与精神疾病尤其吃亏：它们的遗传风险散布在成百上千个基因上，每个基因效应都很小，且高度依赖细胞类型与发育窗口。用细胞系数据去推"这个风险基因在哪种神经元里起作用"，本质上是在用一个没有大脑的模型去解释大脑。

0.2 体内 Perturb-seq 的规模天花板

in vivo Perturb-seq 不是新概念，但在全脑尺度上做，长期受三个瓶颈卡住：递送（怎么让 gRNA 文库均匀进入全脑而不造成过度感染）、回收（怎么从组织里可靠地读出每个细胞携带了哪条 gRNA）、测序（怎么把百万级核的处理成本压下来）。论文自述的三项突破正好对应这三点：优化的体内递送、通过分子载体设计改进的 gRNA 回收、以及基于组合索引的单细胞测序通量提升。

0.3 这份图谱给出的答案

PerturbAI 的做法是把这三项工程进展叠起来，然后一次性做到全脑、近 2,000 个基因、772 万个核。它的直接产物是一张"基因 × 细胞类型"的转录响应矩阵；它的间接产物是一个新的数据品类——论文与新闻稿都强调的 organism-level、circuit-resolved、causal genomics（器官级、环路分辨的因果基因组学）。

0.4 与"另一个 Perturb-seq 数据"的区别

库里已经有一个名字很像的条目 scPerturb（rid 1102）。它收录 44 个已发表的单细胞扰动数据集并做统一标准化，是"扰动数据的图书馆"；PerturbAI 这个条目则是"一本新出版的书"。前者解决可比性问题，后者解决"体内、全脑、因果"这三个维度上此前没有的数据空缺。两者关系在 §9 展开。

§0 读法三则：

  1. 这份数据集的卖点是"体内"（in vivo）三个字，不是"大"。所有解读都应回到"环境是否真实"这个轴。
  2. 它不是人类数据。任何"阿尔茨海默病靶点"结论都必须经过小鼠到人的跨物种这一步，论文本身也只做到小鼠。
  3. 它是预印本配套数据，随论文版本演进而可能更新；引用时应同时标注 HF commit 与预印本 DOI。

§1 数据集速览：十问十答

Q1：这个数据集叫什么？
Hugging Face 上的仓库名是 perturbai/wholebrain_crispr_atlas，数据集卡上的正式名是 PerturbAI Brain-Wide Functional Genomics Atlas (v1.0)，对外发布时用的名字是 PerturbAI Brain-Wide In Vivo CRISPR Atlas。三个名字指同一份数据，检索时任一都可能命中。

Q2：谁做的？
PerturbAI 是一家 2026 年 3 月从 stealth 状态走出来的 AI 原生治疗公司，联合创始人为 Xin Jin 与 Grace XY Zheng（后者兼任 CEO）。合作方为 NVIDIA、Allen Institute for Brain Science 与 10x Genomics。论文作者共 30 人，横跨上述机构与 Salk Institute、UCSF 等学术单位。

Q3：数据是什么物种？
小鼠（Mus musculus），P16（出生后 16 天）Cas9 转基因幼鼠。不是人类，不是类器官，不是细胞系。

Q4：有多少细胞？
论文正文给出的高质量核数为 7,720,300；论文摘要与数据集卡写 7.7 million；官网与新闻稿写 8 million。三者指的是同一批数据的不同取整/口径（坑 1）。

Q5：扰动了多少个基因？
1,947 个与人类疾病相关的基因，优先选取转录因子与受体。对应 8,588 条 sgRNA。新闻稿写作 nearly 2,000。

Q6：怎么测的？
单核 RNA 测序（snRNA-seq），10x Genomics Flex Apex 平台。细胞注释用 Allen Institute 的全脑细胞类型分类体系（Whole Mouse Brain Taxonomy），通过 MapMyCells 工具做概率映射。

Q7：数据有多大？
14 个 h5ad 批次文件合计约 72 GB；318 个 parquet 分片合计约 81 GB；预处理 zarr 压缩包 35.06 GB；Wilcoxon 差异表达全表 10.76 GB。平台未公布仓库总大小，按目录逐项汇总量级在 100 GB 以上。

Q8：怎么拿？
免费，但需要门控：在 Hugging Face 页面填写姓名、单位与官方机构邮箱，并勾选确认。个人邮箱域（@gmail.com、@hotmail.com、@qq.com 等）会被自动拒批。

Q9：许可证是什么？
CC BY-4.0，允许商用与再分发，需署名。门控是获取流程限制，不是许可限制。

Q10：能用来训练模型吗？
能，而且这正是它的设计目的之一。官网明确把它定位为 biological foundation model 的训练资源，NVIDIA 同时提供了单细胞分析蓝图（基于 RAPIDS-singlecell）用于加速下游分析。

§2 数据构成与规格

2.1 实验对象与取材

实验单位是 74 只出生后 16 天（P16）的 Cas9 转基因幼鼠。选择 P16 而非成年鼠，合理的读法是：这一阶段的神经元已具备基本环路结构，但仍在活跃成熟中，单核测序的可及性也更好。每只小鼠接受 pooled AAV 文库注射，文库包含针对 1,947 个靶基因的 gRNA 以及非靶向（non-targeting）与安全靶向（safe-targeting）对照 gRNA。

载体层面有两处工程细节值得记住：

  • 用已验证的转座子系统稳定载体表达；
  • 用增强型捕获策略，通过把 gRNA 转录本锚定在核内来提高回收率。

病毒剂量被滴定过，目标是在全脑范围内最大化带标记的核数、同时尽量减少多重转导。注射后 3 至 4 周取脑，去掉嗅球与后脑，左右半球分别提取细胞核，经 FACS 富集。

平均而言，从稀疏标记的脑中富集出约 1.6% 的 GFP+/NeuN+ 双阳性核。这个比例看似很低，但乘以全脑规模的起始核数，仍足以支撑百万级的扰动谱。

2.2 建库与注释

测序使用 10x Genomics Flex Apex。这一平台的要点是同时具备样本级 barcode（sample-level barcoding）与细胞级 barcode，从而在同一批测序中保留"每个细胞来自哪只动物"的身份信息，并把数百万个扰动核存档。

细胞注释不是人工聚类命名，而是把测序得到的核投影到 Allen Institute 全脑分类体系上，使用 MapMyCells 工具给出概率化的 class / subclass / supertype / cluster 四级归属。论文正文的口径是 34 个 class、331 个 subclass；数据集把这些 subclass 进一步聚合为若干个生态位（neighborhood），并在元数据里以 predicted_group 字段提供给下游按组做差异表达。

2.3 仓库结构：四种格式并存

数据集仓库共 350 个文件条目，按顶层目录分为五块：

目录 内容 文件数 体积（平台元数据）
data/ 逐细胞表达矩阵与元数据的 parquet 分片，按 14 个批次切分 318 约 81.3 GB
h5ads/ 每批次一个 AnnData 文件，供 Scanpy/scvi-tools/Seurat 工作流 14 约 72.2 GB
metadata/ all_obs.parquet（逐细胞观测表）、gene_metadata.parquet（基因级注释） 2 469.9 MB + 414 KB
analysis/ 预处理 zarr 压缩包、Wilcoxon 差异表达全表、NDD 扰动衍生表、绘图辅助文件 13 35.06 GB + 10.76 GB + 若干小表
assets/ 一张 neighborhood UMAP 示意图 1 未单列

analysis/2603_shi_manuscript/ 目录名中的 2603_shi 与预印本编号 2026.03 及第一作者 Tuo Shi 对应，是"论文复现物料"的统一前缀。其下四类文件：

  • cell_type_proportions/aav_sequence_counts.csv（399 KB）：各细胞类型中 AAV 载体的相对丰度，用于评估递送偏好；
  • diff_expr_genes/wilcoxon_de_results_group_name_final_data_no_multi_guide_cells.parquet（10.76 GB）：剔除多 guide 细胞后的 Wilcoxon 差异表达全表，是该数据集最常被直接使用的衍生品；
  • ndd_perturbation/（8 个文件）：神经发育障碍（NDD）方向的衍生分析，包括 ASD 罕见变异表、BioMart 同源基因转换表、GWS 结果、无差异基因细胞类型表、基因注释原始表与 R 语言 RDS 参考清单；
  • visualization/use_genes.txt：作图用基因清单。

2.4 逐细胞元数据：30 余列，四大类

all_obs.parquet 的列可按用途分为四组，这是使用该数据集前最值得先读懂的部分。

（一）批次与来源

batch 表示一个 Flex pool；scp_name 标识 10x 通道编号；source 为小鼠个体标识；sex 为 M/F；sample_label 区分同一只鼠的左右半球（通常为 L 与 R）。这五列共同决定"这个细胞是被谁污染的、能跟谁一起比较"。

（二）质量

num_rna_umi（RNA UMI 总数）、num_genes（检出基因数）、pct_mt（线粒体 UMI 占比）、scDblFinder.class 与 scDblFinder.score（双细胞判定及分数）、log_ambient_mse 与 log_ambient_mse_norm（相对通道平均表达的环境 RNA 误差，后者用二项采样假设下的期望值做了归一化）、cluster（无监督聚类编号，主要用于发现 scDblFinder 漏掉的双细胞簇）。

（三）扰动

gene_target 是核心字段：单基因敲除写基因名，多基因写 gene1|gene2|...，非靶向对照写 Non_target，未检出足够 guide 的细胞写 Negative。num_guides 是达到 3 UMI 阈值的 guide 数；guide_call 是 guide 清单（多条用竖线分隔）；guide_umis 是 guide UMI 总数；guide_umi_top 与 guide_umi_second 分别为最高与次高 guide 的 UMI 数。后两列是判断"这个细胞的敲除是否可信"的关键——若 top guide 只有 3 个 UMI、second guide 也有 3 个，就要怀疑多重感染。

（四）细胞类型与脑区

predicted_class / predicted_subclass / predicted_supertype / predicted_cluster 四级，每级各带一个概率列；predicted_group 是研究者把 subclass 聚合后的自定义分组，差异表达就按这个分组做；neuron_type 与 neighborhood 由 subclass 派生；region_level1 是粗分区，region_level2 取 predicted cluster 中最常见的 CCF 区域。

2.5 QC：四条硬规则的合取

passes_qc 是一个布尔列，四条件同时满足才为真：

  1. num_genes >= 2000；
  2. scDblFinder.class == "singlet"；
  3. log_ambient_mse_norm > 0.09；
  4. cluster 不属于 {1, 17, 2, 3, 57, 6, 83, NA} 这八个被人工认定的双细胞/低质簇。

注意第四条是个"黑名单"，它来自研究者对该数据集特定聚类的一次性判断。若你在重聚类或迁移到新数据上，这套阈值不能直接照搬，但这份黑名单本身是一份有用的"人工标注双细胞簇"参考。

§3 研究方法：从递送到注释的六步链条

把论文方法与数据集元数据对照，可以还原出一条六步链条。理解这条链条，才能判断某个下游结论到底是被哪一步决定的。

3.1 第一步：基因选择

1,947 个靶基因的入选标准是双重的：在小鼠与人类脑中都有较广的神经元表达，且与人类疾病关联强。在此基础上优先选择转录因子与受体，理由是它们在基因调控网络中处于枢纽位置。

这个选择策略有两个隐含后果。其一，靶基因集合不是"全基因组"，而是"疾病相关且表达广"的子集，因此不能用来估计全基因组水平的必需基因比例。其二，偏向转录因子意味着扰动效应往往呈现"级联"特征——敲掉一个转录因子，下游会跟着变一大片，这会影响差异表达结果的解释。

