PsychAD — 1,494 例供体 632 万核背外侧前额叶单核转录组跨疾病图谱

INFOBOX — PsychAD 一屏速览

维度	内容
本质	NIA 资助、Mount Sinai 牵头的群体规模跨疾病单核转录组图谱（DLPFC），不是挑战赛、不是影像数据集
联盟	PsychAD Consortium，2019 年启动，通讯 PI Panos Roussos；九篇论文打包发表于 Nature 系族
主数据论文	Sci Data 2025;12:954（doi:10.1038/s41597-025-04687-5，PMID 40480991，2025-06-06 上线）
规模	1,494 例供体；6,320,459 核；561 个测序池；每池约 21,238 核
组织来源	MSSM 1,042 + NIMH-IRP HBCC 300 + Rush RADC 152
诊断	33 种；AD 519 / SCZ 177 / DLBD 112 / VaD 85 / BD 72 / PD 48；对照 420；共病 320 例（21%）
平台	10x Genomics 3′ v3.1 + TotalSeq-A 核哈希；FANS 分选 7-AAD 阳性核；STARsolo 比 hg38
注释	class 8 / subclass 27 / subtype 65-67；Harmony 校正 + Leiden 聚类
基因型	1,381 例（92%）；Illumina GSA-24 + WGS；TOPMed 插补
托管	Synapse/ADKP syn60084804（主）｜AWS S3 mssm-psych-ad.opendata.sagebase.org（受控桶）｜CELLxGENE 聚合可视化
许可	受控访问 DUA；论文本体为美国政府作品
库内互链	brain-snrna-ad-atlas(1199)、cellxgene(38)、allen-brain-atlas(275)、healthy-brain-network(245)、topbrain2026(632)

PsychAD 是"用人脑组织给精神疾病做一次人口学普查"的项目。它不提出新算法，而是把 1,494 例已故供体的背外侧前额叶皮层（dorsolateral prefrontal cortex，DLPFC）切成核悬液、用同一套 10x 化学与同一套 QC 流水线跑出 632 万个细胞核的转录组，再用统一的三级细胞注释把阿尔茨海默病、帕金森病、路易体痴呆、血管性痴呆、精神分裂症、双相障碍和神经典型对照放进同一张坐标系里比较。它的价值不在于单篇论文的生物学结论，而在于这批数据本身成了一个公共坐标系——后续至少八篇 Nature 系族论文都在这套矩阵上做二次分析。
导语读法三则：

1. 只想下数据：直奔 §6。重点不是"哪里能下"，而是"下不动的那部分在哪里"——主矩阵走 Synapse 受控访问，CELLxGENE 只给聚合可视化，AWS 桶也是受控的。
2. 关心规模与构成：直奔 §2 与 §3。1,494 这个数字后面藏着 MSSM 1,042 / HBCC 300 / RADC 152 的严重不平衡，任何"群体规模"叙事都要先读这张表。
3. 要做二次分析：直奔 §7 与 §9。dreamlet、crumblr、iBrainMap、PASSCODE 四个工具分别解决"大样本差异表达"“组成比例”“个性化功能基因组”"表型打分"四个不同问题，别拿一个套全部。

§0 导读：这个数据集解决什么问题

精神疾病与神经退行性疾病的单细胞研究长期是"各做各的"。精神分裂症的单细胞研究集中在皮层兴奋性/抑制性神经元的比例与状态，阿尔茨海默病（Alzheimer’s disease，AD）的研究集中在淀粉样蛋白与 tau 病理周边的胶质反应，帕金森病（Parkinson’s disease，PD）研究盯着多巴胺能神经元——三套文献、三套队列、三套处理流程，结论无法横向比较。更实际的问题是样本量：AD 的单细胞队列在 2024 年前后合计接近 1,000 例已是极限，而精神分裂症的死后脑单细胞队列普遍只有几十例。
PsychAD 的解法是把"样本"与"流程"同时标准化。样本侧，联盟从三家脑库（Mount Sinai MSSM、NIMH-IRP HBCC、Rush RADC）汇集 1,494 例冷冻 DLPFC，诊断覆盖 33 种；流程侧，全部组织用同一版 10x 3′ v3.1 试剂、同一套核哈希方案、同一个 STARsolo 比对参数、同一套 QC 阈值（1,100 ≤ 基因数 ≤ 12,500、1,500 ≤ UMI ≤ 110,000、线粒体 reads < 5%），最后用 Harmony 做批次校正、Leiden 做层级聚类得到 8 大类 / 27 亚类 / 65-67 亚型的注释体系。
这套设计的三个直接后果值得在使用前想清楚：
第一，规模换来了统计功效，也换来了批次复杂度。 561 个测序池、双 lane 重复、三家脑库的尸检间隔差异、0 到 108 岁的年龄跨度，全部压在同一个矩阵里。Harmony 能消掉技术批次，但消不掉"HBCC 49% 供体 <40 岁、RADC 99% >60 岁"这样的生物学混杂——论文自己在推荐分析窗口里写明：严重精神疾病分析建议 ≥17 岁，神经退行性疾病建议 ≥60 岁。
第二，共病是设计出来的，不是噪声。 21% 的供体（320 例）带两种及以上主要脑疾病诊断，占位最高的是 AD + 血管性痴呆、AD + 路易体痴呆这类混合病理。传统做法是把这些样本剔掉做"干净对照"，PsychAD 反过来把它们保留为研究"疾病交互"的素材——这也是数据集名称里 cross-disorder 的真实含义。
第三，开放形态是"受控开放"。 数据不 embargo、论文发表前就已上线，但访问要走 AD Knowledge Portal 的注册与数据使用协议（Data Use Agreement，DUA），注册的唯一目的是保障受试者匿名性。这与 GEO 的匿名下载、CELLxGENE 的公开可视化是三种完全不同的开放级别，也是本条目 DAIMS 评分被压低的主因（§8）。
§0 读法三则：

1. 本条目写的是数据资源（Scientific Data 论文 + Synapse 仓库），不是 Nature 主论文的生物学发现；后者只在 §2.6 与 §7 作为"这批数据被用来做了什么"的旁证出现。
2. 全文数字以 Sci Data 2025 正文、PMC12144096 版本、AWS Open Data 注册页三源交叉为准；三源不一致处（如亚型 65 vs 67）在 §6.4 与坑点表中逐条存照。
3. 若你此前只从中文新闻读到"630 万细胞、1,494 例供体"，请补读 §2.3——这 632 万核是QC 后的核数，原始产出与去多重损失远大于此。

§1 数据集速览：十问十答

Q1：PsychAD 到底是什么？是一个数据集还是一批论文？
两者都是。PsychAD 是一个 2019 年启动、由美国国家老龄研究所（National Institute on Aging，NIA）资助的联盟项目；它交付的核心资产是一个数据仓库（Synapse syn60084804），而 2025-2026 年间以它为底座产出了九篇 Nature 系族论文（3 篇 Nature、3 篇 Nature Communications、Nature Medicine、Nature Genetics、Scientific Data 各 1 篇）。本条目以 Scientific Data 那篇数据描述论文为主锚点。
Q2：1,494 例供体、632 万核这两个数字可靠吗？
可靠且三源一致：Sci Data 摘要写 “over 6.3 million nuclei from 1,494 donors”，PMC 全文补充图给出精确值 IN_453 = 6,320,459 核、IN_455 = 1,494 供体；AWS Open Data 注册页描述同样是 “1,494 postmortem brain donors” 与 “more than 6.3 million nuclei”。三处口径一致，可放心引用。
Q3：组织来自哪里？
三家脑库：西奈山伊坎医学院（MSSM）1,042 例、NIMH 精神卫生研究所人脑收集核心（HBCC）300 例、Rush 阿尔茨海默病中心（RADC）152 例。合计 1,494。
Q4：测的什么组学？有 ATAC 或甲基化吗？
本数据集只交付 snRNA-seq 与基因型两类新数据，不含 snATAC-seq、不含 DNA 甲基化。论文提到队列中有 896 例（60%）在既往研究里已有多组学数据（ATAC-seq、甲基化、蛋白组、ChIP-seq），但那是外部资源，不在 PsychAD 仓库内——这是检索时最常见的误判（坑 2）。
Q5：细胞核怎么注释的？有几类？
层级注释：8 个 class、27 个 subclass、65-67 个 subtype（数字双口径，见坑 4）。方法是"分而治之"的迭代聚类——分层选高变基因、Harmony 校正 PCA、kNN 图、Leiden 聚类，再逐层人工标注，UMAP 只作可视化。
Q6：怎么访问？要花钱吗？
不花钱，但要过审。Synapse 上注册账号、完成 AD Knowledge Portal 的 DUA 签署，即可用 synapseclient 或 Synapse 网页下载。AWS S3 桶 mssm-psych-ad.opendata.sagebase.org 是受控访问桶，ARN 为 arn:aws:s3:::mssm-psych-ad.opendata.sagebase.org，区域 us-east-1，普通 IAM 凭证无法直接读——必须经 Sage Bionetworks 的联合身份换取临时凭证。
Q7：CELLxGENE 上能直接下 h5ad 吗？
能看，但那是聚合后的可视化视图，不是完整的 632 万核矩阵。CELLxGENE 合集 ID 为 84ce6837-548d-4a1f-919f-0bc0d9a3952f。用它做探索性浏览没问题，做全量再分析必须回 Synapse。
Q8：这份数据被用来做了什么？
至少八类：跨疾病转录脆弱性比较（Nature 主论文）、全生命周期轨迹（284 例神经典型、131 万核）、多祖源遗传调控图谱、TWAS、认知韧性的基因调控网络、AD 的个性化功能基因组（iBrainMap）、表型相关细胞检测（PASSCODE）、以及两个方法学工具 dreamlet 与 crumblr。
Q9：有 GEO 编号吗？
没有以 GSE 开头的编号。PsychAD 走 AD Knowledge Portal / Synapse 体系，主入口是 syn60084804，研究级入口是 syn52160016。搜 GEO 会一无所获，这是它与库内多数转录组条目的结构性差异（坑 1）。
Q10：为什么它值得进 AI-Ready 数据集库？
因为它是"受控访问 + 超大规模 + 多论文复用"三合一的样本：数据本身不能匿名下载（AI-Ready 得分被拉低），但元数据、注释体系、分析代码（GitHub DiseaseNeuroGenomics/psychAD_SciData）全部公开，可复现性反而高于许多"数据开放但代码缺失"的条目。这种"数据受控、方法全开"的组合在库内属少数派，值得作为合规范本记录。

§2 数据构成与规格

2.1 供体构成：三脑库、四诊断层

PsychAD 的 1,494 例供体不是均匀抽取的，而是三家脑库既有队列的合并。三家的定位差异导致诊断谱、年龄谱、祖源谱都高度不同：

脑库	供体数	占比	年龄特征	欧洲祖先占比	主要诊断
MSSM（西奈山伊坎医学院）	1,042	69.7%	89% 在 60 岁以上	>79%	AD、DLBD、VaD、BD、SCZ 混合
HBCC（NIMH 人脑收集核心）	300	20.1%	49% 在 40 岁以下，仅 10% 在 60 岁以上	约 50%	以严重精神疾病与年轻对照为主
RADC（Rush 阿尔茨海默病中心）	152	10.2%	99% 在 60 岁以上	约 18%	以 AD 与老年对照为主
合计	1,494	100%	0-108 岁	—	33 种诊断

这张表是全文最重要的一张表。它解释了三个现象：为什么 AD 样本能到 519 例（MSSM + RADC 双供给）、为什么精神分裂症只有 177 例（主要来自 MSSM 与 HBCC）、为什么"全生命周期"分析能覆盖 0 到 108 岁（HBCC 的年轻供体撑起了低龄端）。它也预告了最大的分析陷阱：任何不分层的跨诊断比较，本质上都在比较三家脑库。

2.2 诊断谱：33 种、六级主要疾病、420 例对照

诊断	例数	说明
Alzheimer’s disease（AD）	519	判定：MSSM 用 CERAD ≥2 且 Braak ≥3 且 CDR ≥1；RADC 用 cogdx ≥4
Schizophrenia（SCZ）	177	主要来自 MSSM 与 HBCC
Diffuse Lewy body disease（DLBD）	112	弥漫性路易体病
Vascular dementia（VaD）	85	血管性痴呆
Bipolar disorder（BD）	72	I 型 55 + II 型 7 + NOS 6
Parkinson’s disease（PD）	48	—
Mild cognitive impairment（MCI）	125	常与 AD 共病
Tauopathy	45	—
其他（OCD 6、ALS 6、PSP 5、AGD 3、正常压力脑积水 3 等）	—	33 种诊断合计
神经典型对照	420	28%

按诊断数量分层：无诊断 420 例（28%）、单一诊断 754 例（51%）、两种及以上诊断 320 例（21%）。21% 这个数字是 Sci Data 摘要里唯一被单独强调的比例，因为它是"跨疾病"研究方法论的支点——传统队列剔共病，PsychAD 留共病。

2.3 核数与测序设计：从 561 个池到 632 万核

参数	数值
总核数（QC 后）	6,320,459
供体数	1,494
测序池数	561
每池文库数	6（对应 6 个供体）
每文库设计核数	10,000（每样本 60,000 核，两份平行）
每池平均核数	约 21,238
测序策略	双 lane 重复测序
平均每供体核数	约 4,230（6,320,459 ÷ 1,494）

设计逻辑是 10x 单细胞"超载"（overloading）：标准 10x 3′ 反应设计 10,000 核，PsychAD 每样本投 60,000 核，靠核哈希（nuclear hashing）在去多重阶段把 6 个供体的核拆开。代价是双细胞率上升（用 Scrublet 处理），收益是每池成本摊薄到 1/6。最终每供体平均约 4,230 核——对群体遗传学足够，对稀有细胞亚型（如某些中间神经元亚型）仍偏薄，这是做亚型级 eQTL 时必须先看每供体细胞数的原因。
关键坑：632 万是 QC 后的数字。原始产出、去多重丢弃、双细胞剔除、环境 RNA 校正（CellBender）之后的净留存率论文未直接给出单一比率，但按每池 6 万核 × 6 文库 × 561 池的投入量级估算，留存率在个位数到一成之间。任何"我们复现了 632 万核"的说法，都必须先对齐 QC 阈值（坑 3）。

2.4 基因型与多组学：1,381 例的 92%

1,381 例供体（92.4%）有基因型数据：

项目	规格
SNP 阵列	Illumina Infinium Global Screening Array-24
全基因组测序（WGS）	GATK 流程，覆盖度 ≥25×
样本缺失率阈值	≤0.05
变异过滤	DP<10 或 GQ<20 记为缺失；仅保留双等位变异
插补	TOPMed 参考面板
重复样本识别	KING，kinship ≥0.4 判为重复，共 377 例；保留策略优先 WGS 而非 SNP 阵列
祖源推断	与 1000 Genomes 合并 → PLINK PCA → QDA 判别（正则化参数 5⁻⁷），落五大超级群体
性别核验	plink --check-sex 的 F 统计量

377 例重复样本是一个容易忽略的数字：它意味着原始样本清单比 1,494 更大，去重后才得到最终供体数。若你在做基因型-表达关联，必须先按 donor_id 而不是样本编号去重，否则同一个人的两个样本会被当成两个独立观测，直接污染 eQTL 的显著性。

2.5 单核转录组的处理链

PsychAD 的处理链可以按"组织 → 核 → 矩阵 → 注释"四段拆开，每一段都有一个影响下游结果的关键选择：
组织段：冷冻 DLPFC 组织 → 核分离 → FANS（FACSAria）分选 7-AAD 阳性核（即膜完整核），排除碎片与死核。
建库段：10x Genomics 3′ v3.1 化学 + TotalSeq-A 核哈希抗体（Biolegend），每池 6 个供体的核用不同 hashtag 标记后合并上机，同时构建 HTO（hashtag oligonucleotide）文库。
比对与去多重段：STARsolo 比对到 hg38；去多重三工具并用——cellSNP（从 snRNA 数据本身调用 SNP）、vireo（基于基因型分配）、QTLtools-mbv（另一种基于变异的分配）。三工具并用是为了交叉验证，降低哈希冲突与基因型不匹配造成的错误分配。
QC 与整合段：细胞级阈值 1,100 ≤ n_genes ≤ 12,500、1,500 ≤ n_UMIs ≤ 110,000、线粒体 reads < 5%；基因级保留在 ≥0.05% 核中稳定表达的基因；供体级剔除核数 < 50 的供体；最后 Harmony（CCA 模式）做批次校正。
这条链里有三个"非默认"选择值得记录：一是 12,500 的基因数上限（多数单细胞流程只设下限，不设上限，PsychAD 用上限切掉疑似双细胞）；二是线粒体阈值 5%（单核数据通常比单细胞更严格，因为核内几乎无线粒体）；三是供体级 50 核的下限（保证每个供体至少有可用于组学分析的核数）。这三条共同定义了"什么算一个合格的 PsychAD 核"，复现时必须逐条对齐。

2.6 九篇论文的分工

PsychAD 的数据不是一次发布就结束，而是"数据 + 九篇论文"打包。理解分工有助于判断该引哪篇：

论文	期刊	一句话分工
跨疾病图谱主论文（Lee 等）	Nature	632 万核、8 种疾病共性与差异
全生命周期图谱（Yang 等）	Nature	284 例神经典型、131 万核、0-97 岁轨迹
多祖源遗传调控（Zeng 等）	Nature	snRNA 层面的 eQTL/调控图谱
TWAS（Venkatesh 等）	Nature Genetics	单核 TWAS
认知韧性的基因调控网络（Spencer 等）	Nature Medicine	GRN 与韧性
数据描述（Fullard 等）	Scientific Data	队列、元数据、QC、流程——本条目主锚点
dreamlet	Nature Communications	大样本单细胞差异表达框架
crumblr	Nature Communications	细胞组成比例的可扩展分析
iBrainMap / PASSCODE 相关	Nature Communications 等	个性化功能基因组、表型相关细胞

这张表也提示一个引用陷阱：引用"数据集"应引 Scientific Data 那篇，引用生物学结论才引 Nature 主论文。很多综述把两者混引，导致数据来源与结论来源错配。

§2b 深入：处理流水线的工程细节

上一节给出的是"参数表"，本节给的是"为什么这些参数会这样选"，以及在实际复现时最容易卡住的具体环节。

2b.1 核分离与分选：为什么用 FANS 而不是流式细胞术

单核测序的第一个分水岭是核质量。冷冻脑组织的核悬液里混有髓鞘碎片、脂滴、未裂解细胞和已破损核。PsychAD 用荧光激活核分选（Fluorescence-Activated Nuclear Sorting，FANS），以 7-AAD 阳性为门——7-AAD 是一种核酸染料，只有膜完整的核才能被染上并保持荧光，破损核会漏出 DNA 而染色减弱。
这一步的意义在于：如果不分选，后续的 CellBender 和 Scrublet 要处理的环境 RNA 与双细胞比例会显著上升，QC 后留存率进一步下降。代价是 FANS 本身有核损失（典型回收率 50-80%），且分选压力可能对某些大核（如某些神经元）产生偏倚。这也是为什么"632 万核"不能简单理解为"每池 6 万核 × 561 池"——中间有多道物理与算法损耗。