3.2 第二步：活性预验证

在正式实验前，研究者在 HT22-Cas9 细胞系中对 15 个靶基因测试了 gRNA 活性，平均编辑效率 46.5%。这个数字说明两件事：一是 gRNA 文库整体可用；二是敲除并非 100% 高效，未编辑的细胞会稀释真实效应，这也是为什么效应量普遍偏小的原因之一。

3.3 第三步：体内递送

pooled AAV 文库注射入 P16 幼鼠，剂量滴定以在全脑获得足够标记的同时避免多轮转导。这一步的成败直接决定了"体内"标签的含金量：如果只有少数脑区被感染，所谓全脑就名不副实。数据集里的 aav_sequence_counts.csv 就是检验这一点的直接材料。

3.4 第四步：取材与核提取

3 至 4 周后取脑，去嗅球与后脑，左右半球分别提核并做 FACS 富集。左右半球分开建库，使得 sample_label 成为分析时必须考虑的随机效应——同一个体的左右半球在技术上并非独立样本。

3.5 第五步：测序与 guide 分配

10x Flex Apex 建库，细胞级与样本级双重 barcode。guide 分配以 3 UMI 为阈值（num_guides 的统计口径即基于此），低于阈值视为未检出，gene_target 记为 Negative。这一步制造了数据集里最需要警惕的偏差：guide 检出失败会系统性地把"已编辑但没读到 guide"的细胞混入对照池。

3.6 第六步：注释与下游统计

MapMyCells 把每个核映射到 Allen 全脑分类体系，然后做三件事：按 predicted_group 做 Wilcoxon 差异表达（剔除多 guide 细胞）、计算细胞分布层面的 E-distance、分析各细胞类型的必需性与疾病基因富集。

这套流程对应到仓库里就是：表达矩阵在 h5ads/，注释与 QC 在 all_obs.parquet，差异表达结论在 diff_expr_genes/ 的 10.76 GB 全表里，NDD 相关分析在 ndd_perturbation/。

§4 生物学发现：同一基因，不同命运

4.1 三条主线

论文摘要与正文给出的核心结论可以归为三条。

第一条：效应高度稀疏且细胞类型特异。 研究团队原话是，许多疾病相关基因在大脑中的转录后果"remarkably sparse and cell-type-specific"——在大块组织（bulk）层面几乎看不见，只有到单细胞分辨率才显形。这句话对做 bulk RNA-seq 的研究者是直接的提醒：用组织匀浆去找这类基因的效应，信噪比可能低到测不出来。

第二条：功能相近的基因可以有相反的方向。 论文特别点出两个 NMDA 受体亚基（Grin2a 与 Grin2b，即 GluN2A 与 GluN2B）可以驱动相反的转录程序。这是一个有力的反例，反驳了"同一复合体的组分敲掉后效应应当同向"的直觉。数据集 README 里的示例代码恰好用 gene_target == "Grin2a" 做筛选演示，可见这对基因在作者心中是招牌案例。

第三条：疾病基因的细胞落点超出皮层。 不同的人类疾病基因集合会优先落到不同的脑区与细胞类型上，且显著失调集中在皮层之外——包括中脑与丘脑的谷氨酸能神经元类型。这与长期以来"精神疾病主要是皮层问题"的默认印象形成了张力。

4.2 细胞类型特异性的三个层次

"细胞类型特异"这句话在数据里其实有三层含义，逐层拆开更便于使用：

  1. 有无效应：某个基因敲除在 A 类细胞里有显著差异表达，在 B 类里完全没有；
  2. 效应强度：两类都有，但幅度差一个数量级；
  3. 效应方向：两类都有且都显著，但上调/下调基因集互为镜像。

第 3 层最难从 bulk 数据里看出来，也最难被简单的"效应量排序"捕捉。PerturbAI 的图谱之所以被强调为 causal，本质上就是因为它能支撑这种方向级的判断。

4.3 与 Allen 分类体系的咬合

论文把自己定位为 Allen Brain Cell Atlas 之上的一层"干预路线图"。Hongkui Zeng 的评价是：这是大脑功能架构的下一层——在迄今最全面的脑图谱背景下，识别疾病潜在因果驱动因子的干预性路线图。

这个定位的技术含义是：数据的坐标系统借用了 Allen 的（class/subclass/supertype/cluster 四级 + 脑区 CCF 分区），所以任何基于 Allen 分类的下游模型都可以直接对齐；但数据的"值"是 PerturbAI 自己产生的（扰动响应）。

4.4 发现的边界

必须说清楚这份图谱没有回答的问题：

  • 它测的是转录组，不是蛋白、不是电生理、不是行为；
  • 它测的是敲除（loss-of-function），不是过表达或点突变；
  • 它测的是 P16 幼鼠的一个时间点，不覆盖发育轨迹与衰老；
  • 它测的是小鼠，人类同源基因的效应需要额外的跨物种验证。

这四条边界不是缺陷，而是任何一份数据集的适用范围声明。写进解读时，能省掉大量误读。

§5 细胞类型与统计口径

5.1 34 个 class / 331 个 subclass 意味着什么

class 是最高层级的神经元大类（例如皮层谷氨酸能、皮层下 GABA 能），subclass 是下一级的功能/解剖细分。331 个 subclass 意味着这份图谱的统计检验要跑 1,947 × 331 量级的组合——这是一个巨大的多重检验场。论文的应对方式是把 subclass 聚合为更少的 predicted_group 再做 Wilcoxon，代价是损失分辨率，收益是统计功效。

对使用者来说，这里有一个直接的操作建议：若关心某个具体亚型，需要自己回到 subclass 级别重做分组，并自行承担多重检验校正，不要直接套用 predicted_group 层面的结论。

5.2 六个区域生态位

论文把细胞按谱系与解剖归属组织为六个 neighborhood：

  1. Pallium-Glut：所有皮层结构（等皮层、海马、嗅区、皮层下板）的谷氨酸能神经元；
  2. Subpallium-GABA：皮层与纹状体区域的皮层下 GABA 能神经元；
  3. HY-EA-Glut-GABA：下丘脑与延伸杏仁核的谷氨酸能与 GABA 能神经元；
  4. TH-EPI-Glut：丘脑与上丘脑的谷氨酸能神经元；
  5. MB-HB-Glut-Sero-Dopa：中脑与后脑的谷氨酸能、5-羟色胺能、多巴胺能神经元；
  6. MB-HB-CB-GABA：中脑、后脑与小脑的全部 GABA 能神经元。

这套划分的价值在于：它把"脑区"和"递质类型"两个维度合并，使得跨区比较（论文第三条主线的核心）可以在一个有生物学意义的粒度上做。

5.3 对照组的三种形态

gene_target 字段揭示了三种对照/状态：

取值 含义 使用建议
Non_target 检出非靶向 guide 首选对照，代表"敲了但没有靶点"
Negative 未检出足够 guide 慎用，混有"编辑成功但 guide 丢失"的细胞
`gene1\ \ gene2`（多基因敲除）

README 的差异表达流程已经剔除了多 guide 细胞（文件名 no_multi_guide_cells 即为此意），但 Negative 细胞是否被排除，README 未明示，这是使用时需要自行确认的一点。

5.4 差异表达的统计方法

仓库里给出的差异表达结果是 Wilcoxon rank-sum 检验。选择 Wilcoxon 而不是混合效应模型或负二项 GLM，主要考虑是计算效率：772 万个细胞、1,947 个扰动、331 个亚型，任何需要求解的模型都会让计算量爆炸。代价是 Wilcoxon 不考虑批次效应与个体随机效应，因此跨批次的可比性必须由使用者自己做。

10.76 GB 的结果表说明这不是"只发布显著结果"，而是全量发布，使用者可以自行设定阈值与校正方法。这一点在数据透明度上是加分项。

5.5 E-distance 的用途

E-distance（Energy distance，能量距离）是 scPerturb 项目推广的度量，用来量化两组单细胞分布在多维转录空间中的整体差异，并对差异是否显著做置换检验。PerturbAI 把它用于扰动效应的整体刻画，与 Wilcoxon（逐基因）形成互补：Wilcoxon 回答"哪些基因变了"，E-distance 回答"整体分布有没有偏移"。

这个组合也解释了本数据集与 scPerturb 的方法学血缘——§9 详述。

§6 许可证、获取与工程上手

6.1 许可：CC BY-4.0

数据集卡声明 license: cc-by-4.0。这意味着使用者可以自由共享与改编，包括商业用途，条件仅为署名。对一家 therapeutics 公司而言，选择最宽松的 CC BY 而不是 CC BY-NC，是一个明确的生态信号：它希望这份数据被尽可能多地拿去训练模型。

需要注意，许可宽松不等于零门槛——获取环节还有一道门。

6.2 门控表单：机构邮箱是硬门槛

数据集卡中的 extra_gated_prompt 写得很直白：要访问这份体内图谱，必须提供官方企业或学术邮箱；来自个人域名（明确列举 @gmail.com、@hotmail.com、@qq.com 等）的请求会被自动拒绝。

表单要求四项：

  1. 姓与名；
  2. 公司或学术机构；
  3. 官方机构邮箱；
  4. 勾选确认"我已提供官方机构邮箱并理解个人邮箱请求会被拒绝"。

对国内研究者来说，@qq.com 被点名拒批这一条尤其要注意——用个人邮箱注册 HF 账号后再申请，大概率会被挡回；用高校或研究机构的邮箱域名成功率更高。

6.3 一处元数据矛盾

HF API 返回的元数据中 gated 字段为 false，而数据集卡里明确配置了 gating 表单。两者矛盾（坑 3）。实操建议：以页面上的表单为准，不要因为 API 说 gated:false 就以为可以直接匿名下载。

6.4 三条获取渠道

官网博文列出的获取方式是三条并列：读 bioRxiv 预印本、在 Hugging Face 下载全量数据、用 NVIDIA AI Blueprint for Single-Cell Analysis 做交互分析。Bio-IT World 的报道还提到数据可以通过 UCSC Cell Browser 浏览，但官网博文的三渠道列表中并未包含 UCSC，其具体地址在本轮检索中未能确证（遗留疑点 A）。

6.5 上手路径：选哪种格式

你的任务 推荐格式 理由
快速探索、训练小模型 h5ads/*.h5ad + AnnCollection 官方给出了 AnnCollection 的 backed 模式示例，可避免一次性载入内存
大规模分布式训练 data/*.parquet HF datasets 原生流式，配合 dask/polars
只要差异表达结论 diff_expr_genes/*.parquet 跳过重跑统计
NVIDIA 生态 preprocessed_gex.zarr.tar.gz 与 Blueprint 对接
只要元数据 metadata/all_obs.parquet 469 MB，轻量

官方 README 给出的 AnnCollection 示例值得照抄一遍，因为它解决了一个真实痛点——14 个 h5ad 加起来 72 GB，常规 read_h5ad 会撑爆内存：

import glob
import anndata
from anndata.experimental import AnnCollection

paths = sorted(glob.glob("h5ads/*.h5ad"))
adatas = [anndata.read_h5ad(path, backed="r") for path in paths]
collection = AnnCollection(adatas)
print("# Cells:", collection.n_obs)

6.6 代码仓库

论文复现代码在 GitHub 的 jinlabneurogenomics/wholebrainperturbseq。仓库结构包括 Dockerfile、analysis_lib、docs、environments、notebooks、requirements.txt 与 scripts。README 说明提供了 scripts/download.py（带 --output-dir 与可选 --hf-token）用于批量下载 h5ad 分片，以及 scripts/processing_script.sh 用于逐批 QC、合并与最终过滤，产出 processed/WB8588_screen_gex_filtered.h5ad。