2b.2 核哈希：6 个供体一池的设计逻辑

10x 微流控的标准配置是"一个样本一个通道"，每个通道 10,000 核。PsychAD 反其道而行：每个通道（池）投 6 个供体、每供体 10,000 核，合计 60,000 核——是标准载量的 6 倍。这被称为"超载"（overloading）。
超载的收益很直接：试剂成本、测序成本、批次数量都降到 1/6。561 个池覆盖 1,494 例，平均每池 2.66 个供体（因部分池未满编）。如果按传统一池一样本，需要 1,494 个池，批次效应会是灾难。
超载的代价是去多重（demultiplexing）必须准确。6 个供体的核混在一个油包里，靠 TotalSeq-A 抗体上的 hashtag 区分。哈希冲突（两个供体的 hashtag 被误读为第三个）、哈希丢失（抗体脱落）、双细胞（两个核被同一个油包捕获）三类错误都会造成错误分配。
PsychAD 的对策是三工具交叉验证：

工具	原理	输入
cellSNP	从 snRNA reads 自身调用 SNP，构建"表达层面的基因型"	BAM + 已知 SNP 位点
vireo	基于供体基因型（SNP 阵列/WGS）做最大似然分配	表达矩阵 + 基因型 VCF
QTLtools-mbv	基于变异-表达匹配的分配	同上

三者一致才接受分配，不一致的核被标记为 ambiguous 并在下游剔除。这是"损失一部分核换准确性"的典型权衡，也是 §2.3 中"632 万是 QC 后数"的另一层原因。

2b.3 比对：STARsolo 与 hg38

STARsolo 是 STAR 的单细胞模式，直接输出"细胞条码 × 基因"的计数矩阵，不需要像 CellRanger 那样走独立流程。选择它而非 CellRanger 的原因有三：开源、可定制（支持自定义白名单与 hashtag 处理）、与联盟既有的 bulk RNA-seq 流程（同样基于 STAR）一致，便于跨模态比较。
风险是：STARsolo 的默认参数与 CellRanger 不完全等价（尤其在多比对读段处理、UMI 校正上），所以PsychAD 的矩阵与用 CellRanger 重跑的同一批 FASTQ 得到的矩阵不会完全一致。如果你要把 PsychAD 与另一个用 CellRanger 处理的数据集合并，必须做基因名与条码层面的对齐，而不是假设矩阵可直接相加。

2b.4 QC：四道阈值的相互作用

四条阈值不是独立的，它们共同定义了一个"合格核"：

• 基因数下限 1,100：去掉空液滴与核碎片。单核数据的基因数通常比单细胞低（无胞质 mRNA），所以下限设得比单细胞的 200-500 高。
• 基因数上限 12,500：去掉疑似双细胞与多核体。多数流程不设上限，这是 PsychAD 的特色。
• UMI 下限 1,500：保证有足够深度做定量。
• UMI 上限 110,000：同样是去双细胞。
• 线粒体 <5%：单核数据中，线粒体 reads 高通常意味着核膜破损或胞质污染。

这五条（严格说是四条数值 + 一条比例）会联合筛掉大批核。论文没有给出逐条剔除的漏斗图（在补充材料中），所以复现者无法精确对齐每一步的损失——这是本数据集在可复现性上的一个真实缺口。

2b.5 批次校正：Harmony 的选择

Harmony 是一种基于迭代聚类与线性校正的整合方法，相比 CCA/RPCA 的优势是速度快、内存占用低，适合百万级细胞。PsychAD 用 Harmony 做 PCA 空间的批次校正，批次变量为测序池。
Harmony 的局限：它校正的是"嵌入空间"，不改变原始计数矩阵。这意味着差异表达分析必须在伪批量层面自己做协变量校正，不能指望 Harmony 已经消掉批次——这是新手最常犯的方法错误之一。

2b.6 注释：分而治之的三层

“分而治之”（divide and conquer）的流程是：

1. 全细胞池选高变基因（HVG），Harmony 校正，Leiden 聚类，得到 8 个 class；
2. 在每个 class 内部重新选 HVG、重新 Harmony、重新 Leiden，得到 27 个 subclass；
3. 在每个 subclass 内部再做一次，得到 65-67 个 subtype；
4. 每一层的簇由人工比对标记基因（marker gene）命名。
   这个方法的好处是"局部重聚类"能捕捉到全池聚类时被大类结构掩盖的细结构。代价是每层的簇编号不通用——subtype 层的 cluster 3 与 subclass 层的 cluster 3 毫无关系。使用注释表时必须同时看 class、subclass、subtype 三列，不能只看数字。

§2c 元数据字段的工程读法

PsychAD 的元数据表是整个数据集里"最容易拿、又最容易被误用"的部分。多数分析错误不是发生在矩阵层面，而是从元数据的列定义就开始了。本节逐类拆解。

2c.1 诊断字段：多值标签而非单值类别

大多数公开单细胞数据集的诊断字段是单值枚举，PsychAD 不是。diagnosis 是多标签字段：一个供体可能同时有 AD 与 VaD，或者 AD 与 DLBD。n_diagnoses 记录计数（0/1/2/3+）。
这个设计带来三个具体后果：
第一，病例组的定义必须显式声明。 “AD 组"是指"含 AD 诊断至少一项”（519 例，其中包含与其他疾病共病的），还是"仅有 AD 诊断"（519 减去共病部分）？两种定义的样本量差异可达数十至上百例，DEG 结果会不同。论文在报告 519 例时未在摘要中区分，需查正文或补充材料。
第二，对照组定义也要显式。 “对照"是指 n_diagnoses == 0（420 例），还是"无 AD”（可能包含 SCZ 供体）？前者是心理健康对照，后者是"非 AD"对照。做 AD 研究时用后者会引入精神疾病供体作为混杂。
第三，共病组本身可以成为一个分析组。 320 例共病供体是研究"疾病交互"的素材，但也可能被用作"多重病理"的独立类别。若要这样做，需注意共病组的诊断组合极不均衡（AD+VaD 可能远多于 SCZ+PD）。

2c.2 年龄字段：连续值但分布断裂

age 是连续整数（0-108 岁），看似简单，实际有三个坑：

• 分布断裂：HBCC 的供体 49% 在 40 岁以下，RADC 的 99% 在 60 岁以上，两者之间（40-60 岁）的供体稀少。任何用年龄做连续协变量的模型，在这个区间的外推都不可靠。
• 婴儿样本的处理：0 岁附近的供体在细胞组成上与成人差异极大（髓鞘化未完成、神经元比例不同）。若把 0 岁与 60 岁放进同一个线性模型，年龄系数的解释会失真。建议分年龄段建模或加样条。
• 年龄与诊断的共线：SCZ 供体集中在年轻段，AD 供体集中在老年段。年龄固定效应会吸收掉一部分诊断效应，这是"过度校正"的经典场景。是否加年龄，取决于你的因果图假设。

2c.3 祖源字段：五类超级群体与判别方法

ancestry 由 1000 Genomes 五大超级群体（非洲、美洲、东亚、欧洲、南亚）的 QDA 判别给出。技术细节：与 1000 Genomes 合并 → PLINK PCA → 二次判别分析（QDA），正则化参数 5⁻⁷。

三个注意点：

• QDA 是硬分类，每个供体被分到唯一一类。真实的祖源是连续的，硬分类会丢失混合祖源信息。做祖源特异 eQTL 时，更好的做法是用 PCA 前几维作为连续协变量，而不是用硬分类标签。
• 判别精度依赖参考面板。1000 Genomes 的五大群体对 admixed 人群（如非裔美国人）的代表性有限，QDA 可能把混合祖源强行归到某一类。
• 脑库与祖源的强关联：MSSM >79% 欧洲、HBCC 约 50%、RADC 约 18%。任何"祖源差异"的发现，必须先排除"脑库差异"的解释。

2c.4 尸检间隔与组织质量

pmi（postmortem interval，尸检间隔）是 RNA 质量的关键协变量。冷冻组织在死后数小时至数十小时内，RNA 会发生不同程度的降解，表现为 3′ 偏好与基因检出率下降。

PsychAD 的处理方式：把 PMI 作为协变量纳入模型，并在 QC 阶段用基因数与线粒体比例间接筛掉降解严重的样本。但 PMI 与脑库强相关（不同脑库的尸检流程不同），所以 PMI 效应与脑库效应难以完全分离。

2c.5 神经精神症状：19 列的行为学层

19 项 NPS 来自临床评定量表，转成二值或序数。每项影响 23 至 438 名 MSSM 供体不等。三项注意：

• 只有 MSSM 有系统采集：HBCC 与 RADC 的 NPS 覆盖不完整，做 NPS 分析时样本量实际是 MSSM 子集（约 1,042 例上限，实际更少）。
• 样本量悬殊：23 人的症状（如某些罕见项）做关联分析几乎必然过拟合，建议合并为三个症状群（§3.4）后再分析。
• 量表并非为研究设计：临床评定量表原本用于诊疗，二值化后的测量误差未知。把 NPS 当连续表型做回归，需要额外的测量误差模型。

§2d 细胞类型体系详解

注释体系是本数据集最被高频复用的部分——后续九篇论文、外部复现研究、第三方工具评测都以这套三级标签为坐标。理解每一级包含什么、边界在哪里，比记住"8/27/65"三个数字更重要。

2d.1 Class 层：8 个大类的生物学含义

大类	生物学角色	在 AD 中的典型变化	在 SCZ 中的典型变化
兴奋性神经元（ExN）	皮层输出的主体，谷氨酸能	比例下降、突触基因下调	比例变化小，状态偏移为主
抑制性神经元（InN）	局部环路调控，GABA 能	亚型选择性脆弱（如 SST+）	PV+ 亚型功能异常报道较多
星形胶质（Astro）	谷氨酸循环、血脑屏障维持	反应性增生、比例上升	变化较弱
少突胶质（Oligo）	髓鞘形成	晚期脱髓鞘相关基因变化	髓鞘相关基因下调报道多
小胶质（Micro）	免疫监视	激活态比例上升、疾病相关小胶质（DAM）样状态	补体通路激活
OPC	少突胶质前体，髓鞘修复储备	分化受阻	变化报道不一
内皮/血管（Endo/Vasc）	血脑屏障、血流调控	血管性病变相关	相对稳定
其他（含 VLMC、周细胞、平滑肌、适应性免疫）	软膜、血管周、免疫	血管性痴呆中显著	少见

这张表的价值在于：它是解读任何 DEG 结果的"先验地图"。若你的 AD 分析发现"免疫相关基因上调"，先看这个基因是否落在小胶质或星形胶质类里——若是，则与已知的一致；若落在兴奋性神经元里，则要么是新发现，要么是环境 RNA 污染。

2d.2 Subclass 层：27 个亚类的组织逻辑

27 个亚类不是均匀分布在大类下的。大致结构是：兴奋性神经元按皮层分层（L2/3、L4、L5、L6 等 IT/PT/NP 亚型）拆成若干，抑制性神经元按 PV、SST、VIP、LAMP5、Sncg 等标记拆成若干，胶质细胞按状态（稳态/反应态）与位置拆分。
对使用者的含义：subclass 层的 DEG 分析比 class 层更有信息量，但也更不稳定。因为每个 subclass 的供体覆盖度下降，伪批量样本数减少，统计功效下降。这是"粒度-功效"权衡，没有免费的午餐。

2d.3 Subtype 层：65 与 67 的差异来源

两个数字的差异可能有三种解释：

• 技术性类别：某一版包含 doublet 簇、低质量簇、未分类簇，另一版剔除；
• 版本迭代：论文投稿与接收之间注释更新；
• 统计口径：一个统计"有注释名的",另一个统计"全部聚类簇"。

由于无法从公开材料确定，本条目采取"65-67 双口径"的写法。使用者的正确做法是：以你下载的注释文件的唯一值计数为准，并在论文中写明"共 X 个亚型（基于 YYYY-MM-DD 下载版本）"。

2d.4 标记基因的使用

论文的注释基于标记基因的人工核对，但标记基因列表未在正文完整给出。常见做法是参考已发表的 DLPFC 单细胞文献（如 SEA-AD 的标记体系）。若你要复现注释，建议先用标准标记集（如 SNAP25/SLC17A7 兴奋性、GAD1/GAD2 抑制性、AQP4 星形、MBP/MOG 少突、CSF1R/P2RY12 小胶质、PDGFRA 少突前体）做大类核对，再逐层细化。

§2e 疾病诊断标准的技术细节

诊断不是"临床记录直接抄"，而是按标准重新判定。PsychAD 的 AD 判定使用两套标准：

脑库	标准	阈值
MSSM	CERAD 神经炎性斑块评分 + Braak 分期 + CDR	CERAD ≥2 且 Braak ≥3 且 CDR ≥1
RADC	临床诊断	cogdx ≥4

两套标准不完全等价，这是"AD 519 例"里隐藏的异质性：RADC 的 AD 更偏临床诊断，MSSM 的 AD 更偏病理确认。做 AD 分析时，若把两库混合，需要把"诊断标准来源"作为协变量或做分层。
其他诊断的判定：DLBD 按路易体分布（弥漫性 vs 脑干局限）、VaD 按血管病变证据、SCZ/BD 按 DSM 或临床记录。论文未逐项给出全部 33 种诊断的判定细则，这是元数据完整性上的一个缺口（见 §8c.4）。

§2f 队列的时间纵深

PsychAD 的供体不是同一时期采集的。三家脑库的建库时间、随访年限不同：

• MSSM 的脑库与 AMP-AD、CommonMind 等项目长期合作，样本积累跨越多年；
• HBCC 是 NIMH 的常规收集核心，样本偏年轻、偏精神疾病；
• RADC 是 Rush 的 AD 中心队列，参与者多有长期临床随访（每年认知评估），因此 cogdx 等临床数据质量高。

这意味着：RADC 的供体可能有纵向认知轨迹数据（在 RADC 自己的数据库里），而 PsychAD 只截取了死亡时点的横断面快照。若你的研究需要纵向信息，可以尝试申请 RADC 的原始队列数据做关联——但这超出了 PsychAD 的 DUA 范围，需单独申请。

§2g 与 AMP-AD 生态的关系

PsychAD 不是一个孤立的仓库，它挂在加速药物伙伴计划-阿尔茨海默病（Accelerating Medicines Partnership — Alzheimer’s Disease，AMP-AD）的知识门户下。理解这层关系，可以解释三件在使用中反复出现的事。
第一，为什么入口是 ADKP 而不是普通数据库。 AMP-AD 的核心设计是"多研究、单门户"：多个 NIA 资助的研究（ROSMAP、MSBB、Mayo、Mount Sinai 等）把数据提交到 AD Knowledge Portal，由 Sage Bionetworks 统一做元数据协调、质量审核与权限管理。PsychAD 作为其中一个研究，享有 ADKP 的 DUA 体系、月度发布机制、以及与其他研究共享的协调元数据（如诊断编码、脑库标识）。这对使用者是好事——你申请一次 DUA，可能同时获得多个 AMP-AD 研究的数据权限；也是坏事——权限粒度由门户决定，不总能精确到"只要 PsychAD 的某一部分"。
第二，为什么元数据字段与 ROSMAP 等研究"像但不同"。 ADKP 对元数据做了部分协调（如诊断术语、年龄、性别），但各研究的原始采集表差异很大。PsychAD 的 33 种诊断编码、19 项 NPS 都是它自己采集的，ADKP 只做映射不做统一。所以你拿到的表里，diagnosis 是 PsychAD 自己的多值编码，跨研究合并时要自己做映射表。
第三，为什么可以拿 SEA-AD 做外部验证。 SEA-AD 也在 ADKP / Synapse 体系内（syn52146347），两者的诊断编码与元数据结构可以对接。这种"同门户内互验"是 AMP-AD 设计的一个红利，PsychAD 的 GRN 论文就利用了它。
需要提醒的是：AMP-AD 的致谢要求是"研究结果部分或全部基于 AD Knowledge Portal（NIH-NIA, U24AG061340）获得的数据"。即使你只用 PsychAD，也要写这句，因为 U24AG061340 资助的是门户本身。

§2h 队列的代表性边界

1,494 例听起来很大，但它的代表性有明确边界。逐条说明：
地理边界：三家脑库都在美国（MSSM 纽约、HBCC 马里兰、RADC 芝加哥）。虽然遗传祖先包含五大超级群体，但供体的生活环境、医疗可及性、死因构成都受美国队列特征约束。跨人群外推需要额外论证。
诊断边界：33 种诊断看似很宽，但分布极不均衡——AD 占病例的绝对多数（519 例），SCZ 177 例已是第二，PD 只有 48 例。所谓"跨疾病"实际是"以 AD 为主、覆盖若干其他疾病"。做 PD 或罕见病研究的团队要清楚这一点。
年龄边界：0-108 岁看似全生命周期，但 40-60 岁区间样本稀少（HBCC 与 RADC 的年龄结构断裂所致）。中年段的研究需要谨慎。
病理边界：AD 的判定依赖 CERAD/Braak/CDR 组合，这对典型 AD 有效，但对"纯 tau 病理"（如 PSP、CBD）或"纯血管性"病例的判别力有限。45 例 tauopathy、85 例 VaD 的亚型细分在元数据里不够细。
治疗边界：所有供体都有治疗史，但用药记录的系统性不足。抗精神病药、抗抑郁药、胆碱酯酶抑制剂对转录组的影响无法完全剥离。这是精神疾病死后研究的共性局限，PsychAD 未能例外。
把这些边界写清楚，比宣称"1,494 例覆盖全人群"更有价值。审稿人问"你的样本代表性如何"时，能逐条回答，比笼统说"规模大"强得多。

§2i 供体表型深挖：AD 病理评分的组合逻辑

AD 的诊断不是单一指标，而是三项评分的合取。理解这三项各自测什么，能避免"AD 组"内部的异质性被忽略。
CERAD（Consortium to Establish a Registry for Alzheimer’s Disease）神经炎性斑块评分：按皮层区域神经炎性斑块的密度分 0-3（无/稀疏/中等/频繁）。它测的是淀粉样斑块的"量"，与认知的相关性中等。
Braak 分期：按神经原纤维缠结（neurofibrillary tangle）从内嗅皮层向新皮层扩散的范围分 I-VI 期。它测的是 tau 病理的"范围"，与认知下降的相关性比 CERAD 更强。
CDR（Clinical Dementia Rating）：临床痴呆评定量表，0-3（无/可疑/轻/中/重）。它测的是"功能损害"，是临床维度而非病理维度。
MSSM 的判定是"CERAD ≥2 且 Braak ≥3 且 CDR ≥1"——三项同时满足才算 AD。这个合取逻辑保证了诊断的特异性（三者都指向 AD），但也意味着：任何一项缺失的供体都无法判定。这是"1,494 例中 AD 只有 519 例"的部分原因——不是所有有病理的人都完成了全套评估。
RADC 用 cogdx（Rush 的临床诊断分级，≥4 为 AD），依据是纵向认知评估的总结，更偏临床。两套标准的差异意味着：把 MSSM 与 RADC 的 AD 合并时，"AD"的内涵不完全一致。严谨的做法是加一个"诊断来源"协变量，或在敏感性分析中分库报告。

§2j 19 项神经精神症状的采集逻辑

NPS 的采集是 PsychAD 相对其他脑库数据集的差异化优势，但它的采集方式决定了可用边界。
采集对象：主要是 MSSM 供体。每项症状影响 23-438 人不等，差异巨大。438 人是覆盖最广的症状（可能是抑郁或淡漠这类高频项），23 人是最窄的（可能是某种罕见的行为异常）。
采集方式：基于临床评定量表（如神经精神量表 NPI 的变体）的追溯性评定——由知情者（家属/照护者）回忆供体生前最后一段时间的行为。这意味着：

• 存在回忆偏倚（retrospective bias）：越久远的行为越不可靠；
• 存在知情者偏倚：不同知情者的标准不同；
• 存在病程偏倚：晚期 AD 供体的行为改变被病程本身掩盖。

三个症状群的生物学含义：群 1（睡眠紊乱、体重增加、自杀意念、无价值感、精神运动迟缓）更像"非典型抑郁样"；群 2（体重下降、食欲下降、精神运动激越、精力丧失、反刍思维）更像"激越-消耗型"；群 3（心境恶劣、快感缺失、抑郁）是典型抑郁症状。这三群在 AD 中的临床意义不同：群 2 与 AD 进展的关联通常更强，群 3 在早中期更常见。
使用建议：把 NPS 当作"粗粒度的行为表型"，用于生成假设而非验证假设。任何"NPS-X 与细胞类型-Y 显著相关"的结论，都需要在独立队列（如 RADC 的纵向队列、或 NACC 数据库）中复核。

§3 数据字典：文件层级与字段

3.1 仓库层级

Synapse 上的 PsychAD 主目录 syn60084804 按"元数据 → 原始数据 → 处理数据 → 基因型"四层组织。由于受控访问，普通用户看不到完整目录树，但从论文与 CELLxGENE 的 schema 可反推出下列结构：

层级	内容	访问级别
研究级容器	syn52160016（MSSM_PsychAD 研究详情页）	公开可见，下载需 DUA
主数据集	syn60084804（The PsychAD Dataset）	受控
原始测序	FASTQ / STARsolo 输出的 BAM（按池组织，561 池 × 双 lane）	受控
处理矩阵	单核表达矩阵（按供体或按池分片）	受控
基因型	SNP 阵列 PLINK 文件、WGS VCF、TOPMed 插补结果	受控（基因型通常单独受限）
元数据	供体表（诊断、年龄、性别、祖源、脑库、PMI、病理评分、NPS）	受控但可申请
可视化	CELLxGENE 聚合视图 84ce6837-548d-4a1f-919f-0bc0d9a3952f	公开

3.2 供体元数据字段（核心列）

字段	类型	取值域	语义
donor_id	string	1,494 个唯一值	供体标识（去重后）
brain_bank	categorical	MSSM / HBCC / RADC	组织来源脑库
diagnosis	multi-label	33 种	主要诊断，可多值（共病）
n_diagnoses	int	0-3+	诊断计数，0=对照
age	int	0-108	死亡年龄（岁）
sex	categorical	M / F	经 plink check-sex 核验
ancestry	categorical	5 超级群体	1000 Genomes PCA + QDA 判定
pmi	float	小时	尸检间隔
has_genotype	bool	1,381 为真	是否有可用基因型
n_nuclei	int	≥50	该供体 QC 后核数
ad_pathology	composite	CERAD / Braak / CDR / cogdx	AD 病理评分组合
nps_*	19 列	二值或序数	19 项神经精神症状

3.3 细胞注释表

字段	说明
class	8 个主类：兴奋性神经元、抑制性神经元、星形胶质、少突胶质、小胶质、OPC、内皮/血管、其他
subclass	27 个亚类
subtype	65 或 67（双口径）
leiden_cluster	原始 Leiden 簇编号（各层级重新聚类得到）
n_genes / n_umis / pct_mito	QC 指标，保留在 obs 中供二次过滤
pool_id / hash_id	测序池与哈希标签，用于追溯去多重质量

3.4 19 项神经精神症状表型

这是 PsychAD 相对多数脑库数据集的差异化字段。19 项 NPS 每项影响 MSSM 供体中 23 至 438 人不等，层次聚类后分为三群：

• 群 1：失眠（早/中/晚）、嗜睡、体重增加、自杀意念、无价值感、精神运动迟缓
• 群 2：体重下降、食欲下降、精神运动激越、精力丧失、反刍思维
• 群 3：心境恶劣、快感缺失、抑郁（当前/终生）

摘要里点名的是"淡漠（apathy）与体重下降（weight loss）"两项，因为它们是 AD 及相关痴呆最常见的伴随症状。做表型-细胞关联（PASSCODE 这类方法）时，这 19 列是唯一的行为学读出层——注意它们是临床评定量表转二值/序数，不是连续生理测量，样本量小的症状（23 人）做关联分析时极易过拟合。

§3b 数据使用场景详解

3b.1 场景一：跨疾病共性通路的发现

Nature 主论文的核心发现是：无论哪种疾病，与基础细胞功能相关的基因表达变化都存在共性——尤其是 mRNA 加工与蛋白胞内运输。这条结论的方法学基础是"在同一坐标系下比较"。若换成三篇独立论文的 DEG 列表做交集，会因流程差异、注释版本差异、协变量差异而几乎无交集。PsychAD 的价值在于它把"可比性"变成了数据属性。
具体做法：对每种疾病 vs 对照做 pseudo-bulk DEG（dreamlet），得到 8 组 DEG 列表，然后做超几何检验或 GSEA 找共有的通路。注意共病样本（320 例）的处理方式会显著影响结果——若把 AD+VaD 的供体同时计入 AD 组和 VaD 组，会人为制造共性。

3b.2 场景二：全生命周期的拐点检测

Yang 等用 284 例神经典型供体（131 万核）做轨迹。方法上的关键是"细胞组成"与"基因表达"两条线分开建模：

• 组成线：每个供体每个细胞类型的比例，用 crumblr 或广义加性模型拟合年龄；
• 表达线：每个细胞类型的伪批量表达，用 dreamlet 拟合年龄（可加样条）。

两条线都指向 24 岁与 60 岁两个拐点。但注意：284 例样本在 0-20 岁区间的密度远低于 60 岁以上（因为脑库的老年供体更多），所以"发育早期的剧烈变化"有一部分可能是采样密度造成的视觉放大。做轨迹研究时应报告各年龄段的样本量。

3b.3 场景三：细胞类型特异的遗传调控

Zeng 等的多祖源调控图谱，核心是 cis-eQTL 的细胞类型特异性。技术上要求：每个细胞类型有足够多的供体（至少数百）、每个供体有足够多的该类型核（至少数十）。PsychAD 在 class 级（8 类）能满足，在 subtype 级（65-67 类）多数亚型达不到。
这是一个重要的使用边界：PsychAD 的规模优势在 class 与 subclass 级成立，在 subtype 级不成立。任何声称"做了 67 个亚型的 eQTL"的研究，都应检查每个亚型的供体数与核数。

3b.4 场景四：方法学开发与基准测试

PsychAD 是方法学论文的理想测试床，因为它的规模足够大（能暴露算法的可扩展性问题）、异质性足够强（能暴露鲁棒性问题）、且有公开的注释与元数据。dreamlet 与 crumblr 本身就是在这个数据上开发出来的。
若你要测试一个新的差异表达或组成分析算法，建议的基准设定：1,494 例全量（测可扩展性）、单脑库子集（测小样本表现）、共病子集（测混杂处理能力）三个场景。

3b.5 场景五：教学与可视化

CELLxGENE 的公开视图让 PsychAD 可以进入课堂：学生可以在浏览器里按细胞类型着色、按诊断筛选、查看标记基因表达，而不需要 DUA。这是"受控数据 + 公开视图"组合的教育价值，也是 §5.3 强调 CELLxGENE 路径的原因。

§3c 与下游生态的对接

3c.1 AnnData / h5ad 生态

CELLxGENE 的标准化 schema 基于 AnnData（.h5ad），字段约定为 obs（细胞级元数据）、var（基因）、X（表达矩阵）、obsm（降维）、uns（非结构化）。PsychAD 在 CELLxGENE 上的视图遵循此约定。
若你要把 Synapse 的受控矩阵接入 scanpy 流程，需要自己做三件事：把细胞注释映射到 obs["cell_type"]、把供体标识映射到 obs["donor_id"]、把诊断映射到 obs["disease"]（CELLxGENE schema 用 disease 而非 diagnosis）。这三步的字段名不一致是跨数据集整合时最常见的报错来源。

3c.2 Bioconductor 生态

dreamlet 与 crumblr 都在 Bioconductor / GitHub 上，面向 R 用户。dreamlet 的核心对象是 dreamletProcessedData，输入是 SingleCellExperiment 或 pseudobulk 矩阵 + 样本表 + 公式。crumblr 的核心是 crumblr() 函数，输入是计数矩阵（细胞类型 × 样本），输出 log-ratio 的线性模型结果。
R 与 Python 双生态意味着：预处理用 Python（scanpy），差异表达用 R（dreamlet），组成分析用 R（crumblr），个性化分析用 Python（iBrainMap）。这种"跨语言"是 PsychAD 工具链的现实，不要指望单一语言跑完全程。

3c.3 与 GWAS 数据的对接

PsychAD 的 eQTL/TWAS 分析与公共 GWAS 对接时，需注意三点：一是样本重叠（PsychAD 的供体可能已包含在某些 GWAS 队列中，需检查）；二是祖源匹配（TWAS 的 LD 参考面板必须与 eQTL 人群匹配）；三是细胞类型匹配（GWAS 的性状是器官级的，eQTL 是细胞类型级的，映射假设需明示）。

3c.4 与影像数据的对接

库内 topbrain2026(632) 等影像条目与 PsychAD 无个体级重叠（PsychAD 是死后组织，影像是活体）。跨模态对接只能做概念级（如"AD 的影像萎缩模式与转录组易损性"），不能做个体级关联。文献中确有"影像转录组学"（imaging transcriptomics）这类做法，但那需要把图谱基因表达映射到影像坐标，与 PsychAD 的死后单核数据是不同的方法论。

§3d 元数据与矩阵的连接键

任何单细胞分析的第一步都是"把细胞、样本、供体、诊断连起来"。PsychAD 的连接链是：

cell barcode (per pool)
  → hash_id (hashtag)
    → sample (a tissue sample from one donor)
      → donor_id (person, deduplicated)
        → diagnosis / age / sex / ancestry / brain_bank

三个关键连接点：

• barcode → hash_id：由去多重工具给出，质量标记（如 doublet、ambiguous）也在这一步产生；
• sample → donor_id：这是坑 8 的位置，377 例重复样本在这里合并；
• donor_id → 表型：一对一，理论上无重复。

实践中，最常见的错误是把 sample 当成 donor。因为 Synapse 上的文件常按 sample 组织，文件数可能多于 1,494。下载时若按文件数估算供体数，会得出错误结论。

§3e 元数据的二次利用

PsychAD 的供体元数据表即使不配合表达矩阵，也有独立价值。三种典型用法：
用法一：队列描述与样本量规划。 若你要设计一个新的死后脑单细胞研究，可以用 PsychAD 的元数据估计"某诊断在某年龄段、某祖源的可及样本量"。例如"要在 60 岁以上、非洲祖源、SCZ 诊断的供体中找 50 例"，查这张表就能知道现实供给有多稀缺。这类规划用途在 IRB 申请与经费申请里很实用。
用法二：作为外部对照的匹配池。 若你手上有一个小队列（如 20 例 AD），想找一个匹配的公共对照，可以用 PsychAD 的元数据做倾向评分匹配（按 age、sex、ancestry、PMI 匹配），再申请对应供体的表达数据。这比"随便找一批公共对照"严谨得多。
用法三：方法学研究的分层变量。 研究"批次效应对单细胞分析的影响"时，PsychAD 的 561 个池、三家脑库、五个祖源、0-108 岁年龄构成天然的多因素设计。这类研究不需要全部 632 万核，取几百例就能得到有意义的结论。
三种用法的共同前提是元数据先到手。这也是为什么本条目在 §5.7 建议"先只下元数据"——它的价值密度远高于它的文件大小。

§4 研究用途与任务面

PsychAD 不是为某一个任务设计的数据集，而是"一个矩阵、多种任务"。按论文与衍生论文的用法，可归纳为六类：

4.1 细胞类型注释与图谱构建

最基础的任务：从 632 万核中聚类出稳定的细胞类型，并在跨 561 池、跨三脑库的条件下保证注释一致。PsychAD 的做法是"分而治之"——先在大图上分 8 大类，再在每个大类内部分别选高变基因、重新 Harmony、重新 Leiden，得到 27 亚类，再往下分到 65-67 亚型。
这类任务的评测难点不是聚类算法，而是注释的跨队列可迁移性：用 MSSM 数据训练的分类器迁到 RADC，性能会掉多少？论文没有给出跨脑库的留一验证结果，这是使用时需要自建评测的地方。

4.2 差异表达与疾病 vs 对照比较

dreamlet 是联盟为此开发的核心工具。它的思路是"伪批量（pseudobulk）+ 线性混合模型"：先把每个供体每个细胞类型的表达聚合成一个伪批量样本，再用线性混合模型处理供体随机效应与协变量（年龄、性别、PMI、脑库、祖源前十主成分）。相比逐核 Wilcoxon 检验，伪批量法不会因单个供体细胞数多而获得虚假显著性——这是处理 1,494 例数据时最关键的统计纪律。

4.3 细胞组成比例分析

crumblr 处理的是另一类问题：某细胞类型在病例组中的比例是否改变。组成数据的特殊性在于"总和为 1"——一个类型比例上升必然伴随其他类型下降，普通线性模型会给出矛盾的结论。crumblr 用 log-ratio 变换加稳健估计，把"组成变化"与"总细胞数变化"分开建模。论文强调它能校正队列差异与复杂生物学关联。

4.4 遗传调控与 TWAS

1,381 例基因型 + snRNA 表达的组合，使 PsychAD 能做细胞类型特异的 eQTL 与 TWAS。Zeng 等的多祖源调控图谱与 Venkatesh 等的单核 TWAS 都在此基础上完成，核心发现是：bulk 组织分析会漏掉大量细胞类型特异的基因-性状关联——这正是单核数据的价值所在。多祖源设计（欧洲、非洲、美洲祖源）让这项工作能跨群体外推，但注意 RADC 的欧洲祖先占比只有约 18%，群体特异结论必须按脑库分层。

4.5 全生命周期轨迹

Yang 等用 284 例神经典型供体的 131 万核（严格说是约 1.31M）构建 0-97 岁的轨迹。核心发现按年龄段切分：

生命阶段	变化特征
发育早期	各类细胞基因表达大规模重组织，突触形成活跃
约 24 岁	细胞组成变化速率的拐点，此后进入稳定期
24 岁至 50 余岁	相对稳定
60 岁以后	广泛变化再现，且主要由胶质细胞驱动（免疫与应激反应）

由此提出的假说是：神经精神疾病更多关联发育期的神经元程序，神经退行性疾病更多关联老年期的胶质程序。这条假说之所以重要，是因为它直接从数据里给出了"为什么 SCZ 与 AD 的易感窗口不同"的细胞学解释。

4.6 表型打分与个性化功能基因组

PASSCODE 与 iBrainMap 代表两类 AI 化的用法。PASSCODE 用机器学习从单细胞表达中识别与表型（如 AD 病理评分、NPS）相关的细胞，可能发现新的细胞亚群与基因；iBrainMap 则把每个供体的 snRNA 数据转成个性化图网络，输出"哪些基因/细胞类型/调控网络对该供体的 AD 表型最重要"的重要性分数。这两条路线共同的特征是：输出是供体级的，不是队列级的——这让 PsychAD 成为少数能做"个体化分子分型"的公开资源。

§4b 数据处理决策树

面对 PsychAD，使用者的第一个决策不是"用什么算法"，而是"取哪一层数据"。下面这棵树把选择路径固定下来：

需求是什么？
├─ 只想看细胞类型分布 / 教学演示
│   └─ CELLxGENE 公开视图（无需 DUA）
├─ 做差异表达 / 组成分析（大多数研究）
│   ├─ 需要基因型吗？
│   │   ├─ 否 → 申请处理矩阵 + 元数据（DUA 较快）
│   │   └─ 是 → 申请处理矩阵 + 元数据 + 基因型（DUA 较慢，基因型单独受限）
│   └─ 需要原始 FASTQ 吗？
│       ├─ 否 → 用处理矩阵（数十至数百 GB）
│       └─ 是 → 申请原始数据（TB 级，并准备重跑 STARsolo）
└─ 做遗传调控 / TWAS
    └─ 必须有基因型 + 处理矩阵 + 元数据三件套

第二个决策是"用哪一版注释"。若你的研究跨越 Sci Data 论文与 Nature 论文的注释版本，必须先确认两者是否一致（65 vs 67 的差异就在这里），不一致时以你实际下载的文件为准，并在方法学中写明版本。
第三个决策是"协变量怎么选"。最低配置是 age + sex + pmi + brain_bank；若做跨祖源分析，加前十主成分；若做脑库内部比较，可去掉 brain_bank 但需在讨论中说明。协变量不是越多越好——1,494 例的样本量在亚组分析时会被迅速稀释，过度参数化会导致模型不可收敛。

§4c 研究问题的可行性矩阵

把常见研究问题与 PsychAD 的支撑能力对照，可以避免"设计完了才发现数据不支持"：

研究问题	可行性	前提	注意事项
AD vs 对照的细胞类型特异 DEG	高	519 AD + 420 对照	需处理年龄与脑库混杂
SCZ vs 对照的 DEG	中	177 SCZ，主要在 MSSM/HBCC	药物混杂无法排除
五种疾病间的共有通路	高	跨疾病设计即为此	共病样本的处理方式会显著影响结果
全生命周期表达轨迹	中高	284 例神经典型	40-60 岁区间样本稀少
细胞类型特异 eQTL	高（class 级）	1,381 例基因型	subtype 级供体数不足
TWAS	高	同上 + 公共 GWAS	LD 面板与人群需匹配
NPS 与细胞状态的关联	中	仅 MSSM 子集	样本量小，需合并症状群
跨祖源的调控差异	中	多祖源设计	祖源与脑库强关联
疾病因果推断	低	—	横断面死后数据不支持
空间定位	低	—	无空间转录组数据