一个小的检索坑：仓库默认分支是 master 而非 main，从 raw.githubusercontent.com 直接取 main 路径会返回 404。

§7 在 AI 数据生态中的位置

7.1 三类单细胞数据的对照

把单细胞领域的数据集粗略分为三层，PerturbAI 落在最上游：

层级 代表 回答的问题 本库条目
观测层 Allen Brain Cell Atlas、CELLxGENE 有哪些细胞，长什么样 allen-brain-atlas (275)、cellxgene-census (1035)
扰动层（汇总） scPerturb 已发表扰动实验能否标准化比较 scperturb (1102)
扰动层（单一生体实验） PerturbAI 全脑图谱 敲掉这个基因，这个脑区的这类细胞会怎样 本条

观测层提供"正常状态下的地图"，扰动层提供"干预后的轨迹"。PerturbAI 的特别之处在于它把扰动层做到了器官尺度，而此前的扰动数据大多停在细胞系或离体组织。

7.2 对基础模型的意义

官网对这份数据集的定位写得很明确：当今大多数生物学 AI 模型训练在简化系统上（永生化细胞系或体外试验），缺乏泛化到人类疾病所需的背景；这份图谱提供了"因果的、情境丰富的、体内测量的"基因功能数据。

具体到建模任务，它可以支撑三类：

  1. 扰动响应预测：给定"敲除基因 X"与"细胞类型 Y"，预测转录组变化；
  2. 跨情境泛化：在未见过的细胞类型上预测已知基因的效应；
  3. 虚拟细胞（virtual cell）：把扰动效应作为虚拟细胞系统的一个可干预接口。

第 3 点与论文自述的学术脉络一致——论文提到其通量提升"建立在近期扩展扰动筛选通量与虚拟细胞努力的基础之上"。

7.3 NVIDIA 的角色

NVIDIA 在这份数据里的角色不只是"合作方"，它同时是运算平台与工具提供方：论文作者中有 5 位 NVIDIA 雇员（利益声明明示）；下游分析由 NVIDIA AI Blueprint for Single-Cell Analysis 提供，底层是 scverse 的 RAPIDS-singlecell，硬件为 RTX PRO 6000 Blackwell 工作站版。官网的原话是帮助 PerturbAI 把分析时间"从数天压到接近实时"。

这条产业链值得留意：数据生产（PerturbAI）→ 数据托管（Hugging Face）→ 加速分析（NVIDIA）→ 分类体系（Allen）→ 测序平台（10x），五个环节各有一家机构。

7.4 与疾病队列的衔接

本库中收录了大量神经与精神疾病的队列数据：ABIDE（198）、ADHD-200（205）、ABCD Study（215）、AOMIC（315）、Healthy Brain Network（245）。这些数据的共同缺口是"只有相关、没有因果"——它们能告诉你某个变异与某个表型相关，但说不出机制。

PerturbAI 的图谱正好填补了"这个风险基因在哪种细胞里、让哪些基因变了"这一环。两者结合构成一条假设生成到验证的链条：队列定位风险 → 图谱定位细胞与机制 → 实验验证。

§8 关键数字总表

指标 论文口径 宣传口径 备注
细胞核数 7,720,300 8,000,000（官网/PR）；7.7 million（摘要/README） 均为高质量 NeuN+ 核
靶基因数 1,947 nearly 2,000 疾病相关、脑内广表达
sgRNA 数 8,588 未单列 HF README
检出 mRNA 19,070 未单列 HF README
小鼠数 74 未单列 P16 Cas9 转基因
富集率 1.6%（GFP+/NeuN+） 未单列 FACS 富集
gRNA 编辑效率 46.5% 未单列 HT22-Cas9，15 个基因验证
class / subclass 34 / 331 未单列 Allen 分类体系
批次 14 未单列 由 h5ad 文件数反推
预处理 zarr 35.06 GB 未单列 供 NVIDIA Blueprint
仓库文件数 350 未单列 HF API siblings

§9 与库内条目的关系

9.1 scPerturb（rid 1102）：最近的亲属

scPerturb 是 Sander Lab 维护的单细胞扰动数据资源，收录 44 个已发表数据集，统一为 AnnData 格式，数据托管在 Zenodo（RNA-seq: record 7041849；ATAC-seq: record 7058382），并配套 scperturb Python 包实现 E-distance。

两者的关系是：scPerturb 是"标准化汇总"，PerturbAI 是"新增原始实验"。截至 2026-10，PerturbAI 这份数据尚未出现在 scPerturb 的收录列表中；未来若被收录，将是 scPerturb 中体量最大、也是少数几个全器官体内扰动数据集之一。方法学上，PerturbAI 使用 E-distance，正是 scPerturb 社区推广的度量，两者的计算口径可以直接对接。

9.2 Allen Brain Atlas（rid 275）：注释体系的来源

PerturbAI 的细胞类型标签不是自己发明的，而是用 MapMyCells 投影到 Allen 全脑分类体系上。这让两份数据天然对齐：任何基于 Allen 分类训练的分类器，都可以直接在 PerturbAI 数据上做推理；反之亦然。但也要注意方向性——Allen 是野生型（无扰动）图谱，PerturbAI 是扰动后图谱，两者的细胞类型标签可比，表达值与分布不可直接混用。

9.3 CELLxGENE Census（rid 1035）与 CELLxGENE（rid 38）：托管与标准的对照

CELLxGENE 是 CZI 的单细胞数据平台，Census 是版本化的云端语料。PerturbAI 选择了 Hugging Face 而非 CELLxGENE 作为主托管地，这带来一个实际差异：CELLxGENE 强制 schema（obs 字段标准化），因而跨数据集拼接容易；Hugging Face 的自定义 schema 灵活，但跨数据集拼接需要自己映射字段。predicted_group、region_level1/2 这些自定义字段在 CELLxGENE schema 中并无对应项，迁移时需要手工映射。

9.4 疾病基因侧：Gene Ontology（441）与 DisGeNET（449）

靶基因的"疾病相关性"如何判定，论文未逐一公开每个基因的入选依据。若要做独立复核，可借助库内 Gene Ontology（基因功能本体）与 DisGeNET（疾病-基因关联）两份资源重建候选池，再与 1,947 个靶基因求交，即可估算入选策略的覆盖面。这是本条目提供的一个可执行的复现路径。

9.5 神经科学数据生态：OpenNeuro（100）与脑影像条目

OpenNeuro 汇集神经影像原始数据，与 PerturbAI 的分子层面数据形成"影像—分子"两级。若要研究某个疾病相关基因的影像表型，一条现实的路径是：在 PerturbAI 中找到该基因影响的细胞类型 → 在 Allen 分类中定位对应脑区 → 在 OpenNeuro 或库内影像条目中寻找该脑区的影像表型研究。

9.6 建议互链点（正文口径，frontmatter 只放纯 URL）

建议主会话在发布时将以下条目列入 relatedLink 候选：scperturb（1102）、cellxgene-census（1035）、allen-brain-atlas（275）、gene-ontology（441）、disgenet（449）、openneuro（100）、abide（198）、adhd-200（205）、abcd-study（215）、aomic（315）、healthy-brain-network（245）。

§10 避坑清单：九个已踩过或已识别的坑

以下坑点均基于本轮一手材料（HF API、数据集卡原文、预印本摘要与检索片段、官网博文、PR 稿）整理。每条给出"表现—成因—对策"三段式，便于直接排障。

坑 1：8,000,000 与 7,720,300 不是两个数据集

表现：搜索引擎同时返回"8 million cells"与"7.7 million cells"，读者容易以为是两个版本或两份数据。

成因：8M 是公司在新闻稿与官网博文中的取整宣传口径，7,720,300 是论文正文的精确计数。数据集卡 README 同时使用两者（标题段用 8 million，Key Highlights 用 7.7 million）。

对策：引用时以论文正文 7,720,300 为准，并在括号中注明"宣传口径 8M"。若在论文中引用，应引用预印本而非官网博文。

坑 2：「Perturb-seq」不是这个数据集的名字

表现：以 “Perturb-seq dataset” 检索，命中的是 Perturb-seq 这项技术本身、各种细胞系扰动数据集，以及已发表的脑 Perturb-seq 方法学论文，很难直接定位到本数据集。

成因：Perturb-seq 是技术名称（perturbation + sequencing），不是产品名。本数据集的正式名包含 “Brain-Wide In Vivo CRISPR Atlas”，与 “Perturb-seq” 只在论文标题中出现。

对策：检索用 perturbai wholebrain_crispr_atlas 或 PerturbAI Brain-Wide，不要只搜技术名。

坑 3：HF API 说 gated=false，页面却要机构邮箱

表现：通过 https://hf-mirror.com/api/datasets/perturbai/wholebrain_crispr_atlas 取到的 JSON 中 private 与 gated 均为 false，容易让人以为可以直接匿名下载；实际页面有 gating 表单。

成因：数据集卡的 extra_gated_prompt 与 extra_gated_fields 是页面级 gating 配置，HF API 的 gated 字段未必与之一致（可能是镜像缓存或字段语义差异，未确证）。

对策：以页面表单为准。脚本批量下载前先用浏览器走一遍表单，并把 token 传给 scripts/download.py --hf-token。

坑 4：个人邮箱会被自动拒批

表现：用 @gmail.com、@qq.com 等邮箱提交访问申请后状态直接变为拒绝，无人工复核。

成因：数据集卡原文明确：Requests from personal domains (@gmail.com, @hotmail.com, @qq.com, etc.) will be automatically denied.

对策：使用高校、研究所或企业的官方邮箱域名。若机构邮箱不能收 HF 邮件，先解决邮件可达性再申请，不要反复提交个人邮箱。

坑 5：Negative 不等于对照

表现：把 gene_target 为 Negative 的细胞当作非靶向对照一起做差异表达，得到偏保守甚至反向的效应。

成因：Negative 的定义是"未检出足够 guide"，其中混有"编辑成功但 guide 转录本丢失"的细胞，这些细胞的转录组实际处于扰动状态。

对策：主分析只用 Non_target 作对照；把 Negative 单独作为一类检查，或直接排除。README 的官方流程只说明剔除了多 guide 细胞，未说明如何处理 Negative，需自行决定并在方法中声明。

坑 6：passes_qc 的黑名单不可移植

表现：把 cluster not in {1,17,2,3,57,6,83,NA} 这条规则照搬到新数据或重聚类结果上，过滤掉完全无关的细胞群。

成因：这八个簇号是本数据集特定聚类下的人工判断结果，属于"实例级"知识，不是"原理级"知识。

对策：只在新数据上重新识别双细胞簇时借用其思路（结合 scDblFinder 未捕获的高 UMI、高基因数簇），不要照搬簇号。

坑 7：左右半球不是独立样本

表现：把同一只鼠的 L 与 R 两个 sample_label 当作两个独立生物学重复，导致显著性虚高。

成因：左右半球来自同一只动物、同一次注射、同一次取材，技术重复而非生物学重复。

对策：统计模型中以 source（小鼠个体）为随机效应或聚类单位。至少在做置换检验时按 source 分块。

坑 8：代码仓库默认分支是 master

表现：从 raw.githubusercontent.com/jinlabneurogenomics/wholebrainperturbseq/main/README.md 取文件返回 404，误以为仓库不存在或已删除。

成因：仓库默认分支为 master。

对策：改用 master 路径，或先调 GitHub API 的 contents/ 端点确认结构（本轮即以此确认仓库存在且含 Dockerfile、scripts 等目录）。

坑 9：把"效应稀疏"误读为"数据噪声大"

表现：看到很多基因扰动后差异表达基因数很少，判断数据质量差。

成因：论文明确指出许多疾病相关基因的转录后果"remarkably sparse"，这是生物学上的真实稀疏（调控层级深、缓冲机制强），不是技术噪声。

对策：判断噪声应看技术指标（num_genes、pct_mt、log_ambient_mse_norm、双细胞比例），而不是看差异表达基因数。效应稀疏恰恰是这份数据的重要发现之一。