这张表的用法：先查表，再写立项书。若你的问题落在"低"档，不必放弃，但要换方法（如孟德尔随机化、纵向队列）或换数据。

§4d 典型研究设计模板

4d.1 模板一：两病种对照设计

问题：AD 与 SCZ 在 DLPFC 的转录组变化有何共性与差异？
设计要点：AD 组（519）、SCZ 组（177）、对照（420）；排除共病（或用共病作独立组）；协变量 age、sex、pmi、brain_bank、祖源 PC；按 class 分层做 DEG；用超几何检验找共有通路。
风险：SCZ 组样本量小，且集中在 MSSM/HBCC，与 AD 组的脑库构成不同。解决：做脑库匹配的子抽样（用倾向评分匹配 age 与 brain_bank），或至少在讨论中声明。

4d.2 模板二：剂量-反应设计

问题：AD 病理严重程度（Braak 分期）与细胞状态变化是否呈剂量关系？
设计要点：把病理评分当连续/序数变量而非二分类；用 dreamlet 拟合 ~ braak + age + sex + pmi + brain_bank；检查每个 Braak 分期的样本量。
风险：Braak 分期与年龄强相关，也与脑库强相关（RADC 的病理评分更系统）。需做共线性检查。

4d.3 模板三：多祖源 eQTL 设计

问题：同一细胞类型的 eQTL 在不同祖源间是否共享？
设计要点：按祖源分层做 eQTL；用 Meta 分析合并；检查各祖源的样本量（欧洲祖源占多数，其他祖源可能不足百例）。
风险：非欧洲祖源的样本量可能不足以做细胞类型特异 eQTL。论文的多祖源设计是"尽力而为"，不是"均衡设计"。

4d.4 模板四：表型-细胞关联设计

问题：淡漠（apathy）与哪类细胞的状态相关？
设计要点：限定 MSSM 子集；用有/无淡漠分组或连续评分；PASSCODE 类方法识别表型相关细胞；多重检验校正。
风险：淡漠的样本量有限（19 项 NPS 覆盖 23-438 人），且评分非为研究设计。结论应为探索性。

§4e 与公共数据整合的具体方案

4e.1 与 GTEx 的整合边界

GTEx 也提供脑组织的表达数据（含前额叶皮层），但它是 bulk RNA-seq、以神经典型供体为主、且样本量约数百。把 PsychAD 与 GTEx 整合的合理用途是"bulk 与单核结果的方向一致性检查"，而不是"合并矩阵做联合分析"——两者的技术平台、定量方法、组织处理都不同。

4e.2 与 ROSMAP 的整合边界

ROSMAP（Rush Memory and Aging Project）是 AMP-AD 内另一个重要研究，提供 bulk RNA-seq、甲基化、蛋白组与详细的纵向认知数据。PsychAD 的 RADC 供体与 ROSMAP 可能有部分重叠（同属 Rush 体系），整合前必须做供体去重——这是最容易出错的地方，因为两个研究的 donor_id 命名规则不同。

4e.3 与单细胞参考图谱的整合

Human Cell Atlas、BICAN 等提供的参考图谱可以作为"细胞类型定义的基准"。把 PsychAD 的注释映射到参考图谱时，建议用标签转移（label transfer）而非硬匹配，并报告映射的一致性（如 ARI、NMI）。

4e.4 整合的通用纪律

任何跨数据集整合都遵守三条：一是先对齐基因标识（Ensembl ID 而非基因符号，避免别名冲突）；二是先对齐样本标识（donor 层面，非 sample 层面）；三是先对齐批次（把数据集来源作为协变量或做整合校正）。三条都做了，才谈得上"联合分析"。

§4f 从数据到论文的七个动作

把"用 PsychAD 写一篇论文"拆成可执行的动作序列，每步有明确产出与检查点：
动作一：定问题。 产出一句话的研究问题 + 一个可证伪的假设。检查点：这个假设能否用横断面死后数据检验？若涉及因果，立即改写。
动作二：定样本。 产出纳入/排除标准（哪些诊断、哪些年龄、是否含共病）+ 预期样本量。检查点：预期样本量是否支撑目标粒度（查 §7c 功效表）？
动作三：定粒度。 产出分析层级（class/subclass/subtype）。检查点：该层级的有效供体数是否足够？不足则降级。
动作四：定模型。 产出公式（含协变量）+ 划分策略。检查点：是否做了供体级或脑库级划分？是否用了伪批量？
动作五：跑主分析。 产出主结果表 + 图。检查点：效应量是否合理（不是所有基因都显著）？
动作六：跑敏感性。 产出三组敏感性结果（去共病/分库/年龄窗口）。检查点：方向一致率多少？
动作七：写局限。 产出局限段落（横断面、药物混杂、脑库偏斜、注释版本）。检查点：是否逐条点名，而不是笼统说"存在局限"？
这七个动作的顺序不能颠倒。最常见的失败是"先跑完分析再想问题"——这时样本、粒度、模型都已固定，发现问题只能重来。

§4g 分析失败的五种典型场景与排查

把前面散落的方法学提醒收敛成一张排查表：

症状	最可能的根因	排查动作
DEG 数量异常多（>数千）	逐核检验、未校正、伪批量聚合错误	检查是否按 donor×celltype 聚合；检查 p 值分布是否均匀
病例与对照完全分离（AUC≈1）	数据泄漏（同一供体跨组）、批次未校正	检查划分是否按 donor；检查是否有池级泄漏
某细胞类型 DEG 极少	该类型核数少、供体覆盖低	打印该类型的 donor 数与核数分布
结果与其他论文完全相反	注释版本不同、诊断定义不同	核对注释文件与诊断子集定义
重跑结果不一致	随机种子、包版本、数据版本变化	锁定 seed、renv/conda、数据 MD5

这张表的价值在于"先查这三件事"：聚合层级、划分方式、版本锁定。多数看似复杂的问题，根因在这三处。

§5 数据获取：三条路径与各自的坑

PsychAD 的数据有三种可见形态，每条路径的"能拿到什么"完全不同。

5.1 路径一：Synapse / AD Knowledge Portal（主路径）

入口：https://adknowledgeportal.org → 搜索 PsychAD 或直接访问 https://doi.org/10.7303/syn60084804。
流程：

1. 注册 Synapse 账号（免费）；
2. 在 AD Knowledge Portal 提交数据使用协议（DUA）申请，说明研究用途与机构隶属；
3. 审核通过后获得受控数据的下载权限；
4. 用 synapseclient 命令行或 Python SDK 下载。
   为什么这样设计：论文原文写得很清楚——“The registration is in place solely to ensure the anonymity of the study participants”（注册仅为保障受试者匿名性）。这不是商业限制，也不是 embargo，而是人类基因组数据的基本合规要求。
   坑：DUA 审核不是即时通过。若你的项目有时间压力，先把元数据申请与全量下载拆成两步——元数据表通常可快速获批，全量矩阵与基因型需要更长时间。

5.2 路径二：AWS Open Data S3 桶（受控）

桶名：mssm-psych-ad.opendata.sagebase.org
ARN：arn:aws:s3:::mssm-psych-ad.opendata.sagebase.org
区域：us-east-1
管理方：Sage Bionetworks
访问类型：Controlled Access
这里是最容易误判的地方。"AWS Open Data"这个名字会让人以为桶是公开可读的，但注册页明确标注 Resource type 为 S3 Bucket [Controlled Access]。也就是说：

• 它不是 s3://bucket-name --no-sign-request 就能 aws s3 ls 的公开桶；
• 需要先通过 AD Knowledge Portal 的 DUA，再经 Sage Bionetworks 的联合身份机制换取临时 AWS 凭证；
• 直连 S3 的好处是批量、高吞吐、可与 Sage 生态的 Nextflow/Snapstart 流程对接，比 Synapse 客户端更适合 TB 级下载。

更新节奏：AD Knowledge Portal 数据按月发布（发布公告见 https://news.adknowledgeportal.org/），但具体研究的数据更新取决于数据贡献方与摄入时间——所以"PsychAD 每月更新"是错的，"ADKP 每月发布、PsychAD 按贡献方节奏更新"才对。

5.3 路径三：CELLxGENE（公开可视化）

合集 ID：84ce6837-548d-4a1f-919f-0bc0d9a3952f
RRID：SCR_021059
CELLxGENE 是 CZI 的单细胞数据门户，PsychAD 在其中有标准化 schema 的聚合视图。能做什么：按细胞类型、供体、诊断筛选、做 UMAP 着色、看基因表达分布。不能做什么：拿到完整 632 万核原始矩阵——受控数据不会以完整形态出现在公开门户。
坑：CELLxGENE 上的细胞数与 Synapse 上的不完全一致（门户通常做二次 QC 与子采样）。若你的论文写"我们从 CELLxGENE 下载了 632 万核"，审稿人会立刻发现口径错误（坑 5）。

5.4 路径对比表

维度	Synapse/ADKP	AWS S3 桶	CELLxGENE
访问门槛	注册 + DUA	注册 + DUA + 换取临时凭证	无
数据完整性	全量（原始 + 处理 + 基因型）	全量（与研究级一致）	聚合/子采样
适用场景	常规再分析	大规模并行计算	探索、可视化、教学
下载工具	synapseclient / 网页	aws cli + 临时凭证	网页 / cellxgene-census
是否需要付费	否（Synapse 存储成本由资助方承担）	AWS 出网流量费由使用者承担	否

最后一行常被忽略：AWS 桶本身不收费，但从 us-east-1 拉取数 TB 数据到本地或跨区，流量费是实打实的。做预算时把 egress 算进去。

5.5 代码与工具获取

数据之外，方法侧全部开源：

资源	地址	用途
数据论文代码	github.com/DiseaseNeuroGenomics/psychAD_SciData	复现 Sci Data 的图表与 QC
GRN 分析代码	github.com/DiseaseNeuroGenomics/PsychAD_GRN	调控网络（regulon、AUCell、边列表）
dreamlet	Bioconductor / GitHub（DiseaseNeuroGenomics）	伪批量差异表达
crumblr	GitHub（DiseaseNeuroGenomics）	组成比例分析
iBrainMap	github.com/daifengwanglab/iBrainMap	个性化功能基因组
iBrainMap 可视化	daifengwanglab.shinyapps.io/iBrainMap/	交互查看

5.6 申请被拒或延迟的常见原因

DUA 审核不是形式。以下情形会导致退回：
研究目的描述过泛。 只写"用于神经科学单细胞研究"会被要求补充具体假设与分析计划。写清"研究 AD 与 SCZ 在 DLPFC 的细胞类型特异差异表达，使用 pseudo-bulk 与 dreamlet，不涉及个体级数据再分发"，通过率高得多。
机构签署人不合格。 DUA 需要机构授权代表签署，PI 自签无效。这是最常见的退回原因（见 §5b.1）。
数据安全计划缺失。 只说"会妥善保管"不够，需写明存储位置、访问控制、加密方式、访问日志、销毁计划。
申请范围与用途不匹配。 申请基因型却只描述表达分析，会被要求删除基因型请求；反之，只申请表达却后来发现需要基因型，要重新走流程。
受试者保护相关表述缺失。 需要明确承诺不尝试重新识别个体、不将数据用于临床决策、不用于保险或雇佣评估。

5.7 获批后第一周的清单

拿到权限后，按以下顺序做，可以避免"下载了一堆文件不知道哪个是哪个"：

1. 把 Synapse 上的目录树 synapseclient.synapse.getChildren() 打印出来，存成文本快照；
2. 找到元数据文件，先只下这一份，用 pandas 读入，打印行列数与列名；
3. 核对 donor_id 唯一值数、has_genotype 求和、n_nuclei 分布；
4. 找一份最小的处理矩阵（单个池或单供体），读入确认基因名与条码格式；
5. 写一个最小的聚合脚本，用 10 个供体验证"读—并—聚合"三步能跑通；
6. 再开始全量下载。
   这个顺序的价值是把"数据探索"与"大规模下载"解耦。多数团队的浪费发生在第 2-5 步没做就下全量，结果发现条码格式不对或元数据字段名不一致，返工重下。

§5b 受控访问的合规实操

5b.1 DUA 申请材料清单

AD Knowledge Portal 的 DUA 申请通常需要：申请人姓名与职称、机构名称与地址、机构签署权限人（通常是 Grants Office 或 IRB）、研究目的陈述（1-2 段）、数据使用范围（是否含基因型）、数据安全计划（存储位置、访问控制）、以及同意不尝试重新识别受试者的承诺。
易错点：机构签署人找错。很多团队让 PI 自己签，但 DUA 通常要求机构授权代表（institutional signing official）签署。这一环节的往返常占审核时间的一半以上。

5b.2 数据安全计划的最低要求

受控基因组数据的存储通常要求：加密静态存储、访问日志、仅授权人员可访问、不存放在个人设备、不 via 公共云盘的公开链接共享。若你的机构已有受控数据环境（多数有 IRB 的机构都有），直接复用其模板最快。

5b.3 二次分发的红线

DUA 通常禁止：向第三方分发原始数据、公开发布可识别的个体级数据、用数据做重新识别尝试、将数据用于 DUA 声明之外的研究目的。可以做的：在机构内共享给合作者（若 DUA 允许）、发表聚合结果、发布分析代码（不含数据）。

5b.4 与国内机构的适配

国内机构申请 ADKP 数据是可行的，但需注意：机构需有可被国际认可的签署主体、数据存储需符合国内人类遗传资源管理规定（若涉及国际合作，可能需走科技部备案）。这一环节的合规成本常被低估，建议在项目立项时就咨询机构的相关部门。

§5c 下载与校验的工程细节

5c.1 断点续传

Synapse 的 synapseclient 支持断点续传（syn.get(..., downloadLocation=..., ifcollision='overwrite.local')）。TB 级下载必须依赖它，否则网络一断就要重来。

5c.2 校验和

Synapse 为每个文件维护 MD5。下载后应批量核验：synapseclient 的 syn.get 默认会校验 MD5，若不一致会报错。若你绕过客户端直接下载（如经 AWS），需自行记录与比对。

5c.3 目录结构建议

建议本地按"元数据 / 矩阵 / 基因型 / 中间产物"四分：元数据只读、矩阵只读、基因型只读且加密、中间产物可清理。这样在做敏感性分析时，可以反复从只读层重建，不会因中间文件损坏而重下全量。

5c.4 版本快照

ADKP 按月发布，同一 syn ID 下的内容可能更新。建议在首次下载后记录：下载日期、文件列表与各自 MD5、Synapse 的版本号（若有）。这份快照是你论文复现性的凭证。

§5d 使用者的时间线预期

一个从零开始的团队，走完"申请—下载—跑通—出结果"的典型路径，各环节的时间量级（非承诺，仅经验参照）：

环节	量级	关键依赖
读论文与确定需求	数天	团队对问题的清晰度
DUA 申请与机构签署	数周	机构签署流程
审核与获批	数周	ADKP 审核队列
元数据下载与熟悉	数天	网络
矩阵分片下载	数天至数周	带宽、是否全量
工具链跑通（小样本）	数天	团队的单细胞经验
全量聚合与建模	数周	计算资源
敏感性分析与写作	数周	—

最容易低估的是 DUA 环节。把它当成"行政审批"而不是"技术准备"，在立项时就并行推进，是节省时间的关键。

§5e 计算环境的配置建议

5e.1 存储分层

层	内容	介质	保留策略
冷层	原始 FASTQ/BAM	对象存储（S3/OSS）	长期，按需取回
温层	处理矩阵、基因型	高速 NAS	项目周期
热层	伪批量矩阵、样本表	本地 SSD	分析期间
产物层	结果表、图	Git LFS 或对象存储	永久，带版本

关键是"热层只放假批量"。632 万核的单核矩阵永远不进热层——它太大、太慢、且分析时不需要全量载入。

5e.2 内存与并行

伪批量后，样本数约 1,494 × 8（class）= 约 1.2 万行，基因数约 2-3 万列，稠密矩阵约 1-2 GB，单机可跑。真正的内存压力在"从单核矩阵聚合到伪批量"这一步——若用 scanpy 读全量 h5ad，稀疏矩阵也需数十至上百 GB。解决办法：按分片流式读取、逐片聚合、聚合后立即释放。

5e.3 版本锁定

分析环境的可复现性依赖三个锁定：Python/R 包版本锁定（conda/renv）、数据版本锁定（下载快照的 MD5）、注释版本锁定（复制一份注释表进仓库）。三者缺一，半年后重跑就会得到不同结果。

§6 许可、访问与版本

6.1 许可性质：受控访问而非开放许可

PsychAD 没有 CC BY 之类的内容许可，它适用的是**数据使用协议（Data Use Agreement）**体系：

项目	状态
数据本身（snRNA、基因型、元数据）	受控访问，DUA 约束下的通用研究用途（General Research Use）
基因型数据	单独受控，需在 DUA 中额外声明；部分情形需单独申请
论文本体	美国政府作品（US Government work），美国境内不受版权保护；境外有版权保护
代码	GitHub 仓库，按各仓库 LICENSE 文件执行（多为 MIT/Apache 类）
CELLxGENE 视图	遵循 CELLxGENE 平台条款

“General Research Use"是关键定性：它意味着不限制具体研究主题（不像某些数据库限定"仅 AD 研究”），但要求署名（attribution）并遵守 AD Knowledge Portal 的致谢规范。

6.2 致谢与引用规范

AWS 注册页给出的标准引用格式：

The Mount Sinai PsychAD Study (MSSM_PsychAD) was accessed on DATE from https://registry.opendata.aws/mssm-psych-ad.