§11 DAIMS 评估

DAIMS 是数据资产管理的五维评估框架：Discoverability（可发现性）、Accessibility（可获取性）、Interoperability（可互操作）、Metadata（元数据质量）、Sustainability（可持续性）。以下评分基于本轮一手材料，1-10 分制。

维度 评分 依据
D 可发现性 8 官网博文、预印本、HF 数据集卡三处互相链接，Google/Bio-IT World 均可检索到；扣分项是命名不统一（三个名字并存）且 “Perturb-seq” 技术名会稀释检索结果
A 可获取性 6 完全免费且许可宽松（CC BY-4.0），但机构邮箱门控把一部分个人研究者挡在门外；无 API 直取、无 S3 镜像
I 可互操作 8 AnnData / Parquet / Zarr 三种主流格式齐全；细胞类型用 Allen 标准分类，跨数据集可对齐；扣分项是无 CELLxGENE schema 映射、自定义字段较多
M 元数据质量 8 all_obs.parquet 30 余列逐列有文字说明，QC 阈值明写，四条 QC 规则可复现；扣分项是无 schema.org/Croissant 结构化元数据，字段类型与取值域靠 README 文本承载
S 可持续性 6 托管在 Hugging Face（稳定平台），代码在 GitHub（学术实验室账号），但数据生产方是一家 pre-seed 阶段公司，长期维护承诺不明；预印本尚未同行评审
综合 7.2 数据本身的工程完成度高于同类；扣分集中在门控与长期维护不确定性

逐维补充说明：

  • 可发现性上，三处入口的链接是闭环的：博文指向预印本与 HF，HF README 回指预印本与 GitHub，预印本指向 HF。闭环的好处是路径清晰，坏处是缺少第三方索引（如 Zenodo DOI、DataCite 记录）。
  • 可获取性上，需要区分"许可"与"门控"。CC BY-4.0 是法律许可，机构邮箱是运营门槛。前者不限制商用，后者限制下载流程，两者并不冲突，但常被混淆。
  • 可互操作上，AnnData 生态（Scanpy、scvi-tools、Seurat、SingleCellExperiment）全部支持，这是它最强的一项。
  • 元数据上，README 的列说明表是本文档的主要依据，质量不错，但缺少字段类型、取值范围、缺失值策略的系统性声明。
  • 可持续性上，最大的不确定性是公司本身。pre-seed 阶段的公司能否长期维护一个 100 GB 级数据集，无人能保证；HF 平台托管降低了风险，但不能消除。

§12 局限性与使用建议

12.1 十条使用前必读的局限

  1. 物种：仅小鼠。跨物种推断需同源基因映射（仓库内已提供 BioMart_homolog_conversion.csv）。
  2. 年龄：P16 幼鼠单时间点，不覆盖发育早期与成年/衰老阶段。
  3. 扰动类型：仅 CRISPR 敲除，不含过表达、点突变、药物扰动、激活（CRISPRa）或抑制（CRISPRi）。
  4. 读出层：仅转录组（单核），不含蛋白、代谢、电生理、形态、行为。
  5. 基因覆盖：1,947 个疾病相关基因的子集，不是全基因组；偏向转录因子与受体。
  6. 多重感染：必需过滤多 guide 细胞，会损失样本量。
  7. guide 未检出：Negative 细胞的处理策略需自行决定并声明。
  8. 伪重复风险：左右半球非独立，需按个体聚类。
  9. 注释为概率预测：MapMyCells 的输出是概率，低置信度细胞建议按概率阈值过滤。
  10. 预印本状态：截至 2026-10 未经同行评审，结论可能随版本修订。

12.2 三条使用建议

建议一：从 all_obs.parquet 开始。 469 MB 的表足以让你在下载 70 GB 表达矩阵之前，先完成批次构成、guide 分布、细胞类型比例的全部探索。这一步能省掉大量无效下载。

建议二：先复现 Grin2a 与 Grin2b 的相反效应。 这是论文的招牌结论，也是检验你自己的分析流程是否正确的最快方式。取这两个基因的 gene_target 子集，按 predicted_group 做差异表达，看是否能复现方向相反的模式。

建议三：跨批次比较必须显式建模。 14 个批次之间可能存在系统差异，batch、scp_name、source 三个字段都要纳入考虑。官方 Wilcoxon 流程不含批次校正，如果你的结论跨批次成立，务必单独验证。

§13 常见误解澄清

误解一：「这是人类脑数据」
不是。是小鼠。论文讨论的是人类疾病相关基因在小鼠脑中的功能，数据本体是小鼠组织。

误解二：「这是全基因组筛选」
不是。是全基因组规模的方法学目标下、针对 1,947 个疾病相关基因的定向筛选。论文标题用 genome-scale 指的是"筛选平台的通量规模"，不是"覆盖全部基因"。

误解三：「这是 8M 细胞」
论文精确值为 7,720,300。8M 是宣传取整。

误解四：「CC BY-4.0 意味着随便下」
许可随便用，但下载需过机构邮箱门控。

误解五：「这是 Allen Institute 的数据」
不是。Allen 提供的是分类体系与方法学，数据由 PerturbAI 生产、由 PerturbAI 在 HF 发布。Allen 的 Hongkui Zeng 是作者之一，但不等于数据归 Allen 所有。

误解六：「可以替代 scPerturb」
不能。scPerturb 是多数据集标准化汇总，可用于跨数据集基准；PerturbAI 是单一实验，不能用于比较不同实验平台。两者互补。

误解七：「这是挑战赛/有排行榜」
没有。无官方评测基准、无排行榜、无隐藏测试集。它的"基准"属性来自被下游当作训练/评测资源使用，而不是自身设计了挑战赛。

误解八：「单核和单细胞可以混用」
严格说不能。snRNA-seq 测的是核内 RNA，缺少胞质转录本（如大量线粒体基因与部分长非编码 RNA），与 scRNA-seq 的可比性有限。跨 modality 比较需谨慎。

§14 时间线

时间 事件 来源
2025 Q3 PerturbAI 完成超额认购的 pre-seed 轮 PR 稿、Bio-IT World
2026-03-16 预印本编号内嵌日期（2026.03.16.711480） bioRxiv
2026-03-17 PerturbAI 出 stealth，同步发布数据集与预印本 官网博文、PR 稿
2026-03-18 图书馆编目记录的在线日期 编目记录
2026-03-20 HF 仓库最后修改；Bio-IT World 报道 HF API、Bio-IT World
2026-10-17 本条目资料核验时点 本条目

时间线上的双口径：预印本挂出日期在检索中看到两种表述——3 月 17 日（与发布同日，PR 稿口径）与 3 月 18 日（编目口径）。两者相差一天，可能是时区或编目录入时差，条目不强行统一，仅存照。

FAQ（高频问答 20 问）

问 1：wholebrain_crispr_atlas 和 “PerturbAI Brain-Wide In Vivo CRISPR Atlas” 是同一个东西吗？
是。前者是 Hugging Face 仓库路径（组织/仓库名），后者是发布时的展示名。数据集卡里的 pretty_name 是 PerturbAI Brain-Wide Functional Genomics Atlas (v1.0)。

问 2：disease-associated 的"疾病"包括哪些？
论文的表述覆盖神经发育、精神与神经退行性疾病，数据集卡相应地强调 neurodegeneration、psychiatric、metabolic 三类。衍生分析目录 ndd_perturbation 中的 ASD_rare.csv 显示自闭症谱系障碍（ASD）的罕见变异基因是其分析重点之一。

问 3：1,947 个基因的清单在哪？
仓库 analysis/2603_shi_manuscript/ndd_perturbation/unique_genes_all.csv（115 KB）是相关基因清单文件之一；完整靶基因列表在论文补充表 Table S1 中（补充材料未在 HF 仓库中单列）。两处是否完全一致，本轮未逐条核对。

问 4：74 只小鼠每只敲了多少个基因？
论文未给单一数字。pooled 设计意味着每只鼠携带一个文库的随机子集，具体分布见补充表 Table S3 与 aav_sequence_counts.csv。

问 5：为什么只有 NeuN+ 核？
NeuN 是神经元标记，FACS 只富集神经元核。因此这份图谱不含胶质细胞（星形胶质、小胶质、少突胶质）的扰动响应。这是重要局限：大量疾病相关基因在胶质细胞中的作用无法用本数据回答。

问 6：有细胞计数矩阵吗？
有。data/*.parquet 与 h5ads/*.h5ad 都是表达矩阵，前者按批次切成 318 个分片，后者每批次一个文件。

问 7：preprocessed_gex.zarr.tar.gz 和 h5ad 有什么区别？
zarr 是预处理后的表达矩阵压缩包（35.06 GB），主要用于 NVIDIA AI Blueprint；h5ad 是原始的每批次 AnnData。两者是否经过相同处理，README 未明示（遗留疑点 E）。

问 8：能直接 load_dataset 吗？
可以，官方示例用 load_dataset("perturbai/wholebrain_crispr_atlas", split="train", streaming=True)。但 data/*.parquet 的分片命名不符合 HF 自动分片规范，split="train" 能否自动拼接全部 318 个分片需自行验证。

问 9：gene_metadata.parquet 里有什么？
数据集卡把它配置为独立的 gene_metadata config，但未逐列说明内容。通常包含基因名、ID、可能的功能注释。需要时可直接下载这个 414 KB 的小文件查看。

问 10：什么是不看 README 就会搞错的地方？
gene_target 的 Negative 语义（坑 5）、passes_qc 的簇黑名单（坑 6）、左右半球非独立（坑 7）这三处最容易出错。

问 11：这个数据集有细胞级 barcode 吗？
有。key 可理解为 {sample_label}/{cell barcode} 的组合，barcode 未作为独立列在 README 列出，但存在于 parquet 与 h5ad 的索引中。

问 12：predicted_group 和 predicted_subclass 的关系？
前者是后者按研究需要聚合后的自定义分组（README 原文：created by aggregating predicted subclasses），差异表达按 predicted_group 做。

问 13：能用来做药物靶点发现吗？
能作为假设生成工具。PerturbAI 自己的产品逻辑就是"从全脑 CRISPR 图谱到高置信度治疗靶点"（官网另一篇文章的标题即为 From whole brain CRISPR atlas to high confidence therapeutic targets）。但从小鼠敲除表型到人类靶点验证，中间还有很长的路。

问 14：与已有的脑 Perturb-seq 研究相比，规模差多少？
本轮未检索到同等规模的既往研究确切数字，无法给出倍数。可以确定的是，论文自称这是"最大的全脑体内功能基因组图谱"，且此前大多数功能基因组研究"在野生型组织或细胞培养中进行"。

问 15：引用格式是什么？
预印本：Shi T, Korshunova M, Kim S, et al. Genome-scale functional mapping of the mammalian whole brain with in vivo Perturb-seq. bioRxiv. 2026. doi:10.64898/2026.03.16.711480。数据：PerturbAI. PerturbAI Brain-Wide Functional Genomics Atlas (v1.0). Hugging Face. 2026. 建议同时标注 commit hash。

问 16：有中文版数据说明吗？
没有。数据集卡与 README 均为英文。本条目是其中文整理，但以英文原文为准。

问 17：数据集会不会更新？
可能。版本号 v1.0 暗示存在后续版本；HF 仓库的 commit hash 可用来锁定具体版本。截止本轮抓取，只有 main 一个分支。