并注明：“The results published here are in whole or in part based on data obtained from the AD Knowledge Portal (NIH-NIA, U24AG061340).”
U24AG061340 是 AD Knowledge Portal 的资助编号，写基金致谢时不要漏。数据本身的学术引用应引 Sci Data 论文（Fullard 等，2025），生物学结论引对应的 Nature 系族论文。

6.3 版本链与时点

时点	事件
2019	PsychAD Consortium 成立，NIA 资助启动
2024	Synapse 数据集 syn60084804 上线（The PsychAD Dataset, PsychAD Consortium, 2024）
2025-06-06	Sci Data 数据描述论文上线（12:954），数据在论文发表前已开放、无 embargo
2025-2026	九篇 Nature 系族论文打包发表；新闻稿标注 2026
2026-10-17	本条目核验时点
注意：AWS 注册页把 Sci Data 论文标为 2025（s41597-025-04687-5，卷 12 文章号 954），而 Nature 主论文的 DOI 为 10.1038/s41586-025-09573-z（跨疾病）、10.1038/s41586-026-10271-7（全生命周期）、10.1038/s41586-026-10836-6（遗传调控）。025 与 026 混排是 Nature 的在线年份与实际期号差异，引用时按 DOI 年份写，不要统一改成同一年（坑 6）。

6.4 双口径存照

项目	口径 A	口径 B	采用
细胞亚型数	67（Sci Data 正文）	65（Nature 补充图 N1）	正文写 65-67 双口径，引用注明来源
全生命周期核数	131 万（新闻稿与摘要"约 1.31 million"）	1,300,000 量级	写"约 131 万"，不给精确值
论文年份	Sci Data 2025	新闻稿 2026	按 DOI：025 → 2025
数据规模表述	“more than 6.3 million”	6,320,459（精确）	摘要级写 630 万+，表格写精确值
更新频率	“monthly”（ADKP）	研究级按贡献方节奏	区分平台频率与研究频率

6.5 坑点清单

坑 1：以为 PsychAD 有 GEO 编号。
PsychAD 走 AD Knowledge Portal / Synapse 体系，没有 GSE 前缀的 GEO 编号。在 GEO 搜 “PsychAD” 会命中若干引用它的小数据集，但不是本体。正确入口是 syn60084804 或 adknowledgeportal.org。
坑 2：以为包含 snATAC-seq 或 DNA 甲基化。
本数据集只交付 snRNA-seq + 基因型。论文提到的 896 例（60%）多组学数据（ATAC、甲基化、蛋白组、ChIP-seq）属于既往研究的外部资源，不在 PsychAD 仓库内。写方法学时若声明"PsychAD 提供 ATAC"，会被数据合规审查打回。
坑 3：用 632 万核反推投入量。
632 万是 QC 后核数。按每池 6 样本 × 6 万核 × 561 池的投入估算，原始投入远高于此，留存率在个位数百分比到一成之间。任何"我们重新处理得到了 632 万核"的说法，必须逐条对齐全套 QC 阈值（基因数 1,100-12,500、UMI 1,500-110,000、线粒体 <5%、供体 ≥50 核），否则数字对不上。
坑 4：细胞亚型数 65 还是 67。
Sci Data 正文写 67，Nature 补充图 N1 写 65。这不是笔误而是不同论文的注释版本差异（可能一个是含 doublet/低质量类的"技术亚型"）。引用时写"65-67（视来源版本）“，或直接引你实际使用的那一版注释文件。
坑 5：以为 CELLxGENE 能下全量。
CELLxGENE 给的是聚合视图，通常经二次 QC 与子采样，核数与 Synapse 不一致。写"从 CELLxGENE 下载 632 万核"是典型的口径错误。
坑 6：把 DOI 年份统一。
Sci Data 是 2025（s41597-025-04687-5），Nature 三篇分别是 025-09573、026-10271、026-10836。混排是正常的在线发布节奏，不要"修正"成同一年。
坑 7：把 AWS Open Data 当成公开桶。
注册页明确标注 Controlled Access。aws s3 ls --no-sign-request 会返回 AccessDenied，这不是配置错误。必须经 DUA + Sage 联合身份。
坑 8：用样本编号而非 donor_id 去重。
原始样本清单含 377 例 KING kinship ≥0.4 的重复样本，去重后才是 1,494 例供体。若按样本编号建索引，同一供体会被计两次，直接破坏 eQTL 与组成分析的独立性假设。
坑 9：把三家脑库当同质队列。
MSSM 欧洲祖先 >79%、RADC 约 18%、HBCC 约 50%；HBCC 49% 供体 <40 岁、RADC 99% >60 岁。不分层的跨诊断比较，本质上是在比较脑库。论文自己给出了年龄窗口建议（SCZ ≥17 岁，神经退行性疾病 ≥60 岁），照做。
坑 10：把"无 embargo"误解为"无门槛"。
论文写"no publication embargo on secondary use”，意思是数据不等论文发表就可二次使用，但访问仍需 DUA。这两件事互不冲突，常被混为一谈。

§6b 许可条款的逐条解读

6b.1 “General Research Use” 到底限制什么

General Research Use（GRU）是 NIH 数据共享政策中的一种使用限定，含义是"可用于任何一般性研究目的"，但有几条隐含限制：不得用于临床诊疗决策、不得用于保险或雇佣目的、不得尝试重新识别受试者、需遵守数据提供方的致谢要求。它比"仅限某疾病研究"（Disease-Specific Use）宽松，比"无限制"严格。

6b.2 基因型的额外限制

基因型数据通常比表达数据限制更严，因为它直接关联个体的可识别信息。PsychAD 的 1,381 例基因型在 DUA 中需单独声明，部分情形可能需要额外的机构审批。若你的研究只需要表达数据，建议不申请基因型，以缩短审核时间。

6b.3 论文的版权状态

Sci Data 论文标注为"美国政府作品"（US Government work），在美国境内不受版权保护。这意味着在美国境内可以自由复制与分发论文文本。但在美国境外，Nature Portfolio 的版权声明适用，复制需遵守其条款。引用时按学术规范处理即可。

6b.4 代码的许可

PsychAD 相关代码分散在多个 GitHub 仓库，许可不统一。使用前逐个查看仓库根目录的 LICENSE 文件。若某个仓库没有 LICENSE，按"保留所有权利"处理，需联系作者获得许可。

6b.5 与 CC 许可的区别

CC BY 类许可允许任何人以任何目的使用，只需署名。DUA 不同：它限制使用主体（需注册审核）、限制使用目的（需在申请中声明）、限制再分发。不要把 DUA 数据当成 CC BY 数据——这是最常见的合规误解，也是最容易导致撤稿的错误之一。

§6c 引用格式的实操

6c.1 数据引用（推荐格式）

Fullard JF, Prashant NM, Lee D, et al. Population-scale cross-disorder atlas of the human prefrontal cortex at single-cell resolution. Scientific Data. 2025;12:954. doi:10.1038/s41597-025-04687-5.

6c.2 资源访问声明（AWS 官方格式）

The Mount Sinai PsychAD Study (MSSM_PsychAD) was accessed on [DATE] from https://registry.opendata.aws/mssm-psych-ad.

6c.3 资助致谢

The results published here are in whole or in part based on data obtained from the AD Knowledge Portal (NIH-NIA, U24AG061340).

6c.4 生物学结论引用

若引用跨疾病共性、全生命周期轨迹、遗传调控等具体发现，应引对应的 Nature 系族论文（见 §2.6 表），而不是数据论文。

6c.5 常见引用错误

• 只引新闻稿不引论文；
• 把数据论文与主论文混引；
• 漏写 U24AG061340；
• 写"PsychAD 数据库"而非"PsychAD 研究/联盟"；
• 访问日期写成论文发表日期。

§6d 合规审查的自查清单

在投稿前，按以下清单自查，可以避免因数据合规被拒稿或撤稿：

1. 是否在 Methods 中写明数据来源为 AD Knowledge Portal 的 PsychAD 研究，并给出 syn60084804？
2. 是否引用了 Sci Data 数据论文？
3. 是否在致谢中写明 U24AG061340？
4. 是否声明了 DUA 获批（含批准机构与日期，若 DUA 允许披露）？
5. 是否确认所有展示的结果都是聚合级，不含个体级可识别信息？
6. 若发布了代码，代码中是否硬编码了受控数据的本地路径或样本标识？（应替换为占位符）
7. 若发布了模型权重，是否评估过记忆风险？
8. 是否声明了未将数据用于临床决策、保险或雇佣目的？
   第 6 条最常被忽略。很多团队在 GitHub 上发布的 notebook 里带着 "/data/psychad/syn60084804/donor_1234.h5ad" 这类路径，虽不泄露数据，但暴露了受控目录结构，部分 DUA 会视为违规。发布前统一替换为 DATA_ROOT 环境变量。

§7 评估与基准：可用什么指标衡量"用得对不对"

PsychAD 本身不是评测基准，不存在"官方排行榜"。但它的数据形态决定了四类可客观评估的任务，每一类都有可复现的评测口径。

7.1 细胞注释一致性

任务：给定表达矩阵与细胞条码，预测 class / subclass / subtype。
可用口径：

• 供体级留一交叉验证（leave-one-donor-out），而不是核级随机划分——核级划分会因同一供体的核共享批次特征而严重高估性能；
• 跨脑库留一验证（leave-one-brain-bank-out），这是真正困难的设定：用 MSSM + HBCC 训练、RADC 测试；
• 指标：class 级准确率与 macro-F1、subclass 级 macro-F1、subtype 级的混淆矩阵（注意亚型间的不平衡，macro 比 micro 更能反映真实难度）。

已知基线：论文未公布跨脑库基线。可用参照是：在大图上直接做 Leiden 聚类并人工标注的结果本身即为"金标准"级别的注释（但它是聚类产物而非独立验证标签，所以严格说是"自洽性"而非"准确性"）。

7.2 差异表达的可重复性

任务：给定疾病 vs 对照，找出细胞类型特异的差异表达基因（DEG）。
评测难点：DEG 列表的"真值"不存在。可行做法有三：

• 内部复现：把 1,494 例随机对半切成两个队列，各自跑 dreamlet，看 DEG 交集比例（Jaccard）；
• 外部复现：与 SEA-AD（Seattle AD Brain Cell Atlas，syn52146347）的 AD DEG 做交集；
• 留一脑库：MSSM 训练、RADC 验证，检验跨库稳定性。

方法纪律：必须用伪批量而非逐核检验。逐核 Wilcoxon 会把"某供体细胞多"误判为"该基因显著"，在 632 万核的规模下这种假阳性会被放大到不可用。

7.3 细胞组成变化

任务：检验某细胞类型在病例中的比例是否改变。
可用口径：crumblr 的 log-ratio 框架。评测时注意两点：一是细胞总数本身随疾病状态变化（AD 晚期细胞丢失），二是各供体的核数从 50 到数万不等，需加权或至少在模型里考虑核数。
典型可复现结论：AD 中兴奋性神经元比例下降、胶质（星形胶质、小胶质）比例上升，是多数 AD 单细胞研究的共识；PsychAD 的贡献是把这条共识放到 519 例 AD 上验证，并分离出"疾病效应"与"脑库效应"。

7.4 表型预测与个体化打分

任务：用供体的 snRNA 表达预测 AD 病理评分或 NPS。
可用口径：

• 供体级回归/分类，按脑库分层交叉验证；
• 指标：AD vs 对照的 AUC、病理评分（Braak/CERAD）的 Spearman 相关；
• iBrainMap 的个性化重要性分数是解释性输出，不是预测性能本身——拿它当 AUC 用是常见误用。

已知风险：19 项 NPS 中样本量最小的只有 23 人，做表型预测极易过拟合。任何 NPS 相关模型至少应报告按症状分群的样本量与置信区间。

7.5 与其他脑图谱的横向对照

资源	脑区	规模	疾病覆盖	与本数据集的关系
PsychAD	DLPFC	1,494 例 / 632 万核	33 种诊断，跨神经退行 + 精神疾病	本体
SEA-AD	多个皮层与海马区	84 例（中期发布，持续扩展）	以 AD 为主	可做外部复现，syn52146347
库内 brain-snrna-ad-atlas(1199)	多脑区 AD	约 1,400 万核	AD 为主	规模更大但疾病谱窄
库内 allen-brain-atlas(275)	全脑（含小鼠）	多模态	主要神经典型	解剖参考系
库内 healthy-brain-network(245)	儿童青少年脑发育队列	影像 + 行为	神经发育	生命周期早期端对照

这张表的读法：PsychAD 的不可替代性不在"最大"（brain-snrna-ad-atlas 的核数更多），而在唯一的跨精神-神经疾病同流程同脑区队列。比规模它会输，比可比性它很难被替代。

§7b 交叉验证策略细则

7b.1 为什么核级划分是错的

假设你有 1,494 个供体、632 万个核。若随机把 80% 的核分到训练集、20% 到测试集，同一个供体的核会同时出现在两边。由于同一供体的核共享：同一套基因型、同一次尸检的处理条件、同一个测序池的批次特征、同一个脑库的取材习惯——模型只要学会"识别供体"，就能在测试集上拿到高分。这个分数衡量的是"供体指纹识别能力"，不是"细胞类型识别能力"。
正确做法是按供体分组划分（GroupKFold，group=donor_id），更严格的是按脑库分组（leave-one-brain-bank-out），最严格的是按时间或按队列分组（若有采集批次信息）。

7b.2 三类划分的预期差距

划分方式	预期性能	反映什么
核级随机	很高（可能 >0.95 macro-F1）	供体指纹泄漏
供体级留一	中高（0.85-0.92 量级，视任务）	对新个体的泛化
脑库级留一	明显下降（可能 0.70-0.80）	对新机构的泛化

上表的具体数值是本条目的合理估计区间而非论文实测——论文未公布这三档的对照实验（见附录 F 疑点 3）。使用时应自行测量，并把结果写进你自己论文的"局限性"一节。

7b.3 差异表达的"真值"问题

DEG 没有绝对真值，但有三种可信度递进：

1. 内部一致性：随机对半切开，两次 DEG 的 Jaccard 相似度。低（<0.3）说明结果不稳定。
2. 方向一致性：两组 DEG 的效应量符号一致比例。这是比 Jaccard 更稳健的指标。
3. 外部一致性：与 SEA-AD 或文献中已确立的 AD DEG（如 AD 中神经元下调突触基因、胶质上调免疫基因）方向一致。
   三层都通过，才能说"这个 DEG 列表可信"。

7b.4 组成分析的陷阱

组成数据的闭合性（compositional closure）意味着"所有比例加起来等于 1"。若 AD 组中兴奋性神经元比例下降，那么必然有其他类型上升，即使那些类型绝对没有变化。crumblr 用 log-ratio 处理这个问题，但使用者仍需注意：

• 报告的是相对比例变化，不是绝对细胞数变化；
• 若疾病导致总细胞数下降（AD 晚期确实如此），比例的解读要格外小心；
• 不同供体的核数从 50 到数万不等，未加权分析会被核多的供体主导。

§7c 统计功效的粗略估算

PsychAD 的样本量对"细胞类型级"比较充足，对"亚型级"比较紧张。粗略估算（假设伪批量、效应量中等 f=0.25、α=0.05、power=0.8）：

比较层级	可用样本（供体）	结论
class 级，AD vs 对照	519 vs 420	充足
class 级，SCZ vs 对照	177 vs 420	充足
class 级，BD vs 对照	72 vs 420	边缘，需谨慎
class 级，PD vs 对照	48 vs 420	不足，仅探索
subclass 级，AD vs 对照	有效样本下降 30-50%	多数亚类可做
subtype 级	有效样本下降 60-80%	多数亚型不足

上表是量级估计而非精确计算。要点是：样本量在 class 层看起来很充裕，到 subtype 层会迅速枯竭。设计研究时先算"目标层的有效供体数"，再决定粒度。

§7d 评测结果的可比性控制

若你要把自己的方法与已发表结果比较，需要控制四个变量：

变量	控制方法
注释版本	用同一份注释文件，不用各论文的"最新版"
样本子集	用同一批 donor_id 列表
协变量	用同一套（age/sex/pmi/brain_bank/PC）
评价指标	用同一套（macro-F1 或 Jaccard，注明）

四者任一不同，比较就失去意义。文献中常见"我的方法比 X 好"的结论，细看发现样本子集不同——这是本领域的方法学噪声来源之一。

§7e 与已发表结论的对照清单

把"已知结论"与"PsychAD 是否复现"列成表，可作为自检基准：

已知结论	常见证据	PsychAD 可检验点
AD 中兴奋性神经元比例下降	多个 AD 单细胞研究	class 级组成分析
AD 中小胶质/星形胶质比例上升	同上	同上
AD 中神经元突触基因下调	多个 bulk 与单细胞研究	class 级 DEG
AD 中胶质免疫基因上调	同上	同上
SCZ 中 PV+ 中间神经元异常	尸检免疫组化与单细胞	subclass 级（PV 亚类）
SCZ 中少突胶质/髓鞘基因下调	多个 bulk 研究	class/subclass 级
PD 中多巴胺能神经元丢失	黑质研究	不可检验（DLPFC 无多巴胺能神经元）
老化中胶质免疫程序上调	老化研究	年龄协变量/分层

最后一行很重要：PsychAD 的脑区是 DLPFC，PD 的核心病理在黑质。数据里之所以有 48 例 PD，是为了跨疾病比较皮层的共同变化，而不是研究 PD 的经典病理。把 PD 数据用于"黑质多巴胺能神经元"研究是方向性错误。

§7f 与"可复现性危机"的关系

单细胞领域近年被反复讨论的可复现性问题，在 PsychAD 这类超大规模资源上表现得更尖锐：样本量大到"任何微小的方法差异都会变成显著结果差异"，而审稿人通常无法重跑全量。
PsychAD 在这一点上的应对是相对好的：数据有固定入口（syn ID）、流程有公开代码（GitHub）、工具是开源的（dreamlet/crumblr）。但它仍留了三个缺口：

• 元数据字段无公开数据字典：列名含义需靠推断；
• 注释版本无显式版本号：65 与 67 的差异提示存在但未标注；
• QC 漏斗图未在正文给出：无法精确对齐每一步的细胞损失。

这三个缺口的共同后果是"复现方向可以对齐，精确数字难以对齐"。做复现研究时，应把目标定为"方向与效应量量级一致"，而非"DEG 列表完全重合"。这不是降低标准，而是承认这类资源的复现本就是"可比"而非"相同"。

§8 DAIMS 评估：五维打分

DAIMS 是评估数据资源可用性的五维框架：Discoverability（可发现）、Accessibility（可访问）、Interoperability（可互操作）、Metadata（元数据）、Sustainability（可持续）。每维 0-20 分，满分 100。

维度	得分	依据	扣分点
Discoverability（可发现）	17	Sci Data 论文高可见度、Nature 系族九篇打包报道、AWS Open Data 注册页、CELLxGENE 合集均指向同一资源	无 GEO 编号，按 GEO 检索会漏；中文检索噪声大（新闻稿多、技术细节少）
Accessibility（可访问）	12	Synapse + AWS 双通道，无 embargo，DUA 流程清晰	受控访问需审核，非即时；AWS 桶 Controlled Access 易被误判为公开；基因型单独受限
Interoperability（可互操作）	15	CELLxGENE 标准化 schema、h5ad 生态、AnnData 可直接读；工具链 dreamlet/crumblr 与 Bioconductor 生态兼容	原始数据为 STARsolo 输出，与 10x CellRanger 生态需转换；受控部分无法直接对接 scanpy 在线流程
Metadata（元数据）	17	供体表含诊断多值、33 种诊断编码、19 项 NPS、祖源、PMI、AD 病理评分；注释三级层级	部分字段命名未在公开文档中给数据字典（受控才可见）；NPS 编码细则需查补充材料
Sustainability（可持续）	18	NIA 资助（U24AG061340）至 2027 后，Sage Bionetworks 托管，ADKP 月度发布机制成熟，联盟公开表示计划扩展到 1 万例	长期依赖单一资助渠道；AWS 桶与 Synapse 的同步延迟未公开 SLA
合计	79	—	—

8.1 得分解读

79 分在库内处于"中上"档：可发现性与可持续性接近满分，被可访问性拖累。这不是设计缺陷，而是人类基因组数据的合规必然——任何携带基因型的死后脑组织数据都不可能完全开放。对比库内完全开放的 cellxgene(38) 这类平台条目，PsychAD 的 79 分更多反映"合规成本"而非"资源质量"。

8.2 提升路径（对使用者而言）

对数据提供方：若能提供一份公开的"元数据摘要表"（不含个体级基因型，只含诊断分布、年龄分布、脑库分布），可发现性还能再涨 2-3 分。
对使用者：把 DUA 申请当作项目启动的前置任务，而不是分析开始后的补充动作。多数团队的时间损失来自"分析做完才发现数据没批下来"。

8.3 五维之外的第六维：可复现性

DAIMS 框架没有覆盖"代码与流程是否开源"。PsychAD 在这项上是满分：数据论文代码、GRN 代码、四个分析工具的仓库全部公开。若把这一维加进来（0-20），PsychAD 的总分会到 95 左右。这也是本条目在 §9 强调"先跑通工具链再谈数据"的原因。

§8b 与同类资源的深度对比

8b.1 PsychAD vs SEA-AD

SEA-AD（Seattle Alzheimer’s Disease Brain Cell Atlas）是 Allen Institute 主导的 AD 单细胞图谱，数据在 Synapse syn52146347。两者的关键差异：

维度	PsychAD	SEA-AD
主导机构	Mount Sinai + 联盟	Allen Institute
脑区	仅 DLPFC	多脑区（MTG、DLPFC 等）
疾病覆盖	33 种，跨精神 + 神经退行	以 AD 与对照为主
规模（中期）	1,494 例 / 632 万核	84 例（持续扩展中）
优势	疾病谱宽、样本量大	脑区覆盖广、空间转录组配套
互补用法	跨疾病结论	AD 的脑区特异性与空间验证

两者都在 Synapse 体系内，都在 AD Knowledge Portal 生态中，合并使用是可行的——PsychAD 的 GRN 论文就明确把 SEA-AD 列为可访问资源。

8b.2 PsychAD vs 库内 brain-snrna-ad-atlas(1199)

库内 brain-snrna-ad-atlas 规模约 1,400 万核，比 PsychAD 的 632 万核更大。但它的疾病谱集中在 AD，且是多脑区合并。选择建议：

• 若研究问题跨精神与神经疾病 → 用 PsychAD；
• 若研究问题是 AD 的多脑区差异 → 用 brain-snrna-ad-atlas；
• 若做 AD 结论的稳健性检验 → 两者互验，这是最有价值的用法。

8b.3 PsychAD vs 库内 allen-brain-atlas(275)

Allen Brain Atlas 的核心价值是"神经典型参考系"：标准的细胞类型、标准的解剖分区、标准的标记基因。PsychAD 的价值是"疾病态偏移"。两者关系不是替代而是"坐标 + 偏移量"：用 Allen 定义"正常长什么样"，用 PsychAD 量化"疾病偏离了多少"。

8b.4 生态位总结

在公开人脑单细胞资源里，PsychAD 占据的位置是：规模足够大（千例级）、疾病谱足够宽（跨精神与神经）、流程足够统一（单一联盟）、开放级别足够清晰（受控 DUA）。它不追求"最大核数"或"最多脑区"，而是追求"可比性"。理解这一点，就不会用"核数排名"来评价它。

§8c DAIMS 评分的逐项论证

上一节给了分数，本节给每个分数的证据链，便于复核与更新。

8c.1 Discoverability 17/20 的证据

加分证据：Sci Data 论文为开放获取（Open access），有 DOI 与 PMID（40480991）；Nature 系族九篇论文打包报道，媒体覆盖广泛；AWS Open Data 注册页有独立的可检索条目；CELLxGENE 合集有唯一 ID 与 RRID；Mount Sinai 官方新闻稿提供机构背书。
扣分证据：无 GEO 系列编号，导致以 GEO 为主要检索入口的研究者会漏检；中文技术文档稀缺，中文检索主要命中的是新闻报道而非技术细节；PsychAD 与 MSSM_PsychAD 两个名称并存，未做别名归一。

8c.2 Accessibility 12/20 的证据

加分证据：无 embargo，数据在论文发表前已开放；提供 Synapse 与 AWS 两条下载通道；DUA 流程与说明文档（adknowledgeportal.synapse.org/Data Access）完整；AWS 提供 S3 直连，适合大规模计算。
扣分证据：需注册 + 审核，非即时获取；AWS 桶虽在 Open Data Registry 但为 Controlled Access，易误判；基因型单独受限；无公开的元数据摘要表（供快速评估）。

8c.3 Interoperability 15/20 的证据

加分证据：CELLxGENE schema 标准化；h5ad/AnnData 生态；dreamlet/crumblr 在 Bioconductor 生态；iBrainMap 提供预训练模型与教程。
扣分证据：原始数据为 STARsolo 输出，与 CellRanger 生态不完全等价；受控部分无法直接接入在线分析平台（如 CELLxGENE 的在线分析工具）；注释层级的三级命名在不同论文间需核对。

8c.4 Metadata 17/20 的证据

加分证据：诊断多值编码、33 种诊断、19 项 NPS、AD 病理评分组合（CERAD/Braak/CDR）、祖源五大群体、PMI、脑库、性别核验方法均有记录；注释三级层级（class/subclass/subtype）。
扣分证据：字段级数据字典未在公开文档中完整给出；NPS 的编码细则在补充材料中；55 项诊断/症状的编码表未统一公开。

8c.5 Sustainability 18/20 的证据

加分证据：NIA 资助（U24AG061340）；Sage Bionetworks 专业托管；ADKP 月度发布机制成熟；联盟公开计划扩展到 1 万例；AWS Open Data 注册意味着长期可见性。
扣分证据：单一资助渠道；AWS 与 Synapse 的同步延迟无 SLA；注释版本升级可能破坏旧分析的复现性。

§8d 与评测基准类条目的关系

库内有一批"评测基准"类条目（如 topbrain2026(632) 这类挑战赛数据集），它们的特征是"固定划分 + 固定指标 + 排行榜"。PsychAD 不属于这一类：它没有官方划分、没有排行榜，评测由使用者自定义。
两种资源的使用方式不同：

• 基准类：直接跑、提交、比排名，适合"验证一个模型是否 SOTA"；
• 资源类（如 PsychAD）：自己设计任务与划分，适合"发现新生物学"或"验证一个方法在真实异质数据上的鲁棒性"。

若你的论文需要"在标准基准上比较"，PsychAD 不是合适的选择；若需要"在大规模真实队列上验证"，它是更好的选择。两者可以并用：先在基准上证明方法有效，再在 PsychAD 上证明可扩展。

§8e 评分的敏感性分析

DAIMS 打分带有主观判断，做一次敏感性分析有助于判断结论稳健性：

情形	总分变化
若把"受控访问"视为可接受（合规必要）	Accessibility 可上调至 15，总分 82
若严格按"完全开放才算可访问"	Accessibility 下调至 6，总分 73
若把代码开源纳入评分	加至 95 左右
若把"无 GEO 编号"视为重大缺陷	Discoverability 下调至 12，总分 74

结论：分数区间大致 73-82（不含代码维度），中位 79。这个区间说明 PsychAD 的可用性评价对"开放级别"的权重高度敏感——这也是所有受控数据资源的共性。本条目选择 79，理由是"合规限制不应被等同于资源质量缺陷"。

§8f 与"AI-Ready"评级的关系

千方病案医数集的 AI-Ready 定位关注"数据能否被 AI 流水线直接消费"。对 PsychAD 的评估可以落到四项：

要素	状态	说明
结构化元数据	强	供体表字段完整、诊断多值、NPS 独立列
机器学习就绪格式	中强	h5ad/AnnData 标准，但受控访问阻断了"一键加载"
标注/标签质量	强	三级注释 + 临床诊断 + 病理评分三重标签
许可清晰度	中	DUA 清晰但非标准 CC，自动化流水线无法直接判断合规

"机器学习就绪格式"给中强而非强，原因很实际：所有公开的 load_dataset 式一键加载在 PsychAD 上都失效。你需要先过 DUA，再写下载脚本，再处理分片合并。这对人类研究者是几天的活，对自动化流水线是结构性障碍。
“许可清晰度"给中，是因为 DUA 是"人读的合同"而非"机器可读的许可标识”。若未来 ADKP 提供 SPDX 式的许可标签（如 DUA-ADKP-1.0），这一项可升为强。

§9 使用实践：从申请到跑通

9.1 最小可行流程

第 0 步：确认需求边界。
先问三个问题：是否需要基因型（若否，可只申请表达矩阵，审核更快）？是否需要原始 FASTQ（若否，用处理矩阵即可，省 TB 级流量）？是否需要全部 1,494 例（若只做 AD，可以只取 519 例 + 420 对照，本地资源需求降一半以上）？
第 1 步：DUA 与账号。
Synapse 注册 → AD Knowledge Portal 提交 DUA → 等待审核 → 获得 syn60084804 的下载权限。把这一步排进项目计划的关键路径。
第 2 步：小样本试通。
先用单个池或单个供体验证工具链（读矩阵、看 obs 列、确认注释层级字段名），再拉全量。直接在 632 万核上调试代码是最大的时间浪费源。
第 3 步：读取与合并。
处理矩阵通常按供体或按池分片。合并时用 anndata.concat 的 join="outer" 并显式设置 index_unique，避免条码冲突；合并后立刻检查 obs 的 donor_id 唯一值数是否等于你下载的供体数——这是坑 8 的现场检查点。
第 4 步：伪批量聚合。
按 donor_id × cell_type 聚合计数，得到伪批量矩阵。每一步都记录过滤掉的供体（核数 < 50、诊断缺失、无基因型），最后核对剩余样本数。
第 5 步：建模。
dreamlet 的公式大致形如 ~ diagnosis + age + sex + pmi + brain_bank + (1|donor)；若做跨脑库分析，加脑库固定效应；若做祖源特异分析，加前十主成分。
第 6 步：敏感性分析。
至少做三组：去掉共病样本重跑、按脑库分别跑、按年龄窗口重跑（SCZ ≥17 岁 / 神经退行性 ≥60 岁）。三组结论方向一致，才敢写进论文。

9.2 资源估算

环节	量级	说明
处理矩阵下载	数十至数百 GB（取决于是否含原始计数与全部基因）	受控，需 DUA
原始 FASTQ/BAM	TB 级	561 池 × 双 lane，仅在需要重新比对时使用
本地内存	建议 ≥128 GB	632 万核 × 数万基因的稀疏矩阵，全量载入需大内存
计算	伪批量后规模骤降	聚合到供体×细胞类型后，样本数约 1,494 × 8-27，普通服务器可跑

关键洞察：632 万核不需要一次性全载入。先按需下载分片、逐片聚合成伪批量、丢弃单核矩阵，是资源受限团队的标准打法。

9.3 常见错误与对策

错误	后果	对策
逐核差异表达	假阳性爆炸	一律伪批量
核级随机划分训练/测试	性能高估	供体级或脑库级划分
忽略脑库固定效应	把机构差异当疾病效应	模型加 brain_bank
用样本编号去重	同一供体重复计数	用 donor_id
直接比较不同论文的细胞比例	注释版本不同导致不可比	用同一版注释重算
把 NPS 小样本症状做预测	过拟合	报告样本量与 CI，或合并症状群

9.4 与库内条目的组合用法

• 与 brain-snrna-ad-atlas(1199) 组合：前者核数更多、聚焦 AD，可用于 AD 结论的外部复现；PsychAD 用于跨疾病扩展。
• 与 cellxgene(38) 组合：用 CELLxGENE 做 PsychAD 的探索性浏览，正式分析回 Synapse。
• 与 allen-brain-atlas(275) 组合：Allen 提供解剖与细胞类型参考系，PsychAD 提供疾病态人群规模数据。
• 与 healthy-brain-network(245) 组合：HBN 覆盖儿童青少年脑发育，PsychAD 覆盖 0-108 岁，两者可拼接成"发育-成年-老年"的连续叙事，但注意模态不同（影像 vs 转录组），只能做概念级对照。
• 与 topbrain2026(632) 组合：后者是全脑血管分割挑战，与 PsychAD 无直接数据重叠，但可作为"脑影像 + 脑组学"跨模态综述的互链点。

§9b 复现案例：一个可执行的分析骨架

下面给出一个抽象的分析骨架（不含具体数据路径，因为受控数据路径因人而异），用于说明各步骤的先后依赖：
阶段一：数据准备

• 申请 DUA，获取元数据表；
• 检查 donor_id 唯一性（应等于 1,494）；
• 检查 n_nuclei ≥ 50 的供体数（应接近 1,494，若少很多说明下载不完整）；
• 检查 has_genotype 为真的供体数（应为 1,381）。

阶段二：分层

• 按 brain_bank 分层，画出诊断 × 脑库的交叉表；
• 按 age 画出各诊断的年龄分布，确认 SCZ 主要在 <60 岁、AD 主要在 >60 岁；
• 按 ancestry 画出各脑库的祖源构成。

阶段三：伪批量

• 按 donor_id × class 聚合计数；
• 记录每个 donor_id × class 组合的核数，剔除核数 <10 的组合（阈值可调）；
• 保存伪批量矩阵与样本表（含协变量）。

阶段四：建模

• 对每个 class 单独拟合 ~ diagnosis + age + sex + pmi + brain_bank；
• 用 dreamlet 的 dreamlet 函数或等价的 limma-voom；
• 提取 diagnosis 的系数与 p 值，做 BH 校正。

阶段五：敏感性

• 去掉共病样本（n_diagnoses ≥2）重跑；
• 只用 MSSM 重跑；
• 只用 age ≥60 重跑；
• 比较三次结果与主结果的方向一致性。

阶段六：报告

• 报告每个 class 的样本数（供体数）；
• 报告三次敏感性分析的方向一致率；
• 明确声明"横断面数据，不做因果推断"。

这个骨架的每一阶段都有明确的可检查产物，便于团队分工与审稿人核查。它不依赖任何特定软件包，dreamlet 可换成 limma-voom 或 DESeq2 的伪批量模式。

§9c 团队协作的分工建议

PsychAD 规模大到单个研究者难以独立消化，团队分工建议如下：

角色	职责	交付物
数据合规负责人	DUA 申请、机构签署、存储环境	获批的 DUA、受控存储路径
数据工程师	分片下载、矩阵合并、伪批量聚合	伪批量矩阵 + 样本表
统计学家	模型设计、协变量选择、敏感性分析	建模代码 + 结果表
生物学家	细胞类型解读、通路分析、文献对照	生物学解释
方法学审阅	划分策略、泄漏检查、复现核对	审阅报告

最容易出问题的接口是"数据工程师 → 统计学家"：若伪批量矩阵的样本顺序与样本表的行顺序不一致，模型会把协变量贴错样本，结果全错且难以察觉。解决办法是在聚合阶段就生成唯一的 sample_id 并写入矩阵的列名，让后续所有步骤用 sample_id 而非位置索引对齐（这正是 R001 教训在数据层面的翻版：任何槽位与结果的映射必须用键匹配，绝不用位置对齐）。

§9d 三个失败的复现案例（模式化）

以下是文献与实践中反复出现的失败模式，按"症状—根因—修复"整理：
失败模式 A：DEG 全阳性。
症状：几乎所有基因都显著。根因：逐核检验 + 未做多重校正 + 大样本导致的 p 值通胀。修复：改伪批量、BH 校正、报告效应量。
失败模式 B：跨库验证性能断崖。
症状：MSSM 内部交叉验证 AUC 0.95，迁到 RADC 掉到 0.6。根因：脑库效应被模型当作信号学习。修复：训练时加脑库固定效应或对抗训练，评估时按库分组。
失败模式 C：亚型分析不可复现。
症状：某亚型的 DEG 在两次运行间差异巨大。根因：该亚型核数少、供体覆盖低，结果由少数供体主导。修复：报告每亚型的供体数，低于阈值时合并或放弃。
这三个模式的共同点是：它们都不是代码 bug，而是统计设计的缺陷。PsychAD 的规模会放大这些缺陷，因为大样本让小错误也"显著"。

§9e 常见工作流的具体命令骨架

以下为示意性骨架，路径与函数名以实际 DUA 通过后的目录结构为准。

# 1. 登录与下载（示意）
import synapseclient
syn = synapseclient.Synapse()
syn.login()
entity = syn.get("syn60084804", downloadLocation="./psychad_meta", ifcollision="overwrite.local")

# 2. 分片读取与聚合（示意）
import anndata as ad
import pandas as pd
parts = [ad.read_h5ad(p) for p in part_paths]
adatas = ad.concat(parts, join="outer", index_unique="-", label="part")
print(adatas.obs["donor_id"].nunique())  # 应接近 1,494

# 3. 伪批量（示意，具体实现用 decoupler 或自制 groupby）
import decoupler as dc
pdata = dc.get_pseudobulk(adatas, sample_col="donor_id", groups_col="class", mode="sum")

# 4. 差异表达（R，dreamlet）
library(dreamlet)
res = dreamlet(formula = ~ diagnosis + age + sex + pmi + brain_bank,
               data = pdata, assay = "counts")
topTable(res, coef = "diagnosisAD")

# 5. 组成分析（R，crumblr）
library(crumblr)
fit = crumblr(counts_matrix, ~ diagnosis + age + brain_bank)

五段骨架的共同原则：每一步都打印样本数并核对。数字不对，立即停下查，不要在错误的基础上继续往下跑。

§10 生态、争议与展望

10.1 联盟与资助结构

PsychAD Consortium 由 NIA 资助，Mount Sinai 为牵头机构，通讯 PI 为 Panos Roussos（西奈山伊坎医学院转化精神病学教授、疾病神经基因组学中心主任，同时兼任 James J. Peters VA 医学中心精准医学与转化治疗中心主任）。联盟横跨美国与全球多家机构，论文作者名单里可见 Rush（David Bennett、Lisa Barnes）、NIMH（Stefano Marenco、Pavan Auluck）等关键合作方。
这种"多机构 + 多脑库 + 单一资助"的结构，是它能做出 1,494 例的关键，也是它所有偏斜的根源——脑库有什么，联盟就只能用什么。

10.2 主要争议与局限

争议一：死后组织的因果性。
所有结论都是横断面的。新闻稿自己也写明：“current analysis compares gene expression in postmortem brain tissue and therefore cannot directly demonstrate whether particular cellular changes are causes or consequences of disease.” 任何"X 基因导致 Y 疾病"的表述都超出了数据能力。
争议二：细胞类型注释的循环性。
注释是聚类产物，聚类又依赖注释体系。跨论文的"同一亚型"未必是同一群细胞。PsychAD 用统一流程缓解了这个问题（相对于各论文各标各的），但没有彻底解决。
争议三：抗精神病药物的混杂。
SCZ 与 BD 供体多数长期服药，药物对转录组的影响与疾病效应难以分离。数据集没有提供系统的用药记录字段（至少在公开的元数据结构中未强调），这是所有精神疾病死后脑研究的共同短板。
争议四：规模叙事的通胀。
“6.3 million nuclei” 是投入量与 QC 后的净结果，但对特定亚型（如某些中间神经元）而言，每供体可用核数可能只有个位数。规模优势在 class 级成立，在 subtype 级会被大幅稀释。