问 18：CC BY-4.0 下可以商用吗？
可以，只要署名。例如训练商业模型、开发商业分析工具均被允许，但需在适当位置标注来源与许可。

问 19：为什么强调"体内"？
因为体外系统丢掉了细胞环境。这份数据的第一性价值就在于每个被扰动的细胞都还在一个真实的脑组织切片（准确说是核悬液）里，它的转录组包含了"邻居、连接、位置"留下的印记。

问 20：这份数据对中文研究者最实际的门槛是什么？
机构邮箱。@qq.com 被点名拒批，其他常见个人邮箱（@163.com、@126.com 等）虽未点名，但落在"personal domains"的语义范围内，同样有被拒风险。

事实清单（硬事实 30 条）

  1. 数据集仓库：perturbai/wholebrain_crispr_atlas（Hugging Face）。
  2. 数据集卡 pretty_name：PerturbAI Brain-Wide Functional Genomics Atlas (v1.0)。
  3. 许可证：cc-by-4.0。
  4. 需机构邮箱门控；@gmail.com、@hotmail.com、@qq.com 等个人域自动拒批。
  5. 论文 DOI：10.64898/2026.03.16.711480。
  6. 论文题：Genome-scale functional mapping of the mammalian whole brain with in vivo Perturb-seq。
  7. 预印本平台：bioRxiv，v1。
  8. 发布日：2026-03-17（官网博文与 PR 稿）。
  9. 细胞核数：7,720,300（论文正文）。
  10. 靶基因数：1,947（论文）。
  11. sgRNA 数：8,588（HF README）。
  12. 检出 mRNA 数：19,070（HF README）。
  13. 小鼠数：74（论文正文），P16 Cas9 转基因。
  14. 注射与取材间隔：3 至 4 周。
  15. FACS 富集率：平均 1.6% GFP+/NeuN+。
  16. gRNA 活性验证：HT22-Cas9 细胞，15 个基因，平均编辑效率 46.5%。
  17. 测序平台：10x Genomics Flex Apex。
  18. 细胞注释工具：MapMyCells + Allen Institute Whole Mouse Brain Taxonomy。
  19. class 数：34；subclass 数：331。
  20. 区域生态位（neighborhood）数：6 个（Pallium-Glut、Subpallium-GABA、HY-EA-Glut-GABA、TH-EPI-Glut、MB-HB-Glut-Sero-Dopa、MB-HB-CB-GABA）。
  21. 批次（h5ad 文件）数：14。
  22. parquet 分片数：318。
  23. 仓库文件条目总数：350。
  24. all_obs.parquet 体积：469.9 MB。
  25. gene_metadata.parquet 体积：414 KB。
  26. preprocessed_gex.zarr.tar.gz 体积：35.06 GB。
  27. Wilcoxon 差异表达全表体积：10.76 GB。
  28. guide 检出阈值：3 UMI。
  29. QC 硬阈值：num_genes >= 2000 且 singlet 且 log_ambient_mse_norm > 0.09 且 cluster 不在黑名单。
  30. 代码仓库：jinlabneurogenomics/wholebrainperturbseq（默认分支 master）。

术语表（24 条）

术语 中文 释义
Perturb-seq 扰动测序 将 CRISPR 扰动与单细胞转录组测序结合，一次读出"扰动身份 + 转录响应"
snRNA-seq 单核 RNA 测序 对分离的细胞核做转录组测序，适用于冷冻或难解离组织（如脑）
in vivo 体内 在活体动物中进行的实验，与 in vitro（体外）相对
CRISPR knockout CRISPR 敲除 用 Cas9 造成双链断裂，经修复引入移码突变使基因失活
sgRNA 单向导 RNA 引导 Cas9 定位到靶序列的小 RNA
gRNA 导引 RNA 泛指引导 CRISPR 系统的 RNA，本数据集语境下等同于 sgRNA
pooled screen 混合筛选 把大量扰动混在一个文库中同时施加，事后靠 barcode 区分
AAV 腺相关病毒 常用的体内基因递送载体，容量小、免疫原性低、可扩散至脑组织
Cas9 transgenic mouse Cas9 转基因小鼠 全基因组稳定表达 Cas9 的小鼠品系，便于注射 gRNA 实现体内编辑
FACS 荧光激活细胞分选 按荧光标记分选细胞的流式技术，本数据集用于富集 NeuN+/GFP+ 核
multiplexing 多重感染 同一细胞被多条 gRNA 感染，会混淆单基因效应的解读
ambient RNA 环境 RNA 样本制备中游离的 RNA 污染，log_ambient_mse 用于量化
doublet 双细胞 两个细胞被同一 barcode 捕获，scDblFinder 用于识别
UMI 唯一分子标识 标记单个原始 mRNA 分子，用于去重与定量
AnnData AnnData 对象 Python 单细胞生态的核心数据结构，h5ad 为其磁盘格式
AnnCollection AnnCollection anndata 提供的多文件拼接容器，支持 backed 模式，避免全量载入内存
Parquet Parquet 列式存储 高效的列式文件格式，适合大规模表格与 ML 流水线
Zarr Zarr 分块数组 分块压缩数组格式，适合并行读取的巨量矩阵
E-distance 能量距离 衡量两组样本分布整体差异的统计量，支持置换检验
Wilcoxon 威尔科克森检验 非参数秩和检验，本数据集差异表达的统计方法
MapMyCells MapMyCells 映射工具 Allen Institute 提供的细胞类型概率映射工具
subclass 亚类 Allen 全脑分类体系中的第二级（class 之下、supertype 之上）
CC BY-4.0 知识共享署名 4.0 允许商用与改编，需署名的宽松许可
DAIMS 数据资产评估框架 Discoverability/Accessibility/Interoperability/Metadata/Sustainability 五维

附录 A：仓库完整文件清单（按类目）

A.1 h5ads/（14 个，供 AnnData 工作流）

文件 体积（字节）
WB8588_1_1.h5ad 1,007,692,498
WB8588_1_2.h5ad 965,821,139
WB8588_1_3.h5ad 1,041,792,401
WB8588_2_1.h5ad 9,640,239,553
WB8588_2_2.h5ad 9,584,385,640
WB8588_2_3.h5ad 9,740,536,458
WB8588_3_1.h5ad 1,080,881,076
WB8588_3_2.h5ad 4,350,787,338
WB8588_3_3.h5ad 6,513,961,718
WB8588_3_4.h5ad 4,361,162,159
WB8588_4_1.h5ad 7,246,662,030
WB8588_4_2.h5ad 7,445,185,563
WB8588_4_3.h5ad 7,536,348,838
WB8588_4_4.h5ad 6,584,150,836

合计约 72.2 GB。文件名的 WB8588 是项目代号，其后两段数字分别对应批次与通道。

A.2 data/（318 个 parquet 分片）

14 个批次的分片数分别为：1_1 与 1_2 各 4 片、1_3 4 片、2_1 42 片、2_2 43 片、2_3 43 片、3_1 4 片、3_2 18 片、3_3 26 片、3_4 20 片、4_1 27 片、4_2 28 片、4_3 30 片、4_4 24 片。合计约 81.3 GB。分片数与该批次的细胞数大致成正比——2 系列（42 至 43 片）对应细胞量最大的批次。

A.3 analysis/（13 个）

路径 体积
preprocessed_gex.zarr.tar.gz 35,059,391,830
2603_shi_manuscript/diff_expr_genes/wilcoxon_de_results_group_name_final_data_no_multi_guide_cells.parquet 10,761,466,473
2603_shi_manuscript/ndd_perturbation/geneDB-raw-data_Feb2026_Epi2_ndd_rbp_PA_xin.tsv 244,718,084
2603_shi_manuscript/ndd_perturbation/geneDB-raw-data_Feb2026_Epi2_ndd_rbp_PA_xin_only_main_select.xlsx 12,219,250
2603_shi_manuscript/ndd_perturbation/GWS_results.csv 11,631,951
2603_shi_manuscript/ndd_perturbation/BioMart_homolog_conversion.csv 4,365,322
2603_shi_manuscript/ndd_perturbation/ASD_rare.csv 3,309,008
2603_shi_manuscript/ndd_perturbation/ref_ndd_list_edit.RDS 209,346
2603_shi_manuscript/ndd_perturbation/celltype_NDD_gene_No_DEGs.csv 12,911
2603_shi_manuscript/ndd_perturbation/unique_genes_all.csv 115,108
2603_shi_manuscript/cell_type_proportions/aav_sequence_counts.csv 399,494
2603_shi_manuscript/visualization/use_genes.txt 未单列
genes_of_interest_blomen.csv 21,226

genes_of_interest_blomen.csv 位于 analysis 根目录而非论文复现目录，文件名中的 “blomen” 可能指 Blomen 等人的必需基因数据集（本轮未核实该关联，仅作提示）。

A.4 metadata/ 与 assets/

路径 体积
metadata/all_obs.parquet 469,891,237
metadata/gene_metadata.parquet 414,377
assets/neighborhood_umap_square.png 未单列
README.md 12,820

附录 B：元数据字段全表

字段 类型（推断） 说明
batch 字符串 一个 Flex pool
scp_name 字符串 10x 通道标识
source 字符串 小鼠个体标识
sex 字符串 M / F
sample_label 字符串 同源样本区分，通常 L / R
num_rna_umi 整数 RNA UMI 总数
num_genes 整数 检出基因数
pct_mt 浮点 线粒体 UMI 占比
scDblFinder.class 字符串 singlet / doublet
scDblFinder.score 浮点 0-1，越高越像双细胞
log_ambient_mse 浮点 相对通道平均表达的环境 RNA 误差
log_ambient_mse_norm 浮点 二项采样期望归一化后的同上
gene_target 字符串 敲除基因名 / 多基因以竖线分隔 / Non_target / Negative
num_guides 整数 ≥3 UMI 的 guide 数
guide_call 字符串 guide 清单，竖线分隔
guide_umis 整数 guide UMI 总数
guide_umi_top 整数 最高 guide 的 UMI 数
guide_umi_second 整数 次高 guide 的 UMI 数
predicted_group 字符串 研究者聚合的自定义分组
predicted_class 字符串 Allen class
predicted_class_probability 浮点 上述概率
predicted_subclass 字符串 Allen subclass
predicted_subclass_probability 浮点 上述概率
predicted_supertype 字符串 Allen supertype
predicted_supertype_probability 浮点 上述概率
predicted_cluster 字符串 Allen cluster
predicted_cluster_probability 浮点 上述概率
neuron_type 字符串 由 subclass 派生的神经元类型
neighborhood 字符串 由 subclass 派生的生态位
region_level1 字符串 粗分区
region_level2 字符串 细分脑区（CCF 高频区域）
cluster 字符串 无监督聚类编号
passes_qc 布尔 四条 QC 规则的合取

类型列为据字段含义推断，README 未给出显式类型声明。

附录 C：关键数字出处对照

关键数字 出处 定位
7,720,300 细胞核 预印本正文 “We recovered 7,720,300 high-quality NeuN+ nuclei”
1,947 靶基因 预印本摘要与正文 “loss of 1,947 disease-associated genes”
8,588 sgRNA HF README Key Highlights “19,070 mRNAs and 8,588 sgRNAs”
19,070 mRNA HF README Key Highlights 同上
74 只小鼠 预印本正文 “injected 74 young (P16) Cas9 transgenic mice”
1.6% 富集率 预印本正文 “on average, 1.6% GFP+/NeuN+ nuclei”
46.5% 编辑效率 预印本正文 “average editing efficiency of 46.5%”
34 class / 331 subclass 预印本正文 “across 34 classes and 331 subclasses”
14 批次 HF API 文件清单 h5ads/*.h5ad 计数
350 文件 HF API siblings 数组长度
35.06 GB zarr HF API tree analysis/preprocessed_gex.zarr.tar.gz
10.76 GB 差异表达 HF API tree diff_expr_genes/*.parquet
CC BY-4.0 HF dataset card license 字段
机构邮箱门控原文 HF dataset card extra_gated_prompt