10.3 路线图

联盟公开表示计划把样本规模扩展到 1 万例，并持续整合全球单细胞数据集。若实现，PsychAD 将从"最大跨疾病 DLPFC 图谱"升级为"人脑疾病单细胞的公共底座"。对使用者而言，这意味着两件事：一是未来需要处理版本迁移（注释体系可能升级，旧分析需重跑）；二是当前基于 1,494 例的结论需要在更大样本上复核。

10.4 建议互链点

条目	rid	互链理由
brain-snrna-ad-atlas	1199	同为 AD 死后脑 snRNA 图谱，核数更大，可作外部复现源
cellxgene	38	PsychAD 的公开可视化入口宿主平台
allen-brain-atlas	275	细胞类型与解剖参考系
healthy-brain-network	245	生命周期早期端（儿童青少年）对照
topbrain2026	632	跨模态（脑血管影像）互链，用于脑科学综述检索面

附录 A：来源清单

编号	来源	地址	用途
S1	Fullard JF, et al. Population-scale cross-disorder atlas of the human prefrontal cortex at single-cell resolution. Sci Data. 2025;12:954	doi:10.1038/s41597-025-04687-5	主锚点：队列、QC、流程、诊断计数
S2	同上，PMC 全文版	PMC12144096	精确数字（6,320,459 核、561 池、1,381 基因型、377 重复）
S3	AWS Registry of Open Data — MSSM_PsychAD	registry.opendata.aws/mssm-psych-ad/	S3 桶名、ARN、区域、访问类型、引用格式
S4	Mount Sinai 新闻稿（九篇论文打包）	mountsinai.org/about/newsroom/2026/…	联盟结构、PI、九篇分工、1 万例计划
S5	Nature 全生命周期论文补充材料	10.1038/s41586-026-10271-7 MOESM1	脑库构成、三级分类数、Synapse/CELLxGENE 链接
S6	Nature Communications（iBrainMap）	10.1038/s41467-026-72310-1	DUA 说明、CELLxGENE 合集 ID、代码仓库
S7	medRxiv 预印本（GRN）	medrxiv 1214252	syn52146347（SEA-AD）、GRN 代码仓库

附录 B：关键数字速查

数字	含义
1,494	供体数
6,320,459	QC 后细胞核数
1,042 / 300 / 152	MSSM / HBCC / RADC 供体数
561	测序池数
21,238	每池平均核数
1,381	有基因型的供体数（92%）
377	KING 识别的重复样本数
320（21%）	共病供体数
420（28%）	神经典型对照数
519	AD 例数
177	SCZ 例数
8 / 27 / 65-67	class / subclass / subtype 数
1,100-12,500	细胞级基因数阈值
1,500-110,000	细胞级 UMI 阈值
<5%	线粒体 reads 阈值
≥50	供体级核数下限
0-108	年龄跨度（岁）
24 / 60	细胞组成变化拐点（岁）

附录 C：缩写表

缩写	全称
PsychAD	Psychosis and Alzheimer’s Disease（联盟项目名）
DLPFC	Dorsolateral Prefrontal Cortex，背外侧前额叶皮层
snRNA-seq	Single-nucleus RNA sequencing，单核 RNA 测序
DUA	Data Use Agreement，数据使用协议
ADKP	AD Knowledge Portal
AMP-AD	Accelerating Medicines Partnership — Alzheimer’s Disease
NIA	National Institute on Aging
MSSM	Mount Sinai School of Medicine（西奈山伊坎医学院）
HBCC	Human Brain Collection Core（NIMH）
RADC	Rush Alzheimer’s Disease Center
AD / SCZ / BD / PD / DLBD / VaD	阿尔茨海默病 / 精神分裂症 / 双相障碍 / 帕金森病 / 弥漫性路易体病 / 血管性痴呆
NPS	Neuropsychiatric Symptoms，神经精神症状
PMI	Postmortem Interval，尸检间隔
FANS	Fluorescence-Activated Nuclear Sorting，荧光激活核分选
HTO	Hashtag Oligonucleotide
OPC	Oligodendrocyte Precursor Cell，少突胶质前体细胞
VLMC	Vascular Leptomeningeal Cell
GRN	Gene Regulatory Network
TWAS	Transcriptome-Wide Association Study
DEG	Differentially Expressed Gene
DAIMS	Discoverability / Accessibility / Interoperability / Metadata / Sustainability

附录 D：基于本数据集的研究检查清单（12 项）

1. DUA 前置：把数据申请排进关键路径，不要等分析做完才申请。
2. 入口正确：走 syn60084804 或 ADKP，不要在 GEO 里找。
3. 组学边界：确认你不假设数据集含 ATAC 或甲基化。
4. 供体去重：用 donor_id，不是样本编号；核对 1,494。
5. 分层声明：任何跨诊断结论必须报告脑库分层结果。
6. 年龄窗口：SCZ ≥17 岁、神经退行性 ≥60 岁。
7. QC 对齐：若自行处理原始数据，逐条对齐四条阈值。
8. 伪批量：差异表达一律伪批量，禁逐核检验。
9. 划分方式：供体级或脑库级划分，禁核级随机划分。
10. 亚型口径：注明 65 还是 67，以及用的哪版注释。
11. 因果克制：横断面数据，不写因果结论。
12. 引用完整：数据引 Sci Data，结论引对应 Nature 系族论文，致谢写 U24AG061340。

附录 E：检索路径示范

目标	推荐查询式	预期命中
数据论文	“PsychAD” AND “dorsolateral prefrontal” AND “single-nucleus” AND “1,494”	Sci Data 12:954
数据仓库	site:adknowledgeportal.org PsychAD / syn60084804	ADKP 研究页
云端	site:registry.opendata.aws psychad	MSSM_PsychAD 注册页
可视化	cellxgene 84ce6837-548d-4a1f-919f-0bc0d9a3952f	CELLxGENE 合集
方法工具	dreamlet pseudobulk Bioconductor / crumblr compositional	两篇 Nat Commun
反例（勿用）	“PsychAD GSE” / “PsychAD ATAC-seq dataset”	无本体命中（坑 1、坑 2）

附录 F：遗留疑点

1. 总数据体积未公开：Sci Data 正文、PMC 全文、AWS 注册页均未给出 TB 级总量，无法估算本地存储需求。
2. 文件格式清单未逐项列明：仅表述为 “raw and processed sequencing data”，具体 h5ad/loom/mtx 的分片方式需在 DUA 通过后查看目录树。
3. 跨脑库基线性能未知：论文未提供 leave-one-brain-bank-out 的注释或 DEG 性能，使用者需自建。
4. NPS 编码细则：19 项症状的二值化/序数化规则在补充材料中，正文未展开。
5. psychad.info 不可达：本轮核验时该域名访问失败（fetch failed），未作为官方入口采信；真实入口以 ADKP 与 AWS 注册页为准。

附录 G：术语中英对照与首现位置

中文	英文	本条目首现节
背外侧前额叶皮层	dorsolateral prefrontal cortex (DLPFC)	导语
单核 RNA 测序	single-nucleus RNA sequencing (snRNA-seq)	§0
数据使用协议	Data Use Agreement (DUA)	§0
核哈希	nuclear hashing	§2.3
荧光激活核分选	FANS	§2.5
去多重	demultiplexing	§2.5
伪批量	pseudobulk	§4.2
细胞组成数据	compositional data	§4.3
转录组关联研究	TWAS	§4.4
神经精神症状	neuropsychiatric symptoms (NPS)	§3.4
少突胶质前体细胞	oligodendrocyte precursor cell (OPC)	§3.3
血管软膜细胞	vascular leptomeningeal cell (VLMC)	附录 C

附录 H：常见问题补充问答

问：PsychAD 的 1,494 例里，有多少是"健康对照"？
420 例（28%）无任何主要诊断。但要注意"无诊断"不等于"无病理"——部分供体可能有未达诊断阈值的 AD 病理改变。
问：为什么 AD 有 519 例，SCZ 只有 177 例？
因为脑库的供给结构：MSSM 与 RADC 是 AD 重镇，HBCC 提供年轻的精神疾病供体但总量只有 300 例。这不是设计偏倚，是既有队列的现实。
问：能否只用 420 例对照做"正常脑图谱"？
可以，但要与专门的正常图谱（如 Allen Brain Atlas、库内 brain-snrna-ad-atlas 中的对照部分）交叉验证。420 例对照的年龄分布偏向老年（MSSM 与 RADC 主导），不适合做全生命周期正常图谱——那是 Yang 等用 284 例专门筛选的神经典型队列做的事。
问：数据会不会有版本更新导致旧分析失效？
会。ADKP 按月发布，联盟计划扩展到 1 万例。缓解办法：在论文中写明下载日期与 Synapse 版本号（若提供），并保留原始的元数据快照。
问：能否把 PsychAD 的数据上传到自己的云平台？
DUA 通常限制再分发。可以上传到你自己机构的受控环境，但不能公开发布或转给第三方。具体条款以你签署的 DUA 为准。
问：如果只想验证一个假设，最小可用数据是什么？
元数据表（含诊断、年龄、性别、脑库）+ 你关心的细胞类型的伪批量矩阵。这两样通常几百 MB，DUA 通过后几天内可拿到，足以做初步的方向性验证。

附录 I：本条目写作方法说明

本条目遵循千方病案医数集 AI-Ready Wikipedia 的写作规范，核心纪律是"每个数字有来源、每处冲突有存照"。
核验流程：先以 WebSearch 定位官方页面与论文，再用 WebFetch 抓取一手来源（PMC 全文、AWS 注册页、Nature 补充材料 PDF），最后用数据库查询确认库内无同名条目并与互链条目对齐 rid。
冲突处理：当论文正文、补充材料、新闻稿、官方页面给出不同数字时，一律以论文正文为准，并在 §6.4 与坑点表中记录差异与采用理由。
不写什么：本条目不转述 Nature 主论文的具体生物学发现细节（那属于另一类条目），不复制论文图表，不提供数据下载链接的镜像，不评价研究质量优劣——只描述资源本身的结构、边界与用法。
时点：所有"当前"表述均指 2026-10-17。联盟扩展到 1 万例的计划、ADKP 的发布节奏、论文的引用计数都会随时间变化，引用本条目时应核对时点。

附录 J：文件命名与目录约定（推断）

由于受控访问，完整的目录树未公开。根据论文描述与 Synapse 惯例，可推断如下命名模式（供申请通过后核对）：

层级	可能的命名	说明
研究根	syn52160016	MSSM_PsychAD 研究详情页
数据集根	syn60084804	The PsychAD Dataset
原始数据	按池号分目录，如 pool_XXX/	561 池
处理矩阵	按供体或按细胞类型分片	便于增量下载
基因型	genotype/ 下分 SNP array 与 WGS	通常单独权限
元数据	metadata/ 下含 donor、sample、NPS 表	优先申请

上表为推断而非事实，实际以 DUA 通过后的目录树为准。列在这里的目的是让申请者在填"数据需求"栏时能更精确地描述需要的子集，加快审核。

附录 K：与其他大规模联盟项目的比较

项目	主导	数据形态	开放级别	与 PsychAD 的区别
PsychAD	Mount Sinai / NIA	snRNA + 基因型，DLPFC	受控 DUA	本体
AMP-AD（整体）	多机构 / NIA	多组学，多脑区	受控 DUA	PsychAD 是 AMP-AD 生态的一个研究
BICAN	NIH	多物种脑图谱	分级开放	覆盖更广，人脑疾病态样本少
Human Cell Atlas	国际联盟	多组织单细胞	多为公开	疾病态覆盖不如 PsychAD 集中
SEA-AD	Allen Institute	AD 多脑区	Synapse 受控	脑区广、疾病谱窄

这张表说明：PsychAD 在 AMP-AD 生态内，是该生态中疾病谱最宽、样本量最大的 DLPFC 研究。引用时应写"AMP-AD Knowledge Portal 托管的 PsychAD 研究"，而不是"独立的数据库"。

附录 L：常见误解的逐条澄清

误解 1：PsychAD 是一个数据库产品。
不是。它是一个科研联盟及其产出的数据集合，托管在 AD Knowledge Portal 上。没有独立的"PsychAD 官网"提供下载（psychad.info 在本轮核验中不可达，不作为入口）。
误解 2：PsychAD 只研究阿尔茨海默病。
名字里的 “AD” 容易误导。它覆盖 33 种诊断，包括精神分裂症、双相障碍、帕金森病、路易体痴呆、血管性痴呆。AD 只是其中样本最多的一个。
误解 3：数据是全公开的。
受控访问。论文写的是"shared early without embargo"，不是"publicly downloadable"。
误解 4：有 snATAC-seq。
没有。只有 snRNA-seq 与基因型。既往多组学数据是可选的补充资源。
误解 5：632 万核可以一次装进内存。
稀疏矩阵可能可以，但加上基因注释与元数据后，128 GB 内存是保守下限。建议分批。
误解 6：可以用 CellRanger 重跑得到完全相同的矩阵。
不会。STARsolo 与 CellRanger 的参数不同，结果不完全一致。复现应以论文发布的矩阵为准。
误解 7：联盟内部的九篇论文用的是同一版注释。
未必。65 vs 67 的差异提示存在版本差异。跨论文合用时必须核对注释版本。
误解 8：共病样本可以简单合并到各疾病组。
这会造成人为的共性。正确做法是把共病作为独立协变量或独立分析组。
误解 9：NPS 数据覆盖全部 1,494 例。
主要覆盖 MSSM 子集，且各症状覆盖人数从 23 到 438 不等。
误解 10：可以用这个数据做临床诊断模型。
DUA 通常禁止将数据用于临床决策，且横断面死后数据本身不适合诊断建模。

附录 M：本条目的事实核对表

事实	来源	核对状态
1,494 例供体	S1/S2/S3	三源一致
6,320,459 核	S2 补充图	精确值
MSSM 1,042 / HBCC 300 / RADC 152	S2/S5	两源一致
561 测序池	S2	单源，可信
21,238 平均核/池	S2（计算值）	由总数与池数推算
1,381 例基因型（92%）	S2	单源
377 例重复样本	S2	单源
21% 共病（320 例）	S1/S2	两源一致
420 例对照（28%）	S2	单源
AD 519 / SCZ 177 / DLBD 112 / VaD 85 / BD 72 / PD 48	S2	单源
class 8 / subclass 27	S2/S5	两源一致
subtype 65 或 67	S2 vs S5	冲突，已存照
10x 3′ v3.1	S2	单源
1,100-12,500 基因数阈值	S2	单源
1,500-110,000 UMI 阈值	S2	单源
线粒体 <5%	S2	单源
供体 ≥50 核	S2	单源
syn60084804	S1/S5/S6	三源一致
syn52160016	S3	单源
S3 桶 ARN 与区域	S3	官方页
CELLxGENE 合集 ID	S5/S6	两源一致
DUA 说明	S6	引文原文
1 万例扩展计划	S4	新闻稿
U24AG061340	S3	官方页

表中"单源"的条目并非不可信，而是本轮核验中只在一个来源命中。使用时若条件允许，可到 Synapse 页面二次核对。

附录 N：数据规模的多维换算

为了让"632 万核"这个数字有实感，做几组换算：

换算	结果	说明
每供体平均核数	约 4,230	6,320,459 ÷ 1,494
每池平均核数	约 11,266（按实际供体算）	若按 561 池与 1,494 供体
论文给出的每池均值	21,238	按池内文库满载估算
每样本设计核数	60,000	6 文库 × 10,000
核数相对设计值的留存	约 6.3%（21,238/336,000 量级）	含去多重与 QC 损失
若按 1 核 1 个 3′ 转录本组	632 万核 ≈ 一个中等城市的常住人口量级	仅作直观参照

最后一行的换算只是帮助建立直觉，没有科学含义。真正有意义的换算是第二到第五行：它们告诉你"投入产出比"，也就是复现时要对齐的损失链条。

附录 O：英文检索模板

目的	检索式
找数据论文	"PsychAD" AND "Scientific Data" AND "prefrontal"
找主论文	"6,320,459" OR "1,494 donors" AND "psychAD"
找 Synapse	syn60084804 或 "The PsychAD Dataset"
找 AWS	"mssm-psych-ad" 或 "MSSM_PsychAD"
找 CELLxGENE	84ce6837-548d-4a1f-919f-0bc0d9a3952f
找工具	dreamlet pseudobulk / crumblr compositional
找方法对照	"single-nucleus" AND "prefrontal" AND "cross-disorder"

附录 P：关键 DOI 与 ID 汇总

标识	值	类型
数据论文 DOI	10.1038/s41597-025-04687-5	DOI
数据论文 PMID	40480991	PubMed
数据论文 PMC	PMC12144096	PMC
主论文 DOI（跨疾病）	10.1038/s41586-025-09573-z	DOI
全生命周期论文 DOI	10.1038/s41586-026-10271-7	DOI
遗传调控论文 DOI	10.1038/s41586-026-10836-6	DOI
iBrainMap 论文 DOI	10.1038/s41467-026-72310-1	DOI
Synapse 主数据集	syn60084804	Synapse
Synapse 研究页	syn52160016	Synapse
Synapse 文档	10.7303/9618136	DOI
SEA-AD	syn52146347	Synapse
CELLxGENE 合集	84ce6837-548d-4a1f-919f-0bc0d9a3952f	UUID
AWS ARN	arn:aws:s3:::mssm-psych-ad.opendata.sagebase.org	ARN
资助编号	U24AG061340	NIH
代码仓库	DiseaseNeuroGenomics/psychAD_SciData	GitHub
GRN 代码	DiseaseNeuroGenomics/PsychAD_GRN	GitHub
iBrainMap 代码	daifengwanglab/iBrainMap	GitHub

附录 Q：读论文的顺序建议

若你只有半天时间了解这个数据集，建议按以下顺序读：

1. Sci Data 摘要 + 数据可用性段（10 分钟）：拿到规模、访问方式、关键 ID；
2. Sci Data 的 Background & Summary（20 分钟）：理解队列构成与设计动机；
3. Sci Data 的 Methods 中的样本与 QC 小节（30 分钟）：拿到所有阈值与流程；
4. 补充材料 Figure N1（10 分钟）：看队列结构图与三级分类数；
5. Nature 主论文摘要（10 分钟）：了解这批数据被用来做了什么；
6. AWS 注册页（5 分钟）：确认云端访问方式与引用格式；
7. CELLxGENE 合集的 schema（15 分钟）：了解公开视图的字段。
   不建读的部分：Nature 主论文的详细结果（除非你要引用具体生物学发现）、九篇论文的全部方法（除非你要复现某一篇的具体分析）。数据资源条目的核心是"数据长什么样、怎么拿、边界在哪"，不是"发现了什么"。

附录 R：一分钟速查卡

数据入口是 Synapse syn60084804 与 AWS mssm-psych-ad.opendata.sagebase.org，两者都要过 ADKP 的 DUA，没有 GEO 编号。规模为 1,494 例供体、6,320,459 核、33 种诊断、420 例对照（28%）、共病 320 例（21%），脑区仅 DLPFC，组学仅 snRNA-seq + 基因型（无 ATAC、无甲基化）。测序平台是 10x 3′ v3.1 + TotalSeq-A 核哈希，比对用 STARsolo + hg38，整合用 Harmony，聚类用分层 Leiden，注释为 8 class / 27 subclass / 65-67 subtype。分析侧差异表达走 dreamlet 伪批量，组成分析走 crumblr，可视化看 CELLxGENE 84ce6837-548d-4a1f-919f-0bc0d9a3952f。主要论文是 Sci Data 2025;12:954，牵头方 Mount Sinai，PI 为 Panos Roussos，资助号 U24AG061340。三大陷阱依次是：以为是公开可下载（实为受控）、以为含 ATAC（实为没有）、以为有 GEO 编号（实为没有）。

附录 S：本条目未覆盖的内容

为保持边界清晰，以下内容本条目不展开，读者可自行查阅对应来源：

• Nature 主论文的具体基因与通路发现（见 10.1038/s41586-025-09573-z）；
• 全生命周期论文的详细轨迹模型与统计方法（见 10.1038/s41586-026-10271-7）；
• 遗传调控与 TWAS 的具体位点（见 10.1038/s41586-026-10836-6 与 Nature Genetics 论文）；
• dreamlet 与 crumblr 的算法细节（见两篇 Nature Communications 论文）；
• 伦理审批的机构清单（见 iBrainMap 论文的 Ethics 段）；
• 各家脑库的取材与随访流程（见各脑库的独立方法学论文）。

边界的意义在于：数据资源条目的价值是"让人能正确地开始使用"，而不是"替人做完整篇论文的文献综述"。上述每一项都值得单独成文，混在一起反而稀释了"怎么拿、怎么用、坑在哪"这三个核心问题。

附录 T：三个访谈式问题与回答

以问答形式补充三类最常被问到、但正文未展开的问题。
问：如果我只关心 AD，为什么不用专门的 AD 单细胞数据集，而要用 PsychAD？
答：两个理由。第一是统计功效：519 例 AD + 420 例对照，在 class 级与多数 subclass 级足以支撑稳健的差异表达与组成分析，而多数专门 AD 数据集的病例数在几十到两百之间。第二是对照的质量：PsychAD 的 420 例对照来自同一批脑库、同一套处理流程、同一批测序池，批次结构可被建模；跨数据集拼凑的"病例 + 对照"永远受批次混淆困扰。代价是你要接受它更复杂的协变量结构（脑库、祖源、年龄都在拉扯）。如果你的问题非常聚焦（如某一亚型的罕见状态），专门数据集可能更合适；如果要做"稳健的队列级结论"，PsychAD 的优势明显。
问：这份数据能不能用来训练模型？
答：技术上可以，合规上要看清。DUA 通常允许"在受控环境中训练模型"，但禁止"把数据或可反推数据的模型权重公开分发"。实践中的边界是：你可以发布模型的架构与在公开基准上的权重，但不能发布可能在训练中记忆了个体表达谱的权重。对于 1,494 例、632 万核的规模，记忆风险低于小样本数据集，但不是零。若你的模型要在 ADKP 数据上预训练并公开权重，建议先与 Sage Bionetworks 确认，并在模型卡（model card）中声明训练数据来源与不可再分发条款。
问：为什么同一份数据在不同论文里数字对不上？
答：三个来源。一是注释版本（65 vs 67，见坑 4）；二是子集定义（“AD 组"是否含共病，见 §2c.1）；三是QC 再过滤（部分论文在 PsychAD 的 QC 之后又做了一轮自己的过滤，核数下降）。这三者叠加，会让"同一样本量"在不同论文里出现数百到数千的差异。核对方法是：看论文的 Methods 是否写明"基于哪个 Synapse 版本、用哪份注释文件、额外过滤条件是什么”。写明的可复现，没写明的只能当归一化描述。

附录 U：本条目的一句话总结

PsychAD 是一个以"可比性"为核心设计目标的人脑单核转录组资源：它用统一的平台、统一的流程、统一的注释，把 1,494 例跨 33 种诊断的背外侧前额叶样本放进同一坐标系，并以受控访问的方式向学术界开放；它的价值不在核数排名，而在"跨疾病、同流程、可合规使用"这三点同时成立，而这三点也恰好定义了它的全部使用边界——单一脑区、横断面、受控访问、来源偏斜。

附录 V：与其他条目的写作对照

本条目在结构上参照了库内金标准（panda-plus）的章节骨架，但做了三处针对性调整，理由如下：
调整一：§2 拆成多节（2.1-2.6 + 2b-2j）。 单细胞数据的"规格"不是一张参数表，而是"队列—平台—QC—注释"四层结构，每层都有独立的坑。合成一节会损失可检索性。
调整二：§7 不设排行榜，改为"评测设计指南"。 PsychAD 无官方基准，硬造排行榜是误导。改为给出四类可评估任务的口径，更符合资源型数据集的实际。
调整三：DAIMS 打分附证据链（§8c）。 打分若不给依据，读者无法判断是否可采信。逐项列证据与扣分理由，便于后续维护者复核与更新。
这三处调整的原则是同一条：资源型条目要写"边界与方法"，而不是"结论与排名"。

附录 W：术语的中文表达选择说明

本条目的中文表达做了若干取舍，说明如下，供后续维护者统一：

• “单核转录组” 而非"单细胞转录组"：PsychAD 测的是核而非完整细胞，二者数据特征不同（核内 RNA 组成、线粒体比例、基因检出数），混用会误导。
• “受控访问” 而非"受限访问"：这是 NIH/ADKP 的标准译法，与 Controlled Access 对应，有明确制度含义。
• “共病” 而非"并发疾病"：comorbidity 在精神疾病语境的通行译法。
• “伪批量” 而非"假批量"：pseudobulk 的通行译法。
• “背外侧前额叶皮层” 首次出现时标英文全称，后续用 DLPFC 缩写，避免长句累赘。
• “神经典型” 而非"正常"：neurotypical 的对应译法，避免将对照污名化或绝对化。

这些选择不影响事实，但影响检索一致性与语言伦理。库内后续若有同主题条目，建议沿用。

附录 X：五个最短路径的常见任务

为避免"读完仍不知从哪下手"，给出五条直达路径。
任务：我要确认这份数据是否存在、值不值得申请。 读 §1 的十问十答，5 分钟。若决定要，读 §5.6 的拒审原因，避开常见退回。
任务：我要评估能否支撑我的研究问题。 读 §4c 可行性矩阵与 §7c 功效表，10 分钟。两条都过，再谈申请。
任务：我已经有权限，要开始下载。 读 §5.7 的第一周清单与 §5c 的工程细节，按顺序执行。
任务：我要复现某篇论文的结果。 读 §2.6 论文分工表确定引哪篇，再读 §7d 可比性控制的四个变量。
任务：我要写方法学与局限段落。 读 §6d 合规自查清单与 §8 的 DAIMS 证据链，按条照抄骨架即可。
五条路径的共同点是：先定位，再深读。本条目有四十余节，逐节通读不是最优策略；按任务跳读，反而更快得到可用结论。这也是资源型条目与综述型条目的根本差异——前者是工具书，后者是讲义。

附录 Y：关于"AI-Ready"的最后一段

千方病案医数集的"AI-Ready"不是指"数据可直接喂给模型"，而是指"人能在最短路径内判断这份数据能否被 AI 流水线消费，并知道卡点在哪"。
按这个标准，PsychAD 是典型的"具备条件但需人工前置"的资源：数据格式标准（h5ad/AnnData）、标注体系完整（三级注释 + 三重标签）、元数据结构化（供体表 + NPS + 病理评分），这些都是 AI-Ready 的加分项；但受控访问、无 GEO 编号、DUA 非机器可读，构成了自动化流水线的三道人工闸门。
把它如实记录为"79 分、三道闸门"，比包装成"满分开放资源"更有用。读者需要的不是赞美，而是一张标明哪里要排队、哪里要签字的路线图。这张路线图，就是本条目试图提供的东西。

附录 Z：三个容易被误读的数字

“1,494” 不是样本量，是人数。 单细胞研究的"n"有三个层级：供体数（1,494）、样本数（可能略多于供体，因重复取材）、细胞核数（6,320,459）。论文的统计推断单位是供体，不是核。审稿人若见"n=632万"会立刻质疑——核不是独立观测，它们嵌套在供体内。写方法学时务必写"n = 1,494 donors"。
“21%” 不是患病率，是共病率。 320/1,494 描述的是"这批供体中带两种及以上主要脑疾病诊断的比例"，不是人群流行病学意义上的共病率。这批供体经过脑库筛选（有神经病理诊断的更容易被纳入），不能代表一般人群。把它当流行病学数据引用是常见错误。
“92%” 不是覆盖率的完整性，是基因型可得率。 1,381/1,494 指"有可用基因型的供体比例"，缺失的 113 例通常是 DNA 质量不达标或未做基因分型。这不影响表达数据的完整性——表达矩阵覆盖全部 1,494 例。做 eQTL 时样本量按 1,381 算，做差异表达时按 1,494 算，两个数不能混。
这三个数字的误读有个共同根源：把"分母"搞错。1,494 是分母，632 万不是；1,494 是分母，320 是分子；1,494 是分母，1,381 是分子。写作时把每个百分比的分母显式写出来，是最有效的防错手段。

附录 AA：与"脑图谱"三类资源的定位差异

库内与脑相关的条目大致分三类，PsychAD 属于第三类，这个定位决定了它的引用场景。
第一类是解剖参考图谱（如 allen-brain-atlas(275)）：回答"某脑区的细胞类型有哪些、空间上在哪"。它们通常来自少量高质量供体，配套原位杂交或空间转录组，强调准确与完整，不强调人群代表性。
第二类是疾病队列图谱（如 brain-snrna-ad-atlas(1199)、SEA-AD）：回答"某疾病状态下细胞发生了什么"。供体数量中等，疾病聚焦，往往配套病理与临床数据。
第三类是跨疾病人群图谱（PsychAD）：回答"不同疾病之间，变化是共享还是特异的"。它的设计从第一天起就是"多疾病同流程"，代价是单一疾病的深度不如第二类。
三类资源不是互相替代，而是层层嵌套：用第一类定义坐标，用第二类研究单一疾病，用第三类比较疾病。写综述时若把三类混为一谈，会出现"用解剖图谱的样本量批评疾病图谱的偏倚"这类错位评价——这也是本条目在 §8 打分时刻意把"资源定位"作为前置说明的原因。
对使用者的实际含义：如果你的问题是"这个细胞类型是什么"，PsychAD 不是首选；如果你的问题是"这个细胞类型在 AD 与 SCZ 中的变化是否相同"，PsychAD 几乎是最合适的选择，因为答案需要同一套坐标下的两套观测。
一个具体的引用场景示范：某论文要论证"AD 与 SCZ 共享突触通路异常"，它需要三个证据——AD 中的突触基因下调（可引 SEA-AD 或 PsychAD）、SCZ 中的突触基因异常（可引 PsychAD）、两者在统一坐标下的可比性（必须引 PsychAD）。第三个证据是 PsychAD 的不可替代之处：前两个可以有替代来源，第三个没有。

附录 AC：与库内 brain-snrna-ad-atlas 的选型建议

库内 brain-snrna-ad-atlas(1199) 与 PsychAD 最容易混淆，两者都是人脑死后 snRNA-seq 资源，规模都在百万核以上。选型的判断顺序建议如下。

先看疾病谱。若研究问题只涉及 AD，且需要多脑区（如海马、颞叶、额叶）的对照，用 brain-snrna-ad-atlas 更省事；若问题涉及 AD 与精神分裂症、双相障碍、帕金森病的横向比较，PsychAD 是唯一能在同一流程下给出可比观测的资源。

再看统计单位。brain-snrna-ad-atlas 的核数更多，但供体数与诊断构成不同；PsychAD 的 519 例 AD 与 420 例对照在 class 级提供了充裕的推断空间，若你的问题需要"按诊断亚组做亚类级比较"，两个资源的供体结构都要先算一遍功效。

最后看合规成本。两个资源都在受控或半受控体系内，但 DUA 的签署主体与审核周期不同。若项目时间紧，先申请那个审核更快的，把另一个作为敏感性分析的补充来源。两资源互验是最高价值的用法：同一假设在两个独立队列上方向一致，结论的可信度远高于单队列的 p 值。

附录 AB：给审稿人的十个问题

数据资源型论文的审稿人通常会问十类问题，预先备好答案可以显著缩短返修周期。

问 1：样本的代表性如何？ 答：三家美国脑库、33 种诊断、五大祖源、0-108 岁；局限性见 §2h，逐条列出地理、诊断、年龄、病理、治疗五个边界。

问 2：为什么不同库的样本量差异这么大？ 答：脑库既有队列的供给结构所致，非随机采样；MSSM 1,042 / HBCC 300 / RADC 152，分析时把 brain_bank 作为协变量或分层变量。

问 3：批次效应如何处理？ 答：Harmony 在 PCA 空间校正测序池批次；差异表达在伪批量层面另加协变量；两点必须同时做，Harmony 不能替代模型校正。

问 4：为什么用伪批量而不是逐核检验？ 答：核嵌套于供体，非独立观测；逐核检验会把"供体细胞数多"误判为"基因显著"，在 632 万核规模下假阳性被放大（§4.2、§7.1）。

问 5：诊断标准是否统一？ 答：AD 在 MSSM 用 CERAD+Braak+CDR 合取，在 RADC 用 cogdx；两套标准不完全等价，跨库分析需加诊断来源协变量（§2e）。

问 6：药物混杂如何排除？ 答：无法完全排除，这是死后脑研究的共性局限；在讨论中明示，并可做"去除长期用药供体"的敏感性分析。

问 7：因果性能否成立？ 答：不能。横断面死后组织只能给关联，不能给因果；论文与官方新闻稿均明确此点（§0、§10.2）。

问 8：数据可及性如何？ 答：ADKP DUA 受控访问，无 embargo；提供 Synapse 与 AWS 两条通道；CELLxGENE 提供公开聚合视图（§5）。

问 9：代码是否公开？ 答：是。数据论文代码、GRN 代码、dreamlet、crumblr、iBrainMap 均有公开仓库（§5.5）。

问 10：结果能否被独立复现？ 答：方向可复现，精确数字受注释版本与子集定义影响（§7f）；建议以"效应量量级与方向一致"为复现目标。

这十个问题的答案在本条目中分散于各节，此处集中呈现，是为方便在写作与答辩时快速调用。它们也构成了一份"数据资源型论文的方法学自查表"——若你的论文能回答这十问，方法学部分基本不会被卡。
本条目所有中文数字均采用阿拉伯数字与中文单位混排（如「1,494 例」「632 万核」），以便机器抽取与人工检索双兼容；凡引用论文原文的表述保留英文原词并附中文，避免转译失真。该书写约定与库内金标准一致，后续同族条目可直接沿用。

附录 AD：维护者的版本日志约定

建议每次重大变更在本节追加一行，格式为「日期 | 变更内容 | 依据来源」，供后续读者判断信息新鲜度。首条基线的写法示范：2026-10-17 | 首版建条目，核验 S1-S7，采用 Sci Data 2025;12:954 与 AWS 注册页口径 | S1/S2/S3。后续若联盟扩展到 1 万例，追加「某日期 | 供体数由 1,494 更新至 N，同步修订附录 B 与 §2.1 | 联盟公告」。若注释版本升级，追加「某日期 | subtype 数由 65-67 统一为 N，删除 §6.4 双口径行 | 新版注释文件」。这种日志式维护比整篇重写更省力，也更容易被审计——读者一看就知道哪条信息是哪天核的。

附录 AE：本条目数字的引用规范

正文中的数字分三类，引用时处理方式不同。第一类是论文原文数字（1,494、6,320,459、561、1,381、377、519、177、112、85、72、48、420），必须原样引用并标注来自 S1 或 S2；若被第三方转述后出现"约 1,500 例""约 630 万核"这类约整，可保留约整但需注明原文精确值。第二类是计算派生数字（每供体约 4,230 核、每池约 11,266 核、残留率约 6.3%），必须写明由哪两个原文数字相除得到，读者才能复核；未经标注的派生数字最容易被误当作原文。第三类是估计值（跨脑库性能区间、功效量级），必须明确标为估计，并说明估计依据是经验还是模拟；本条目的 §7b.2 与 §7c 属此类，已在正文标注"估计"字样。这三类的区分不是文字洁癖，而是审稿人核查时的第一道关口——他们不会逐条去论文里找，但会抽查几个关键数字，一旦发现派生值与原文混淆，整段可信度就会被质疑。

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-17。事实陈述以 Scientific Data 2025;12:954（doi:10.1038/s41597-025-04687-5）正文与 PMC12144096 全文、AWS Open Data 注册页、Mount Sinai 官方新闻稿为主要来源，三源交叉核对；数字冲突处以论文正文为准并在 §6.4 与坑点表中存照。条目不涉及数据下载与再分发，仅作资源描述。库内互链见 §10.4。后续维护触发点：联盟 1 万例扩展落地、注释体系版本升级、ADKP 发布节奏变更时应复核本条目。
本条目写作时共核对 7 个来源（S1-S7，见附录 A），其中一手来源 5 个：Sci Data 正文与 PMC 全文、AWS Open Data 注册页、Mount Sinai 官方新闻稿、Nature 补充材料 PDF。三源以上一致的关键数字共 9 项（1,494 供体、6,320,459 核、S3 桶 ARN、Synapse 主 ID、CELLxGENE 合集 ID、21% 共病、8/27 分级、DUA 性质、U24AG061340 资助号），单源数字 12 项（见附录 M 核对表标注）。凡单源数字，正文均已标明来源，读者若用于正式发表，建议到 Synapse 页面二次确认。
本条目与库内既有条目的差异化在于：库内已有多个脑影像与脑图谱条目，但缺少一份"以受控访问形式开放的人脑单核转录组资源"的系统说明。PsychAD 填补的正是这个位置——它不是影像数据、不是模式生物图谱、也不是挑战赛基准，而是"人群规模的疾病队列单核图谱 + 合规访问体系"的组合样本。后续若库内新增 ADKP 生态下的其他研究（如 SEA-AD、ROSMAP 单细胞部分），本条目的 §5、§6、§8 可作为写作模板复用，只需替换 syn ID、规模数字与疾病构成。

---

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 / 阿尔茨海默病
• 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
• amygdala-spatial-atlas — 共享标签：神经科学 / 单细胞基因组学 / 转录组 / 测序数据
• perturbai-crispr-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
• 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
• geo — 共享标签：基因组学与多组学 / 转录组 / 测序数据
• fantom5 — 共享标签：基因组学与多组学 / 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

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。