附录 D：数据获取决策树

开始
 ├─ 有高校/研究所/企业官方邮箱？
 │   ├─ 否 → 先找机构邮箱，个人邮箱会被自动拒批（坑 4）
 │   └─ 是 → 打开 hf.co/datasets/perturbai/wholebrain_crispr_atlas
 │            ├─ 阅读 gating 表单 → 填写姓名/单位/邮箱 → 勾选确认 → 提交
 │            └─ 通过 → 获得下载权限
 ├─ 只需要探索细胞/基因层面统计？
 │   └─ 只下 metadata/all_obs.parquet（469 MB）+ gene_metadata.parquet（414 KB）
 ├─ 只要差异表达结论？
 │   └─ 下 diff_expr_genes/*.parquet（10.76 GB）
 ├─ 要跑 Scanpy/scvi-tools/Seurat？
 │   └─ 下 h5ads/*.h5ad（约 72 GB），用 AnnCollection backed 模式
 ├─ 要在 HF datasets 里流式训练？
 │   └─ 下 data/*.parquet（约 81 GB）或直接 streaming
 └─ 要用 NVIDIA Blueprint？
     └─ 下 preprocessed_gex.zarr.tar.gz（35 GB）

附录 E：研究使用检查清单（12 项）

  1. 许可与门控是否都已满足（CC BY-4.0 署名 + 机构邮箱申请）。
  2. 引用时是否注明 HF commit hash 与预印本 DOI。
  3. 细胞数使用 7,720,300 还是 8M，全文是否统一。
  4. 是否只用了 passes_qc == True 的细胞。
  5. 对照是否只用 Non_target，Negative 如何处理是否声明。
  6. 是否剔除了 num_guides > 1 的细胞（或单独分析）。
  7. 是否按 source（个体）聚类，而非按 sample_label（半球）。
  8. 是否检查了 predicted_*_probability 的分布并设定阈值。
  9. 跨批次比较是否纳入 batch 效应。
  10. 是否意识到本数据只含 NeuN+ 神经元、无胶质细胞。
  11. 跨物种结论是否经过同源基因映射（BioMart 表可直接用）。
  12. 是否核对了预印本版本，避免引用已被修订的结论。

附录 F：与 scPerturb 的逐项对照

维度 scPerturb PerturbAI 全脑图谱
性质 多数据集标准化汇总 单一促物实验原始发布
数据来源 44 个已发表研究 1 个新增研究
物种 混合（人、小鼠等） 仅小鼠
体系 细胞系为主 活体全脑
许可 遵循各源数据集 CC BY-4.0
托管 Zenodo + GitHub Hugging Face + GitHub
统计工具 E-distance（自研包） Wilcoxon + E-distance
主要用途 方法基准、跨实验比较 因果预测、基础模型训练
是否可互操作 是（统一 AnnData） 部分（AnnData 格式，但 schema 自定义）

尾注

核验声明：本条目所有硬数字均来自本轮一手抓取——Hugging Face 数据集卡、Hugging Face API（镜像站）返回的仓库元数据与文件树、bioRxiv 预印本摘要页、PerturbAI 官网发布的博文、PRNewswire 转载稿、Bio-IT World 报道、Google Scholar 与图书馆编目记录。凡无法一手确证的字段，条目内以"未公开"或"遗留疑点"标注，未作推测性补全。

遗留疑点汇总：

  • 遗留疑点 A：UCSC Cell Browser 的具体访问地址。Bio-IT World 报道提及数据可通过 UCSC Cell Browser 浏览，但官网博文的三种获取渠道未列此项，本轮未抓到确切 URL。
  • 遗留疑点 B：仓库总体积。HF 平台未提供仓库级别总大小，条目中的体积为按目录逐项汇总所得，且 zarr 与差异表达表可能与其他格式存在内容重叠，故只给出量级而非精确总量。
  • 遗留疑点 C：HF API gated:false 与数据集卡 gating 表单并存。成因未证实，实操以页面表单为准。
  • 遗留疑点 D：论文正文方法学细节。bioRxiv 全文 PDF 在抓取时被 Cloudflare 拦截（一次尝试后按纪律不再重试），因此论文正文中的 74 只鼠、1.6% 富集率、46.5% 编辑效率、34 class / 331 subclass 等数字取自检索结果中引用的全文片段，可视为原文，但未能逐段核对上下文。
  • 遗留疑点 E：data/ 与 h5ads/ 是否存储同一批细胞。README 表述为多格式并存，未下载核对 h5ad 内 obs 数。
  • 遗留疑点 F：genes_of_interest_blomen.csv 中 “blomen” 是否指 Blomen 等人 2015 年的必需基因研究，未核实。
  • 遗留疑点 G：1,947 个靶基因的完整清单是否与 unique_genes_all.csv 一致，未逐条比对。
  • 遗留疑点 H：作者姓名拼写，Google Scholar 作 Zephyra Zhao，图书馆编目作 Ziyan Zhao。

致谢与说明：本条目的写作依据是千方病案医数集的数据集百科体例（INFOBOX + §0-§14 + FAQ + 事实清单 + 术语表 + 附录）。结构与条目间互链策略由千方病案医学编辑部维护；条目内容不代表 PerturbAI、NVIDIA、Allen Institute 或 10x Genomics 的任何立场。

附录 G：14 个批次的结构对照

批次号 h5ad 体积（字节） parquet 分片数 每片平均体积（约 MB） 观察
WB8588_1_1 1,007,692,498 4 252 小批次
WB8588_1_2 965,821,139 4 241 小批次
WB8588_1_3 1,041,792,401 4 260 小批次
WB8588_2_1 9,640,239,553 42 230 最大批次组
WB8588_2_2 9,584,385,640 43 223 最大批次组
WB8588_2_3 9,740,536,458 43 227 最大批次组
WB8588_3_1 1,080,881,076 4 270 小批次
WB8588_3_2 4,350,787,338 18 242 中批次
WB8588_3_3 6,513,961,718 26 251 中批次
WB8588_3_4 4,361,162,159 20 218 中批次
WB8588_4_1 7,246,662,030 27 268 中批次
WB8588_4_2 7,445,185,563 28 266 中批次
WB8588_4_3 7,536,348,838 30 251 中批次
WB8588_4_4 6,584,150,836 24 274 中批次

从这张表能读出什么：

  1. 分片大小高度一致（多数在 220 至 275 MB 之间），说明分片是按体积切分而非按细胞数切分，方便分布式读取时保持负载均衡。
  2. 批次量级跨 10 倍：最小的 1_1 约 1 GB，最大的 2_1 约 9.6 GB。做批次效应分析时，这种不均衡会让小批量在合并后几乎被大批次淹没，建议做下采样配对或加权。
  3. 1 系列与 2 系列策略不同：1 系列全部 4 片、2 系列 42 至 43 片，暗示 1 系列可能是预实验或低感染批次，2 系列是主力量。这只是从文件结构推断的假设，论文补充表 Table S3 应有每批核数的确切值。

附录 H：六步链条的失败模式与排查

步骤 可能失败的方式 在数据里的体现 排查方法
基因选择 靶基因在脑内表达过低 某基因的 gene_target 细胞数极少 统计各 gene_target 的细胞数分布，找出尾部
活性验证 gRNA 编辑效率不足 该基因的扰动细胞与对照差异极小 按基因看效应量分布，与 46.5% 平均值对比
体内递送 感染偏区，某些脑区几乎无扰动细胞 aav_sequence_counts.csv 显示区域偏好 直接读该 CSV，按 region_level2 交叉
取材提核 某批次核质量差 该批 num_genes 偏低、pct_mt 偏高 按 batch 分组看 QC 指标中位数
测序与 guide 分配 guide 检出率低，Negative 比例高 gene_target == "Negative" 占比异常 按批次统计 Negative 比例
注释 MapMyCells 置信度低 predicted_subclass_probability 偏低 画概率分布，设阈值过滤

这张表的作用是：当你在下游发现"某个基因没效应"或"某个批次可疑"时，能顺着链条找到最可能的失败点，而不是笼统归因于噪声。

附录 I：常用分析代码骨架

骨架一：只读元数据，看整体构成

import pandas as pd

obs = pd.read_parquet("metadata/all_obs.parquet")

# 每批次细胞数
print(obs.groupby("batch").size().sort_values(ascending=False))

# 个体构成（左右半球合并到 source）
print(obs.groupby("source").size())

# 对照与非对照比例
print(obs["gene_target"].value_counts().head(20))

# QC 通过率
print(obs["passes_qc"].mean())

# 每个靶基因的细胞数（找尾部基因）
gene_counts = obs[~obs["gene_target"].isin(["Non_target", "Negative"])].groupby("gene_target").size()
print(gene_counts.describe())
print(gene_counts.sort_values().head(20))

骨架二：按个体聚类做差异表达的模板

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

def de_with_pseudobulk_counts(obs, expr, gene, group, min_cells=30):
    """返回该基因敲除 vs Non_target 在该 predicted_group 下的简化差异表达"""
    sub = obs[(obs["predicted_group"] == group) & obs["passes_qc"]]
    tgt = sub[sub["gene_target"] == gene].index
    ctl = sub[sub["gene_target"] == "Non_target"].index
    if len(tgt) < min_cells or len(ctl) < min_cells:
        return None
    stat, p = mannwhitneyu(expr.loc[tgt].mean(0), expr.loc[ctl].mean(0), alternative="two-sided")
    return {"gene": gene, "group": group, "n_tgt": len(tgt), "n_ctl": len(ctl), "p": p}

这段骨架只做演示：真实分析应把 source 作为随机效应，或先按个体做 pseudobulk 再检验，否则会落入坑 7。

骨架三：批次效应的快速体检

import pandas as pd

obs = pd.read_parquet("metadata/all_obs.parquet")
qc = obs.groupby("batch")[["num_genes", "pct_mt", "log_ambient_mse_norm"]].median()
print(qc.sort_values("num_genes"))

若某批次的 num_genes 中位数显著低于其他批次，说明该批次核质量差，下游分析应对其降权或剔除。

附录 J：论文与数据集的对应关系

论文中的主张 数据集中的对应证据 位置
1,947 个疾病相关基因 gene_target 取值集合 all_obs.parquet
7,720,300 个高质量核 passes_qc == True 的行数 all_obs.parquet
34 class / 331 subclass predicted_class / predicted_subclass 的唯一值数 all_obs.parquet
六个区域生态位 neighborhood 字段 all_obs.parquet
细胞类型特异性效应 diff_expr_genes 全表按 predicted_group 分组 analysis/
NMDA 亚基相反效应 按 gene_target 取 Grin2a / Grin2b 子集自行复现 h5ads/
中脑与丘脑失调 region_level1/2 交叉差异表达结果 metadata/ + analysis/
AAV 递送偏好 aav_sequence_counts.csv analysis/2603_shi_manuscript/cell_type_proportions/
NDD 基因与细胞类型映射 ndd_perturbation/ 八个文件 analysis/2603_shi_manuscript/ndd_perturbation/

这张表的意义是：论文的每一个可验证主张，都能在仓库里找到对应的可下载证据。这是判断一份数据集"是否自洽"的基本方法，也是本条目的核验路径。

附录 K：与同类体内扰动研究的定位说明

需要诚实说明一点：本轮检索未能拿到既往脑内 Perturb-seq 研究的完整数字清单，因此无法给出"规模是前人的多少倍"这类横向对比。可以确认的只有论文自身的表述——此前大多数功能基因组研究"在野生型组织或细胞培养中进行"，本工作"present a gene expression functional atlas across the mouse brain"。

对于想自己做横向对比的读者，建议的检索方向是：(1) 以 “in vivo Perturb-seq brain” 为关键词检索 2023 至 2026 的论文；(2) 查看 scPerturb 收录清单中是否有脑组织体内扰动条目；(3) 对照 table S1 的基因数与细胞数。本轮不做这一步，是因为网络预算已用尽且已有三源互证，追加大范围检索会违背低中断执行纪律。

附录 L：条目写作口径说明

本条目在写作时遵循以下口径：

  1. 数字取论文口径优先，营销口径一律标注为"宣传口径"并注明出处，绝不混用。
  2. 不确定的下结论：凡是无法从一手材料确证的，写入"遗留疑点"或不写，不用"可能""大概"填空。
  3. 机构归属不越界：Allen 提供分类体系与方法学、NVIDIA 提供算力与工具、10x 提供平台，数据所有权归 PerturbAI。条目中严格区分"作者"与"数据所有者"。
  4. 许可与门槛分开写：CC BY-4.0 是法律许可，机构邮箱是运营门槛，两者不可混为一谈。
  5. 不做效果承诺：条目不使用"这份数据能治好某病""这份数据颠覆了某领域"这类表述，只陈述论文与官网的原话及限定条件。
  6. 保留双口径冲突：凡出现两套数字或两套表述，条目内并列呈现并标注出处，不擅自统一（坑 1、时间线双口径、作者拼写双口径）。

附录 M：1,947 个靶基因的筛选逻辑与可复核路径

论文对靶基因选择给出的信息有两句：一是在小鼠与人类脑中都有较广的神经元表达；二是与人类疾病关联强，并优先转录因子与受体。这两条标准合在一起，既排除了"表达极低无法检测效应"的基因，也排除了"表达很广但与疾病无关"的管家基因。

但这两条标准都不能直接复现，因为预印本摘要与正文可见部分没有给出量化阈值。要独立复核这份基因清单，可行的路径有几步：

  1. 取清单：从 analysis/2603_shi_manuscript/ndd_perturbation/unique_genes_all.csv 读取全部基因名，同时用 all_obs.parquet 里 gene_target 的去重值作为交叉验证——两者若不一致，说明 CSV 里混有非靶基因（例如下游通路基因）。
  2. 取表达谱：用 Allen 全脑分类体系公开的表达矩阵，计算每个候选基因在神经元 subclass 中的表达广度（例如"在多少比例的 subclass 中表达量超过阈值"）。
  3. 取疾病关联：用 DisGeNET（库内 rid 449）或 Open Targets 之类的关联库，取每个候选基因的疾病关联分数。
  4. 求交：把第 2、3 步的结果与第 1 步的清单求交，看覆盖率。若覆盖率很高（例如九成以上候选都满足"广表达 + 疾病关联"），说明论文的公开描述足以还原筛选逻辑；若覆盖率低，说明还有未公开的筛选条件。
  5. 查偏倚：统计清单里转录因子与受体的占比。论文说"优先"这两类，若实际占比超过背景期望，可以作为该策略的间接证据。

这条路径的价值在于，它把"论文说它选了 1,947 个疾病相关基因"这一不可验证的陈述，转化成一组可验证的覆盖率和偏倚指标。做方法学复现的研究者尤其需要这一步。

附录 N：六种常见下游任务的数据准备清单

任务一：扰动响应预测（从基因+细胞类型预测转录组变化）

  • 输入：gene_target（取 Non_target 之外的取值）、predicted_group（或更细的 subclass）
  • 标签：每个（基因，细胞类型）组合的平均表达向量，或相对 Non_target 的对数倍数变化
  • 注意：训练集与测试集应按基因切分，而不是按细胞切分，否则会因同一基因既有训练又有测试而高估泛化能力
  • 数据来源：h5ads/ 或 data/，配合 all_obs.parquet 的 passes_qc

任务二：细胞类型特异性的判别

  • 输入：同一基因在不同 predicted_group 下的差异表达结果
  • 标签：该基因是否在某个 subclass 中有显著效应
  • 注意：把"无效应"也作为一类标签，否则模型只会学到"哪些基因有效应"，学不到"哪些细胞类型不响应"
  • 数据来源：diff_expr_genes/ 全表

任务三：必需性预测

  • 输入：基因的序列/结构/功能注释
  • 标签：该基因敲除后，某细胞类型的细胞数是否显著下降（或 E-distance 是否显著）
  • 注意：细胞数下降需要按 source 做比例校正，否则会被取样波动淹没
  • 数据来源：all_obs.parquet 的细胞计数 + aav_sequence_counts.csv

任务四：跨物种迁移

  • 输入：小鼠中的扰动效应
  • 输出：人类同源基因的预测效应
  • 中间步骤：用 BioMart_homolog_conversion.csv 做同源映射，注意一对多与多对一的关系要单独处理
  • 注意：只用一对应关系做评估，一对多关系作为额外的鲁棒性检验

任务五：疾病基因优先排序

  • 输入：疾病候选基因清单
  • 输出：按"在脑中产生显著细胞类型特异效应"排序
  • 注意：排序结果依赖 predicted_group 的粒度；粗粒度会漏掉只在少数亚型中有效的基因
  • 数据来源：ndd_perturbation/ 八个衍生表

任务六：虚拟细胞中的扰动接口

  • 输入：正常状态的单细胞表达谱（可用 Allen 图谱）
  • 目标：预测"在这个细胞里敲掉这个基因"后的表达谱
  • 注意：虚拟细胞模型的评测必须区分"同细胞类型内插值"与"跨细胞类型外推"，后者才是这份数据真正的价值所在

附录 O：十五个可以直接动手的验证题

以下问题都可以只用仓库里的文件回答，用于快速熟悉数据：

  1. all_obs.parquet 一共有多少行？与论文的 7,720,300 是什么关系？
  2. passes_qc 为真的比例是多少？
  3. gene_target 的去重值有多少个？与 1,947 差多少？
  4. predicted_class 有多少个唯一值？是否等于 34？
  5. predicted_subclass 有多少个唯一值？是否等于 331？
  6. neighborhood 有几个取值？是否对应六个生态位？
  7. 每个 source（小鼠）平均贡献多少细胞？分布是否均匀？
  8. 每个 batch 的 num_genes 中位数差多少？
  9. Negative 细胞在哪个批次里比例最高？
  10. num_guides == 1 的细胞占比多少？
  11. guide_umi_top 的分布如何？中位数是多少？
  12. aav_sequence_counts.csv 显示哪些细胞类型的感染偏好最强？
  13. unique_genes_all.csv 的基因数是多少？与 1,947 的关系？
  14. 差异表达全表的行数是多少？能推算出多少个（基因，组）对？
  15. Grin2a 与 Grin2b 的差异表达结果在其他组里是否呈现相反符号？

这十五题不需要下载表达矩阵就能做完前十三道，是进入这份数据的最低成本路径。

附录 P：本条目与数据库字段的对照

本条目字段 写入内容 依据
title PerturbAI Brain-Wide In Vivo CRISPR Atlas (perturbai-crispr-atlas) — 772 万细胞小鼠全脑体内 Perturb-seq 扰动图谱与 1,947 个疾病基因 — AI-Ready Wikipedia ｜ 千方病案医数集 官方发布名 + slug + 中文副标题
subtitle 74 只幼鼠、1,947 个疾病相关基因、772 万单核转录组……CC BY-4.0 托管于 Hugging Face（机构邮箱门控） 论文 + HF 卡
description 一句话摘要（101 字符） 同上
category_tags 基因组学与多组学、神经科学、单细胞基因组学、转录组、评测基准、神经退行性疾病 受控词表 6 词
patient_count 74 只 P16 Cas9 转基因幼鼠；7,720,300 个高质量 NeuN+ 核 论文正文
license CC BY-4.0 + 机构邮箱门控说明 HF 卡
data_source HF 仓库结构与格式清单 HF API

需要注意 patient_count 的写法：这份数据集的"受试对象"是实验动物而非患者，字段名沿用库内通用命名，内容如实写为 74 只小鼠，并补上细胞数以免读者误解为 74 个人。

附录 Q：信息缺口一览（对读者的诚实交代）

缺口 影响 本轮状态
每只小鼠的具体细胞数与靶基因数 无法复现个体层面的取样偏差 未获取（补充表 Table S3 未下载）
每个靶基因的 gRNA 数与编辑效率 无法评估单个基因的扰动可靠性 未获取（Table S2 未下载）
差异表达的具体显著性阈值 无法与作者结论逐条对表 未获取（需读正文方法或全表自行设定）
NMDA 亚基相反效应的定量结果 无法给出效应量 未获取（正文 PDF 被拦）
UCSC Cell Browser 地址 少一条浏览入口 未获取
仓库总体积 只能给量级 HF 未提供
同行评审状态 结论仍是预印本级别 截至 2026-10 未见正式发表
长期维护承诺 可持续性评估的不确定项 公司未公开声明

把缺口列出来，是为了让使用者知道"哪些结论可以直接引用，哪些必须自己算"。一份数据集的百科条目如果只写"有的"，不写"没有的"，反而是对使用者的误导。

尾注二：版本与核验记录

  • 初稿完成：2026-10-17
  • 核验材料：Hugging Face 数据集卡与 API（经 hf-mirror.com 镜像）、bioRxiv 摘要页、PerturbAI 官网博文、PRNewswire 转载稿、Bio-IT World 报道、Google Scholar 条目、图书馆编目记录、GitHub 仓库 README
  • 网络请求：WebSearch 2 次、WebFetch 2 次（另有 curl 请求镜像 API 与 raw 文件若干，均在 60 秒内完成）
  • 一次失败请求：bioRxiv 全文 PDF 被 Cloudflare 拦截，按纪律不重试，改以检索结果中的全文片段佐证
  • 结论：数据集真实存在，规模、许可、获取方式三源互证成立；8M/7.7M 双口径已在条目内并存

附录 R：README 原文要点摘录（中文对译，供逐字核对）

数据集卡的措辞有其特定用词，直接引用英文原句容易在中文语境里走样，因此这里给出关键句的中文对译，并在括号里保留英文原词。

关于规模：数据集卡正文写"spanning 8 million single cells in living tissue and hundreds of distinct neuronal cell types"（覆盖活体组织中 800 万个单细胞与数百种不同的神经元细胞类型）；Key Highlights 一节则写"7.7 million cells, with single nuclear profiling data across 19,070 mRNAs and 8,588 sgRNAs"（770 万细胞，单核谱数据覆盖 19,070 个 mRNA 与 8,588 条 sgRNA）。同一文档内两套口径并存，这是坑 1 的直接出处。

关于因果性：Key Highlights 第三条写"Moving beyond correlation to causal inference through large-scale, parallelized perturbations"（通过大规模并行扰动，从相关性走向因果推断）。这句话是整份数据的定位声明，也是它与普通观察性单细胞图谱的分水岭。

关于门控：extra_gated_prompt 原文为"To access this landmark in vivo atlas, you must provide an official corporate or academic email address. Requests from personal domains (@gmail.com, @hotmail.com, @qq.com, etc.) will be automatically denied."（要访问这份体内图谱，必须提供官方企业或学术邮箱地址；来自个人域名（@gmail.com、@hotmail.com、@qq.com 等）的请求将被自动拒绝。）

关于 gene_target 的取值：原文写"Gene(s) knocked out in this cell: gene, gene1|gene2|…, Non_target (non-targeting guide), or Negative (no sufficiently detected guide)"（本细胞中被敲除的基因：单基因、多基因以竖线分隔、Non_target 表示非靶向 guide、Negative 表示未检出足够 guide）。

关于 passes_qc：原文写"Boolean QC flag: num_genes >= 2000, scDblFinder.class == singlet, log_ambient_mse_norm > 0.09, and cluster not in {1,17,2,3,57,6,83,NA}"（布尔 QC 标记：四条同时满足）。

这些对译的价值在于：当条目正文与数据集卡出现理解分歧时，可以回到英文原句判断。例如"Negative"到底是不是对照，原文只说"no sufficiently detected guide"，并没有说它是对照——这正是坑 5 的依据。

附录 S：与库内其他基因组学条目的字段兼容性

库内的基因组学与多组学类条目在字段组织上并不统一，迁移到本数据集时需要注意若干差异。

与 Allen Brain Atlas（rid 275）的兼容性：Allen 条目的数据组织以"图谱分区 + 表达矩阵"为主，本数据集以"细胞 × 基因 + 扰动标签"为主。两者可对齐的部分是细胞类型标签（class/subclass/supertype/cluster），不可对齐的部分是表达值本身（一个来自野生型，一个来自扰动后）。因此跨条目拼接时，只能拼"坐标系"，不能拼"坐标值"。

与 scPerturb（rid 1102）的兼容性：scPerturb 把每个数据集统一为 AnnData，且 obs 字段遵循一套通行命名（如 perturbation、cell_type、dose、time）。本数据集的字段名是自定义的（gene_target、predicted_group），迁移时需要显式映射：gene_target → perturbation、predicted_subclass → cell_type、sample_label → replicate。这套映射不是官方提供的，属于使用者的自行约定，写进论文时需要声明。

与 CELLxGENE Census（rid 1035）的兼容性：Census 强制 schema，要求 assay、tissue、organism、cell_type 等字段存在且取值受控。本数据集缺少这些字段，若要提交到 CELLxGENE 生态，需要自行补全。补充时的推荐取值：assay 为 “10x Genomics Flex Apex”、tissue 为 “brain”、organism 为 “Mus musculus”、cell_type 为 predicted_subclass 的字面值（注意这不是受控词表，需做同义词映射）。

与 Gene Ontology（rid 441）的兼容性：GO 提供基因功能本体，可直接给 gene_target 中的每个基因做功能富集。这是本数据集与 GO 最自然的衔接点：把差异表达结果按 predicted_group 分组后，对每组的上调/下调基因做 GO 富集，即可得到"这个基因在A类细胞里主要扰动了哪些生物学过程"的功能画像。

与 DisGeNET（rid 449）的兼容性：DisGeNET 提供基因-疾病关联打分，可用于两类分析：一是复核靶基因的疾病相关性（附录 M 的第 3 步）；二是把差异表达结果里的下游基因映射回疾病，看"敲掉一个风险基因后，哪些其他疾病基因被带动"。后者是这份数据独有的分析角度——它能揭示疾病基因之间的调控层级。

附录 T：五条最常见的误用场景

误用一：把 8M 写进论文的方法节
论文方法节应写 7,720,300（高质量核数）或 “over 7.7 million”。写 8M 而无引注会被审稿人质疑来源。

误用二：把全体细胞当作已成功编辑
gene_target 为 Negative 的细胞状态未知，Non_target 才是确定的未编辑对照。把两者合并会让效应量系统性偏小。

误用三：用本数据估计"全基因组必需基因比例"
靶基因是定向筛选的 1,947 个，不是随机抽样的全基因组，任何比例外推都无效。

误用四：把细胞类型特异性效应解释为"这个基因只在这种细胞里起作用"
转录组不变不代表功能不变。一个基因可能在某种细胞里影响的是蛋白定位、电生理特性，而这些不在 snRNA-seq 的读出范围内。

误用五：跨物种直接套用
小鼠 Grin2a 的敲除效应不能直接当作人类 GRIN2A 的效应。同源基因的调控区、表达模式、剪接异构体都可能不同，跨物种推断需要额外证据。

附录 U：条目自评

优点：

  • 所有硬数字可溯源到具体文件或原文句子（附录 C）。
  • 双口径冲突全部并列呈现，不擅自统一。
  • 提供了可执行的下游任务清单与验证题（附录 N、O）。
  • 明确列出了信息缺口（附录 Q），读者能判断哪些结论可以引用。

不足：

  • 论文正文方法学细节未能逐段核对（Cloudflare 拦截），部分方法描述依据摘要与检索片段。
  • 未有独立第三方复现或评测文献可参考，因此"这份数据是否好用"只能给结构性判断，不能给实证判断。
  • 与既往体内 Perturb-seq 的横向规模对比缺失（附录 K 已说明原因）。
  • 数据集卡中 gene_metadata.parquet 的列结构未核实，附录 B 只覆盖 all_obs.parquet。

后续可补：

  • 若能取得预印本 PDF，可补全 Table S1 至 S3，把靶基因清单、gRNA 清单、每批核数落成可复核的表。
  • 若能取得 UCSC Cell Browser 地址，可补一条交互浏览入口。
  • 若后续出现同行评审版本，需核对数字是否修订，并更新条目版本说明。

附录 V：本轮核验动线记录

为便于后续接管代理或复核者重走一遍核验，这里按时间顺序记录本轮实际做过的检索动作与所得。需要注意，这份记录包含成功动作，也单独标注失败动作。

序号 动作 载体 所得 状态
1 检索数据集名 WebSearch 官网博文、Bio-IT World 报道、PR 稿转载、第三方新闻四条，均确认 8M / 近 2,000 基因口径 成功
2 检索论文题 WebSearch Google Scholar 条目（含 30 位作者全名单与 bioRxiv 编号）、bioRxiv 摘要页、图书馆编目记录（含 DOI 与在线日期） 成功
3 抓官网博文 WebFetch 发布日 2026-03-17；三条获取渠道；Allen 的 Hongkui Zeng 引语全文 成功
4 抓 bioRxiv 摘要页 WebFetch 摘要全文、利益声明、资助清单 成功
5 抓 bioRxiv 全文 PDF WebFetch 被 Cloudflare 拦截 失败（按纪律不重试）
6 抓 HF 数据集页 WebFetch 镜像站提示需跳转原站 未达
7 抓 HF API 元数据 curl 镜像 API 19,261 字节 JSON：license、gating 字段、tags、configs、350 个 siblings 成功
8 抓 HF README curl 镜像 raw 12,820 字节：规模、格式表、30 余列元数据说明 成功
9 抓文件树体积 curl 镜像 tree API h5ads 14 个文件含字节数；metadata、analysis、data 目录体积 成功
10 抓代码仓库 curl GitHub API + raw 目录结构（Dockerfile、scripts 等）；README（master 分支）；main 分支返回 404 成功
11 抓 scPerturb 官网 WebFetch 确认其为多数据集汇总资源（Zenodo 托管、E-distance 工具包） 成功
12 库内查重与互链 rid 反查 qf_psql.sh 无同名记录；获取 11 个可互链条目 rid 成功

失败动作的处理：第 5 项按低中断纪律不重试，其数字改由第 2 项检索结果中引用的 PDF 全文片段佐证；第 6 项因镜像站重定向而放弃，改走第 7、8、9 项的 API 路径，效果等价且更省带宽。

这份动线的意义在于：任何人想验证条目里的某个数字，都可以顺着第 7 至 9 项的 API 路径在两分钟内重跑一遍，而不必依赖本条目。

附录 W：与其他候选数据集的关系判断

RSI 流水线在派发时把本候选定位为「PerturbAI in vivo CRISPR atlas: 8M-cell brain-wide Perturb-seq, ~2,000 disease-linked genes (2026)」。核验后确认该描述基本准确，但有三处表述需要修正，均已反映在正文中：

  1. 8M 应改为 7.7M。8M 是宣传取整，论文精确值为 7,720,300。
  2. ~2,000 应改为 1,947。同样是取整口径。
  3. 「2026」指发布年份，实验完成于发布前，2026 年 3 月同时发布预印本与数据集（实验具体起止时间论文未公开，本条目不作推断）。

关于是否与库内已有条目撞库，逐条判断如下：

库内条目 是否撞库 判断依据
scperturb (1102) 否 后者是 44 个已发表数据集的标准化汇总，本数据集是新增的单一实验，未被收录
cellxgene-census (1035) 否 后者是 CZI 的版本化云端语料，属平台而非单一实验
cellxgene (38) 否 同上，属平台条目
allen-brain-atlas (275) 否 后者是无扰动的野生型图谱，本数据集是有扰动的干预图谱
openneuro (100) 否 后者是神经影像数据仓库，模态完全不同
gene-ontology (441) / disgenet (449) 否 后者是生物注释资源，非实验数据

结论：本候选与库内任何条目均不构成别名、版本或合并视图关系，可按原 slug 入库。

附录 X：对写手纪律的服从情况说明

本轮执行严格对照派发纪律包，逐条对应如下：

  • 开工三查：锁文件已创建并写入代理名与时间戳；私有区目录名含代理名、时间戳与 PID 三段；ps aux | grep -c "[c]odebuddy" 得到 6。
  • 存在性核验：WebSearch 两轮（数据集名、论文题）+ 官网/bioRxiv/HF/GitHub 实抓，三源互证成立；DB 查重 0 行，writing/ 无同名目录。
  • 网络预算：WebSearch 2 次（上限 3）、WebFetch 2 次（上限 6），未超限。
  • 禁止重试循环：bioRxiv PDF 被 Cloudflare 拦截 1 次即放弃，未重试。
  • 禁止大文件整体抓取：所有 curl 均带 --max-time 20-30，只取 API JSON 与 README，未下载任何数据文件。
  • 单条 bash 命令 ≤ 60 秒：全部命令均在超时内完成，无 sleep 等待。
  • 分片即落盘：正文五个 part 与扩展 part 全部独立落盘于私有区，最后 cat 拼接。
  • 单次 Write ≤ 400 行：每份 part 均在此限制内。
  • 临时文件唯一化：part 文件一律写入锁目录内私有区，未使用 /tmp 共享池；/tmp 仅存放 curl 的临时 JSON。

附录 Y：给主会话的三条建议

建议一：relatedLink 只放高相关条目。 建议的纯 URL 列表为 scperturb(1102)、allen-brain-atlas(275)、cellxgene-census(1035)、gene-ontology(441)、disgenet(449)、openneuro(100)。abide(198)、adhd-200(205)、abcd-study(215)、aomic(315)、healthy-brain-network(245) 这五个精神神经队列条目可作为次级候选，但与本数据集的直接关联弱于前六个；若库内 relatedLink 有数量限制，应优先保留前六个。

建议二：封面提示词已按「小鼠 + 脑区网络 + 数据分片」三元素设计，避开真实照片与人物。若封面流水线需要英文提示词，核心句建议为：soft pastel illustration of a translucent mouse silhouette filled with a neural network, overlaid with pastel cell dots and stacked data card motifs, 16:9, no text, no watermark。

建议三：发布后建议在库里标注获取方式。本数据集属「门控获取」类，与库内多数公开直链数据集不同；若库内有可获取性标记字段，建议标注为「机构邮箱门控」。

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：

  • brain-snrna-ad-atlas — 共享标签：基因组学与多组学 / 神经科学 / 单细胞基因组学 / 转录组 / 神经退行性疾病
  • tahoe-100m — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 评测基准
  • scperturb — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 评测基准
  • scpt-4m — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 评测基准
  • rpe-choroid-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 评测基准
  • microns — 共享标签：神经科学 / 单细胞基因组学 / 评测基准
  • amygdala-spatial-atlas — 共享标签：神经科学 / 单细胞基因组学 / 转录组
  • dementiabank-pitt — 共享标签：神经科学 / 评测基准 / 神经退行性疾病
  • 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

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。

返回 AI-Ready 数据集

数据定制

标注服务

欢迎联系咨询

客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn