Human RPE and Choroid Atlas — 人视网膜色素上皮与脉络膜 v1 多组学单细胞图谱（GSE312791）

INFOBOX — RPE / 脉络膜图谱一屏速览

维度	内容
本质	参考图谱（reference atlas），不是挑战赛、不是影像数据集；v1 版本，作者原文称 “version 1”
牵头	Stanford University School of Medicine 遗传学系（通讯 Rui Chen），30 位作者跨 10 余家机构
项目归属	Human Cell Atlas（HCA），具体为 HCA Eye Biological Network
论文	bioRxiv 预印本，doi:10.64898/2026.07.23.740352，PMID 42539169，首发 2026-07-24，CC BY-NC-ND
GEO	GSE312791，150 个 GSM（85 RNA + 65 ATAC），RAW.tar 约 184.9 GB，无需申请
scRNA-seq	205,925 细胞 / 67 供体（摘要口径）｜论文整合后 168,599（含 23.83% 新生成）
snRNA-seq	742,625 核 / 54 供体（摘要口径）｜论文整合后 551,214（含 92.69% 新生成）
发育期	136,555 核，PCW 10-23 的胎儿 RPE/脉络膜
snATAC-seq	234,007 核，55 样本 / 41 供体 / 0-93 岁
细胞注释	15 major cell classes → 25 cell types（摘要）｜论文 17 类 / 48 类型或状态
染色质产物	448,567 个开放染色质区域、294,601 个增强子-启动子互作、420,724 peak-gene 对
区域覆盖	黄斑（macula）与周边（periphery）成对取样；ATAC 侧黄斑 92,001 / 周边 142,006
空间验证	Xenium 7 张切片 / 18,157 细胞 / 478 基因面板（Design ID G33B7Z）
发布通道	GEO（原始矩阵）+ CELLxGENE Discover（9 个 H5AD，约 18.4 GB）
许可	GEO 无闸门｜CELLxGENE 无 gated｜论文 CC BY-NC-ND｜再分发须回溯作者
库内互链	human-cell-atlas(319)、cellxgene(38)、cellxgene-census(1035)、tabula-sapiens(329)、mario-amd(864)

人视网膜色素上皮（retinal pigment epithelium, RPE）与脉络膜（choroid）是眼睛后段最容易被"顺手剥掉"的两层组织：做视网膜单细胞研究时，它们通常被当作需要剔除的污染层；做眼底影像研究时，它们是图像里一片说不清层次的暗色背景。但它们恰恰是外层视网膜的供血管道、营养转运站与免疫豁免屏障，也是年龄相关性黄斑变性（age-related macular degeneration, AMD）——发达国家老年人不可逆视力丧失的首位原因——的主战场。

rpe-choroid-atlas 做的事情，是把这两层被长期低估的组织单独拿出来，做成一部"细胞级户口簿"：scRNA-seq 205,925 个细胞来自 67 位供体，snRNA-seq 742,625 个细胞核来自 54 位供体，再叠加 136,555 个来自妊娠后 10-23 周（post-conception weeks, PCW）胎儿组织的细胞核与 234,007 个 snATAC-seq 细胞核，最终收束为 15 个主要细胞类（major cell classes）与 25 个细胞类型（cell types）。它于 2026 年 7 月以 bioRxiv 预印本形式发布论文，8 月在 GEO 开放原始数据，9 月同步上架 CELLxGENE Discover——三个通道时间相差不到两个月，属于"预印本先行、数据后跟"的现代组学发布节奏。

导语读法三则：

1. 只想下数据：直奔 §6——GEO 那个 184.9 GB 的 RAW.tar 可以先不碰，从 CELLxGENE 的 9 个 H5AD（合计约 18.4 GB）里挑一个够用。
2. 关心数字对不上：直奔 §4 与坑 1-坑 3——摘要的 205,925 / 742,625 与论文的 168,599 / 551,214 是同一批数据在两个加工阶段的读数，不是矛盾，但引用时必须说清在哪一层。
3. 拿它做 AMD 或衰老研究：直奔 §5 与 §8——AMD GWAS 的 2,243 个可信集变异如何被分摊到 448,567 个开放染色质区域上，是这份图谱最有"发现引擎"气质的部分。

§0 导读：这个图谱解决什么问题

外层视网膜的代谢极其奢侈：光感受器是人体代谢率最高的细胞之一，而它们所需的氧与葡萄糖几乎全部经由脉络膜毛细血管层、穿过 Bruch 膜、由 RPE monolayer 转运。这条只有几十微米厚的"三明治"结构一旦出问题，最先崩的往往不是神经元本身，而是 RPE 与脉络膜。AMD 的病理链条——玻璃膜疣（drusen）沉积、RPE 萎缩、脉络膜毛细血管丢失、新生血管长入——几乎全部发生在这两层之间。

问题在于，这两层在组学层面长期是"数据荒漠"。原因有三。其一是取材：RPE 是一层单层色素上皮，细胞里塞满黑色素颗粒，常规流式分选与裂解效率都差；脉络膜则血管密布、含大量红细胞与平滑肌，单细胞悬液制备困难。其二是规模：早期研究多为个位数供体的 scRNA-seq，RPE 细胞在每个样本里只有几百到几千个，统计功效不足。其三是年龄跨度：AMD 是典型的老龄病，但多数图谱的供体集中在 50-80 岁，缺少"年轻端"对照，也缺少胎儿期这一发育起点。

这份图谱的回应是四段式补位。第一段是模态补位：用 snRNA-seq 替代 scRNA-seq 做主通道，因为细胞核在色素细胞与血管细胞里更稳定，论文中 snRNA-seq 有 92.69% 是新生成数据，而 scRNA-seq 只有 23.83% 是新生成——换句话说，团队很清楚 scRNA-seq 更适合与既有数据对接，而真正的增量在核转录组。第二段是发育补位：把 PCW 10-23 的胎儿 RPE/脉络膜 136,555 个核并入，让图谱从"成人快照"变成"从胚胎到老年"的时间轴。第三段是表观补位：234,007 个 snATAC-seq 核提供染色质可及性，使"某个基因在某个细胞类型里表达"升级为"某个调控元件在某个细胞类型里打开"，这是把 GWAS 信号落到具体细胞的前提。第四段是空间补位：Xenium 7 张切片、18,157 个细胞，为"中央到周边"的空间轴提供原位证据。

§0 读法三则：

1. 它不是"一份数据"，而是"四份数据的合同"：成人 scRNA、成人 snRNA、发育期 snRNA、成人 snATAC，各自的供体数、年龄范围、区域覆盖都不同（§2、§3），混着引用必出错。
2. 它的所有"发现"（RPE 五个亚群、内皮五段分区、11 种成纤维细胞、衰老相关组成漂移、AMD 变异-基因映射）都建立在这四份数据的交集上，任何一个通道缺失，相应结论就无法复现——这也是它必须整体发布的原因。
3. 检索时若只搜 “RPE atlas” 会淹没在大量视网膜类器官与 iPSC-RPE 研究里；用 “GSE312791” 或 “Integrated Multi-omics Single Cell Atlas of the Human RPE and Choroid” 才是精确命中（坑 1）。

在正式展开之前，先把「为什么是这两层」讲透。视网膜的十层结构里，神经视网膜（photoreceptor、bipolar、amacrine、ganglion 等）承担光电转换与信号处理，是眼科组学研究的传统主角；RPE 与脉络膜则被统称为「外段支持系统」，长期处在「被当作背景」的位置。但从疾病负担看，这个「背景」承担了几乎全部 AMD 病理：玻璃膜疣在 Bruch 膜两侧沉积、RPE 从萎缩到脱落、脉络膜毛细血管从稀疏到消失、最终新生血管穿透 Bruch 膜长入视网膜下腔。换言之，AMD 不是神经视网膜的病，而是外段支持系统的病。一份只覆盖神经视网膜的图谱，在 AMD 研究中天然缺了最关键的两层。

这个判断也解释了本图谱为什么值得单独立条目：它不是「又一份视网膜单细胞数据」，而是把一个长期被当作配件、却承担主要疾病负担的系统，第一次做成独立参考。理解了这一点，后文所有的「15 类 25 型」「44.9 万 OCR」「五亚群」才不是抽象数字，而是「外段支持系统终于有了自己的细胞地图」的具体展开。对于做影像的人来说，这意味着「眼底图上的暗区」第一次有了细胞级解释的可能；对于做遗传学的人来说，这意味着 GWAS 的可信集变异第一次有了「落点清单」。

§1 数据集速览：十问十答

Q1：它到底是什么类型的资源？
一部参考细胞图谱：给定"人 RPE 与脉络膜里有哪些细胞、各自表达什么、染色质在哪里打开、随年龄如何变化"的基准答案。它不是带标签的训练集，也不是挑战赛；它的用途是"参考"（reference）——别人拿自己的数据往上映射（reference mapping）、拿它的表达谱做去卷积（deconvolution）、拿它的开放染色质做调控推断。

回答这类「到底多大」的问题，一个实用的习惯是先问「你打算用它做什么」，再决定报哪个数。做研究设计（算样本量、估功效）用采集规模；做模型训练（定 batch size、估显存）用整合规模；做数据工程（估磁盘、估下载时间）用文件体量。三种场景三个数，都不是错的，错的是不分场景地混用。

Q2：规模到底多大？一句话能说清吗？
分三句话说：成人单细胞/单核转录组，摘要口径 205,925 细胞（scRNA，67 供体）+ 742,625 核（snRNA，54 供体）；发育期追加 136,555 核（PCW 10-23）；表观层 234,007 个 snATAC 核。三者合计超过 130 万个细胞核级观测，但不能简单相加——发育期核与成人核在 snRNA 通道里有重叠，AMD 队列又是外部整合进来的（§4）。

Q3：为什么既有 scRNA 又有 snRNA，不浪费吗？
不浪费，分工明确。scRNA-seq 捕获的是完整细胞质 RNA，适合与既有的大量视网膜单细胞数据对接、也适合免疫细胞这类小细胞；但它对 RPE 这类富色素的大细胞极不友好——论文给出的对比很直白：整个 scRNA 通道只有 7,472 个 RPE 细胞，而高质量 RPE 核有 68,871 个（黄斑 10,568 / 周边 58,303），差了一个数量级。snRNA-seq 因此承担 RPE 与血管/基质细胞的主通道。

Q4：15 类 25 型是什么意思？与论文的 17 类 48 型矛盾吗？
不矛盾，是两个粒度。15 大类 25 细胞类型是 GEO/CELLxGENE 摘要的 v1 发布口径，面向"能被下游直接当标签用"的稳定层级；论文的 17 类 / 48 个"类型或状态"（types or states）是进一步子聚类后的高分辨率口径，把应激态、衰老态、亚型都算了进去。两者的差额主要来自"状态"（如两个应激/衰老 RPE 态）与更细的亚型拆分（如 11 种成纤维细胞）（坑 2）。

Q5：它跟 Human Cell Atlas 是什么关系？
论文 Introduction 明确写它是 HCA 的组成部分，具体挂在 HCA 的 Eye Biological Network 之下。这意味着它的元数据规范（供体、组织、assay、development stage 均用 ontology 标注）与 HCA 生态一致，也意味着它可以被 HCA 的下游工具（如 CELLxGENE Census）直接索引（§7）。

两个通道的更新节奏也不一样。GEO 的原始文件一旦上传就基本冻结（除非作者主动补交），因此「GEO 上的数」是稳定的；CELLxGENE 的集合会随 curation 迭代而修订，同一个集合在不同月份可能对应不同的 dataset_version_id。这意味着：需要长期可复现的分析应基于 GEO 原始文件自建流程；需要快速起步的探索可基于 CELLxGENE，但必须记录下载日期与版本号。

Q6：数据在哪下、要不要申请？
两个公开通道，都不要申请。GEO GSE312791：150 个样本，RAW.tar 约 184.9 GB，内含各样本的 H5 表达矩阵与 ATAC 的 fragments 文件；CELLxGENE Discover：9 个已整合、已注释的 H5AD，合计约 18.4 GB，附带统一 ontology 元数据。前者是"原料"，后者是"半成品"，绝大多数二次分析从后者起步。

Q7：它包含疾病样本吗？
原始测序数据不含。CELLxGENE 上 9 个数据集的 disease 字段全部是 normal。论文里出现的 58,210 个 AMD 相关细胞来自整合的公开数据集，不是这次新采的。因此想直接做"AMD vs 正常"的差异分析，必须自己去溯源那批外部数据（§5.4、坑 6）。

Q8：它最独特的科学贡献是什么？
三条。第一，RPE 不是均质单层：沿中央-周边轴拆出 5 个亚群（LGI1+ / CST3+ / INSYN2B+ / TENM4+ / TUBA1A+），外加 2 个应激/衰老态。第二，脉络膜内皮有分区：5 个内皮亚型对应动脉、小动脉、有孔毛细血管、微静脉、静脉的解剖梯度，转录组与染色质双双印证。第三，基质被大幅扩展：11 种成纤维细胞 + 2 种周细胞，远超此前"成纤维细胞就是一种"的粗放认知。

这套流程的说服力很大程度来自「分层」二字：不是一次性声称「某某细胞与 AMD 相关」，而是把 2,243 个变异逐层过滤到 459、177、119、86、22，每一层都有明确的生物学含义与统计门槛。这种「逐层收窄」的写法，让读者能清楚看到结论是在哪一步被削弱的——如果某一层的门槛设得过松，后续结论的可信度就会打折扣。对想要复用这套流程的团队来说，重要的不是记数字，而是记这个「层层设门」的结构。

Q9：它怎么把 GWAS 信号落到细胞上？
用 448,567 个开放染色质区域做"接收器"。论文把两项 AMD GWAS 的 2,243 个 95% 可信集变异逐一分层：459 个（20.46%）落在 OCR 内、177 个与远端峰共可及、119 个与基因表达显著相关、86 个落在细胞类型特异 OCR、22 个落在衰老相关 OCR。再叠加 LDSC（染色质）与 MAGMA（转录组）两条富集证据，指向 RPE 的 LGI1+ 与 INSYN2B+ 亚群是 AMD 遗传风险的主要承载体，并给出 LIPG、COL4A3 两个新的变异-基因证据。

Q10：对 AI-Ready 意味着什么？
它代表"预印本 + 双通道 + 全公开"这一新范式的成熟形态：论文还没过同行评议，数据已经以两种加工深度（原始矩阵与整合对象）同时可用，元数据按 ontology 对齐，任何模型都能在一周内把它变成训练/评测素材。它的 AI-Ready 短板不在数据本身，而在口径——同一批数据有两套细胞数，若不做元数据核对，下游很容易把两个数字混着用（§9 DAIMS 评分）。

在本章展开之前，需要先建立一张「四通道对照」的心智模型：每条通道回答的问题不同，因此不能互相替代。scRNA 回答「完整细胞的转录状态如何」，snRNA 回答「细胞核里的转录程序如何」，发育期 snRNA 回答「这个程序是如何随时间建立的」，snATAC 回答「这些程序由哪些调控元件控制」。四者叠在一起，才构成「状态 → 程序 → 时间 → 调控」的完整因果链。

这个心智模型也解释了为什么本章要用大量篇幅讨论「供体数」「区域标签」「样本命名」这些看似琐碎的细节：因果链的每一环都挂在元数据上。若不知道哪个样本是黄斑、哪个是周边，中央-周边轴的分析就无从谈起；若不知道哪个样本来自哪个眼库，批次校正就可能把真实的机构差异当成噪声抹平。元数据不是数据的附属品，而是让四通道「可拼接」的胶水。

§2 数据构成与规格

这张表还揭示了一个细节：CELLxGENE 的 scRNA 数据集记 60 位供体，而 GEO 摘要记 67 位。差额的 7 位供体，可能是在整合或发布时因细胞数不足被剔除，也可能是发布时只保留了「与其他数据集可整合」的那部分供体。无论原因是哪一种，它都说明「供体数」这个指标在采集、整合、发布三个环节都会变化——这正是本章要花一整章讨论口径的原因。

2.1 四条通道，四张不同的"供体表"

理解这份图谱的第一步，是接受它不是一张表。GEO 摘要把四条通道并列陈述，每条通道有自己的细胞数与供体数；论文则把它们整合成一套 102 位供体的总账。下面这张表是把摘要口径、论文口径与 GEO 实测三者对齐后的结果：

通道	摘要（GEO / CELLxGENE）	论文正文（整合后）	供体	年龄范围	区域
scRNA-seq	205,925 细胞	168,599（新生成占 23.83%）	67（摘要）/ 60（CELLxGENE scRNA 数据集）	含胎儿至老年	黄斑 + 周边 + 全眼
snRNA-seq	742,625 核	551,214（新生成占 92.69%）	54（摘要）/ 52（CELLxGENE snRNA 全细胞集）	10-99 岁（成人集）	黄斑 + 周边
发育期 snRNA-seq	136,555 核	并入 719,813 总数	—	PCW 10-23	胎儿 RPE/脉络膜
snATAC-seq	234,007 核	234,007 核	41（55 样本）	0-93 岁	黄斑 92,001 / 周边 142,006

四个数字必须放在四个语境里读：205,925 与 742,625 是"整合前的合格细胞总数"（GEO 摘要口径，也是 CELLxGENE 集合描述的原文）；168,599 与 551,214 是"论文整合流程输出的细胞数"（经过跨数据集批次校正与低质量剔除后的净留存）；719,813 是"转录组总盘"（scRNA 168,599 + snRNA 551,214 = 719,812，与论文的 719,813 差 1，属四舍五入或单个细胞归属调整，存照）；234,007 是 ATAC 通道，两套口径完全一致，反而是四条通道里最"干净"的数字。

族裔构成的多样性带来一个方法学上的副作用：批次效应与族裔变量部分共线。若某些族裔的供体主要集中在某一眼库、某一批次、某一种建库化学版本，那么「族裔差异」与「技术批次差异」就无法完全分离。这是所有多族裔图谱的共同难题，本图谱也不例外。使用者在做族裔相关分析时，应显式检查族裔与批次、族裔与建库版本的交叉表，并在模型中同时纳入两类协变量。

年龄分布也有类似问题：极年轻（10-16 岁）与极年长（90 岁以上）的供体数量通常较少，这两端正是「年龄效应最可能非线性」的区间。若用线性模型拟合全年龄跨度，两端会被中间段的大量样本「拉平」，导致真实的非线性被掩盖。建议在建模时至少尝试一次分段回归或广义可加模型，检验线性假设是否成立。

性别方面，论文报告女性 45.28%、男性 54.72%，接近平衡。但性别与年龄、族裔的交互作用未被报告。对于 AMD 这类存在明确性别差异的疾病，性别分层分析应是标准动作，而非可选项。

2.2 供体画像：年龄、族裔、性别

论文对新生成的 48 位供体队列给出了明确画像：族裔构成欧洲 25%、非洲 33.33%、西班牙裔 35.42%、亚洲 6.25%；性别构成女性 45.28%、男性 54.72%。这个构成在单细胞图谱里属于偏多样性的一侧——多数图谱的欧洲裔占比在 70% 以上，而这里欧洲裔只占四分之一，非洲裔与西班牙裔合计近七成。对 AMD 研究尤其重要，因为补体因子 H（CFH）等位点的风险效应在不同族裔间差异显著。

年龄跨度是这份图谱的另一张王牌：成人 snRNA 集覆盖 10-99 岁，ATAC 集覆盖 0-93 岁，发育期集覆盖 PCW 10-23。三者拼起来，是"从妊娠第 10 周到 99 岁"的连续时间轴。在 CELLxGENE 的 ontology 字段里，可以逐个看到这些年龄档：10 岁、11 岁、16 岁、21 岁、25 岁、30 岁、32 岁、34 岁、43 岁、46 岁、47 岁、50 岁、53 岁、58 岁、60 岁、62 岁、63 岁、64 岁、65 岁、68 岁、69 岁、71 岁、72 岁、77 岁……以及胎儿端的 PCW 10、11、12、13、15、16、17、19、21、22、24、27 周。这些不是抽样调查的年龄分布，而是真实供体的年龄点，因此在做年龄回归时可以按连续变量建模，而不必强行分箱。

2.3 供体来源与机构前缀

GEO 样本命名把供体来源编码在前缀里，这是这份数据最实用也最容易被忽略的元数据。实测 filelist 可见三类前缀：

• BCM_：如 BCM_21_0948、BCM_22_0183、BCM_23_1448，对应 Baylor College of Medicine 口径的供体库；
• MMD_：如 MMD_19_D005、MMD_22_13066、MMD_23_17738，对应黄斑研究基金会（Macula Vision Research Foundation）口径的眼库供体；
• Hu：如 Hu0218、Hu0220、Hu13，为简短人源编号，多见于后续补充样本。

ATAC 样本的命名还带有位置码与"组织层"标识：ATAC-BCM-23-0245-Mac-RPE、ATAC-MMD-22-3991-Mac_RPE-H7、ATAC-23-0245-RPE-WOLF-c。其中 Mac 表示黄斑，Mac_RPE 表示黄斑处的 RPE 层，WOLF 为全眼或整块取材口径（GEO 未给出定义，属遗留疑点）。RNA 样本的标识更杂：3v31_BCM_22_0183_RPE_WOLF、5v2_22_2854_per_RPE_spin、3v31_22_0698_RPE_Choroid、3v31_BCM_23_0792_RPE_bead、3v31_22_0574_RPE_Tyto、5v2_22_0698_RPE_CONNECT、3v31_BCM_1d_fetal_RPE。

这些后缀对应不同的解离/富集策略：Tyto 指 Tyto 细胞分选或裂解方案，bead 指磁珠富集，spin 指离心富集，per 指周边（periphery），CONNECT 与 Choroid 指带有脉络膜连接的取材。实践建议：做跨样本比较前，务必用样本名后缀做一次协变量检查——不同解离策略带来的应激基因表达差异，往往比生物学分组差异还大（坑 4）。

关于体量还有一点值得提醒：184.9 GB 是「压缩包」的体积，解压后的占用取决于文件类型。H5 矩阵本身已是压缩存储，解压几乎不增加体积；fragments.tsv.gz 是 gzip 压缩的文本，解压后通常膨胀 3-5 倍。若把 65 个 ATAC 样本的 fragments 全部解压，占用可能超过 500 GB。因此在规划存储时，应以「解压后」而非「压缩包」为基准，并优先考虑「按需解压单个样本」的工作流。

2.4 GEO 实物清单：281 个文件、184.9 GB

GEO FTP 的 filelist.txt 是判断"这份数据到底有多大、里面有什么"的唯一一手依据。实测结果：

项	数值
打包文件	GSE312791_RAW.tar
打包体积	184,940,554,240 字节（约 184.9 GB）
压缩包内文件数	281
RNA 样本（feature_bc_matrix）	85 个 GSM
ATAC 样本	65 个 GSM
样本合计	150 个 GSM
文件类型	H5 表达矩阵 / H5 peak 矩阵 / fragments.tsv.gz / fragments.tsv.gz.tbi.gz
提交时间戳	2025-12-04 至 2025-12-08
GEO 公开（FTP 目录 Last modified）	2026-08-26

单个 ATAC 样本通常产出三个文件（peak 矩阵 h5、fragments.tsv.gz、fragments 索引 tbi.gz），单个 RNA 样本通常产出单个 filtered_feature_bc_matrix.h5。ATAC 的 fragments 文件是体量主要来源——单个样本可达 1.8-2.1 GB，65 个样本叠加就占了大头。这也解释了为什么 150 个样本会撑出 184.9 GB：RNA 矩阵是小的，ATAC 的原始片段是大的。

对于只想快速起步的使用者，顺序应该是：先下 CELLxGENE 的 9 个 H5AD（约 18.4 GB、已整合已注释）→ 确认研究问题需要哪几条通道 → 再回 GEO 补下载对应的 fragments 做重聚类或 peak 重新 calling。反过来先下 184.9 GB 再想用途，通常意味着大量带宽浪费。

区域设计的另一个隐含价值是「配对」。同一供体的黄斑与周边样本共享遗传背景、共享年龄、共享死后间隔（PMI），因此两者的差异可以更干净地归因于「位置」而非「个体」。这是横断面图谱里少见的「内部对照」设计。代价是并非每位供体都同时提供了两个区域的样本，配对样本的实际数量小于总供体数；使用者在做配对分析前，应先从样本名或元数据里确认哪些供体是「双区域齐全」的。

2.5 区域设计：黄斑 vs 周边

这份图谱在取样上做了一个在眼库里很贵的决定：对同一只眼分别取黄斑（macula）与周边（periphery）。黄斑是视力最敏锐的中央区，周边是视野外缘；AMD 的早期病灶几乎总在黄斑，而周边视网膜相对耐受。把两者成对取样并同时做 snRNA 与 snATAC，才能回答"中央-周边轴的差异是转录层面的还是染色质层面的"。

ATAC 侧的数字给了这个设计一个量化的注脚：黄斑核 92,001、周边核 142,006，周边约为黄斑的 1.54 倍。这个偏斜一部分来自解剖面积（周边视网膜面积远大于黄斑），一部分来自取样块数。因此做区域比较时必须先做细胞数归一化，否则任何"周边某类细胞更多"的结论都可能是取样面积差异的伪影（坑 5）。

细胞类型体系的复杂度是这份图谱最容易被低估的部分。表面上看，「15 类 25 型」只是一个数字，但它背后是一整套「什么算一个类型」的判断：用哪些基因做标志、在什么分辨率下聚类、如何处理过渡态与双细胞、如何处理跨模态标签不一致。这些判断没有唯一正确答案，只有「在特定用途下是否合理」。

因此本章不追求给出「标准答案」，而是把三套标签的来龙去脉、各自的适用边界、以及它们之间的换算关系讲清楚。读者读完后应当能做到两件事：第一，看到别人引用「25 型」或「48 状态」时，知道他在说什么；第二，自己做分析时，能根据任务选择合适的粒度，而不是盲目跟随某一篇文献。

§3 细胞类型体系：15 大类、25 细胞类型与 48 个类型或状态

三套标签的并存也带来一个「教学」上的好处：它天然是一份关于「单细胞注释是什么」的教材。初学者可以从 15 类开始，理解「大类」如何由标志基因定义；再进入 25 型，理解「亚型」如何由更细的标志组合区分；最后进入 48 状态，理解「状态」如何由条件相关基因（应激、衰老、激活）标记。这条路径比任何一篇方法学论文都直观。

3.1 三套分类标签的分工

同一部图谱同时存在三套细胞标签，各自服务不同读者：

标签体系	数量	来源	用途	稳定性
主要细胞类（major cell class）	15	GEO 摘要 / CELLxGENE 集合描述	下游粗分层、跨组织比较	高（跨数据集可复用）
细胞类型（cell type）	25	同上	注释参考、标签迁移	中（依赖聚类粒度）
类型或状态（type or state）	48（论文另称 17 类）	论文高分辨率子聚类	细机制研究、GWAS 富集	低（对聚类参数敏感）

“类型”（type）与"状态"（state）的区分是单细胞领域的老问题：类型指稳定的身份（如成纤维细胞、周细胞），状态指同一种身份在不同条件下的瞬时表现（如应激、衰老、激活）。论文把两者合并计数成 48，等于承认"很多所谓新细胞类型其实是状态"。对使用者而言，这个区分很重要：如果拿 48 个标签去做细胞比例比较，状态标签会因为样本处理条件（如离体时间、解离应激）而大幅漂移；拿 25 个标签做则稳健得多。

3.2 15 个主要细胞类的构成（按 CELLxGENE 发布资产反推）

CELLxGENE 的 9 个数据集并非按 15 类逐一拆分，而是按"功能群组 + 独立细胞类型"混合拆分。从数据集标题与细胞数可以反推出这份图谱的分类骨架：

发布资产	细胞数	供体数	对应细胞类
snRNA 全细胞（all cells）	566,546	52	全谱系（14 类合并视图）
snRNA v1（含发育期）	715,619	52	全谱系 + 胎儿
snRNA 基质（stromal）	212,984	52	成纤维细胞、周细胞、平滑肌、施万细胞等
snRNA 内皮（endothelial）	99,457	52	脉络膜内皮五亚型
snRNA 免疫（immune）	101,471	51	单核/巨噬、T/NK、B/浆细胞、肥大细胞等
snRNA 黑素细胞（melanocytes）	61,751	49	黑素细胞
snRNA RPE	69,244	46	RPE 五亚群 + 应激态
snRNA 施万细胞（Schwann）	21,625	52	施万细胞
scRNA（4 组织 × 3 assay）	182,151	60	全谱系（含脉络膜、RPE、全眼）

这套拆分的逻辑很清楚：体量大的群组（基质、内皮、免疫）各自成册，体量小但身份明确的（黑素细胞、RPE、施万细胞）独立成册。RPE 只有 69,244 个核却单独成册，恰恰说明它是这份图谱的"主角"——作者希望使用者能直接拿这一册做 RPE 专属分析，而不必在全细胞矩阵里反复筛选。

这里还有一个实用细节：RPE 亚群的标志基因在 bulk 数据里往往也能检测到，但信号被平均化。若研究者只有 bulk RPE 数据，可以用这五个标志基因的相对比例粗略推断「亚群构成偏向中央还是周边」，但这只是相关性推断，不能替代单细胞测量。这个「降级使用」的场景在临床样本中很常见——活检组织通常只够做 bulk，而单细胞需要更多材料。

3.3 RPE 的五个亚群与两个应激态

RPE 是单层立方上皮，解剖上沿中央-周边轴呈现连续渐变：黄斑区 RPE 细胞更小、密度更高、色素更深，周边 RPE 细胞更大、更扁平、脂褐素更多。这份图谱把这个连续体切成五个分子亚群，以标志基因命名：

亚群	标志基因	论文给出的空间倾向
RPE-1	LGI1	中央区富集，AMD 遗传风险主要承载者之一
RPE-2	CST3	中央-周边过渡带
RPE-3	INSYN2B	中央区富集，另一 AMD 风险承载者
RPE-4	TENM4	偏周边
RPE-5	TUBA1A	偏周边，与细胞骨架/形态重塑相关

两个应激/衰老态独立于上述五群，论文未按"RPE-6/7"编号，而是作为状态层单列。这个处理很关键：如果把它们混进五群，会得到"某群在老年供体中比例升高"的假结论，而真相是"衰老细胞在老年供体中比例升高，且它们分布在多个亚群里"。做细胞比例分析时，务必先确认状态标签是否被单独处理。

值得注意的是，论文对 RPE 亚群的空间归属用的是"中央-周边空间轴"（central-to-peripheral spatial axis）这一定性表述，而非精确的坐标或比例。这提示五群的边界是渐变而非离散——真实的 RPE 更像一条调色带，五个亚群是人为切出的锚点（坑 7）。

内皮分区还有一个临床上的延伸：脉络膜厚度在眼底影像上是可测量的，而厚度主要由血管容量与间质体积决定。若能把「内皮五亚型」与「厚度测量」对应起来，就有可能用无创影像间接推断「哪一段血管床在萎缩」。这条路径尚未被论文验证，但从「分区清单」到「影像替代标志物」的距离，比从「单一内皮类型」出发要近得多。

3.4 脉络膜内皮的五个亚型：解剖梯度的转录镜像

血管内皮的分区（zonation）在肝、脑已有大量研究，在脉络膜此前几乎空白。这份图谱把脉络膜内皮拆成五型，与解剖序列一一对应：

• 动脉（artery）：肌层较厚、血流快；
• 小动脉（arteriole）：过渡段；
• 有孔毛细血管（fenestrated capillary）：脉络膜毛细血管层主体，负责向 RPE 供氧供营养；
• 微静脉（venule）：回流起始段，论文提到随年龄相对减少；
• 静脉（vein）：回流主干。

五型的内皮分区在转录组（snRNA）与染色质（snATAC）两个层面同时被重建，这是论文标题里"integrated multi-omics"最实在的落地。单一模态做分区容易把"表达差异"误判为"细胞类型差异"，两模态交叉可显著降低这类假阳性。

把 11 种成纤维细胞、2 种周细胞、2 种平滑肌放在一起，脉络膜基质层的复杂度已经接近某些实体器官的间质系统。这个复杂度带来的第一个实际问题是「注释成本」：下游研究若要标注自己的脉络膜数据，用 25 型口径只需区分「成纤维细胞」一个大类，用 48 状态口径则要区分 11 种成纤维细胞，后者需要更多的标志基因与更深的测序深度。

第二个问题是「生物学解释的边界」。11 种成纤维细胞中，论文只对 PI16+ 一种给出了明确的年龄相关结论，其余十种的功能定位仍属推测。这提示读者：亚群数量的增加不等于机制理解的增加。在引用「11 种成纤维细胞」这一数字时，应同时说明「其中多数亚型的功能尚未被独立验证」，否则容易给读者造成「脉络膜基质已被彻底解析」的错觉。

第三个问题是「跨物种可比性」。小鼠脉络膜的成纤维细胞是否也有 11 种？目前没有直接证据。若要在小鼠模型里验证人类亚型的功能，必须先做跨物种标志基因的保守性检查，否则容易把「人类特有的亚型」误当作「保守的基质程序」。这一问题在附录 J 的 J3 与 J4 中有进一步展开。

3.5 基质扩展：11 种成纤维细胞、2 种周细胞、2 种平滑肌

脉络膜基质的异质性此前被严重低估。这份图谱把成纤维细胞拆到 11 种，周细胞拆到 2 种（ADAMTS2+ 与 CPM+ 两个亚型），平滑肌拆到 2 种（血管型与 DGKI+ 睫状型）。11 种成纤维细胞中，论文特别点出 PI16+ 成纤维细胞随年龄相对减少——PI16 是心脏与多种组织的通用成纤维细胞标志，其在脉络膜的年龄性下降提示基质"稳态池"在老年萎缩。

对 AMD 研究，成纤维细胞的意义在于 Bruch 膜与脉络膜毛细血管之间的基质重塑。11 种成纤维细胞的划分让"脉络膜纤维化"这个笼统概念有了可分解的抓手：不同成纤维亚型可能贡献不同的细胞外基质组分，进而以不同方式参与玻璃膜疣形成与新生血管的"地形选择"。

3.6 黑素细胞、施万细胞与免疫群

黑素细胞在脉络膜里承担光吸收与自由基清除，61,751 个核、49 位供体的规模在眼科图谱里已属罕见。论文的年龄分析把黑素细胞列为随年龄显著比例下降的第一梯队成员（与 PI16+ 成纤维细胞、微静脉内皮并列）。

施万细胞（Schwann cell）出现在脉络膜样本中略显意外——它们是周围神经的髓鞘形成细胞，脉络膜内的神经纤维束正是其栖息地。21,625 个核、52 位供体，说明这不是零星污染，而是稳定存在的群体。这个发现对理解脉络膜的神经调控（如脉络膜厚度随光照/昼夜节律变化）有直接价值。

免疫群 101,471 个核、51 位供体，包含单核/巨噬细胞、T/NK、B/浆细胞与肥大细胞等。论文在 AMD 变异-基因映射中点名单核/巨噬细胞特异的 CFD 与 PILRA，说明免疫群不只是"背景细胞"，而是 AMD 遗传架构的一部分。

口径问题是本条目花笔墨最多的地方，原因在于它是「数据可用性」与「数据可信度」之间的分水岭。一份数据即使完全公开、格式标准、元数据齐全，只要同一个指标有两套互相矛盾的数字，下游的自动化流程就会在第一步失败——模型不知道该信哪个数，样本量估算不知道该用哪个基数。

本章的处理方式是「不选边、全存照」：把每个数字的出处、加工阶段、适用范围逐一列出，让读者自己判断该用哪个。这种做法在写作上不如「给一个权威数字」痛快，但在数据集条目里更诚实——因为「权威数字」往往只对某一种用途权威，换个用途就不成立了。本章的最后两节（4.5 与 4.6）还处理了两个更隐蔽的问题：版本号的时间线异常，与发布资产之间的重复计数。这两类问题不会让数据「不能用」，但会让「用错而不自知」的概率显著上升。

§4 口径解剖：为什么同一批数据会有两套细胞数

这条缩水路径还提示一个实践建议：若研究者要做「与论文可比」的分析，应尽量复现论文的过滤阈值；若要做「尽可能保留信息」的分析，可以用 GEO 的原始矩阵自行设定更宽松的阈值，得到接近 205,925 的细胞集。两种做法都有正当理由，但必须在方法学里写明用的是哪一种，否则审稿人无法判断「你的细胞数为什么和论文不一样」。

4.1 从 205,925 到 168,599：一条可追踪的缩水路径

先说结论：这不是错误，而是两个加工阶段的读数。GEO 摘要的 205,925 是"经质控后进入整合的合格细胞数"，论文正文的 168,599 是"整合完成后留在最终图谱里的细胞数"。中间的过程大致有四道：

1. 双重检出剔除（doublet removal）：10x 数据里两个细胞共用一个液滴的情况很常见，按预期双率估算后剔除，通常会损失 5-15% 的细胞；
2. 跨数据集整合后的低质量点剔除：与外部公开数据集联合嵌入时，落在所有簇之外的"孤立点"会被剔除；
3. 特定细胞类型的二次过滤：某些细胞类（如免疫细胞中的中性粒细胞）因核 RNA 捕获效率低、常被整体剔除；
4. 注释不可判定的点：介于两类之间的过渡点，在被强行二选一时可能被丢弃。

四道叠加，缩水 18% 左右是常见量级。168,599 / 205,925 ≈ 0.819，即保留约 82%；551,214 / 742,625 ≈ 0.742，保留约 74%。snRNA 保留率更低是合理的——核转录组本底更稀疏，整合时低质量核更容易被识别并剔除。

对使用者的实际含义是：引用"205,925"时你描述的是这份数据的采集规模，引用"168,599"时你描述的是这份图谱的成品规模。写方法学部分时用前者，写"图谱包含多少细胞"时用后者，两者都正确，但混用会在审稿时被追问。

4.2 供体数为什么也是两套

供体数的分歧有另一条线索：摘要按模态分列，论文按整合后去重。

摘要把 67（scRNA 供体）与 54（snRNA 供体）分开报，是因为这两组供体本身不完全重合——有的供体只做了 scRNA，有的只做了 snRNA。论文的 102 位供体是"整合后的并集"，并且包含了发育期胎儿供体与外部 AMD 队列供体。所以 67 与 54 的并集不会是 102，而是更小的数；差额来自外部整合数据。

CELLxGENE 上的供体数则是第三套：全细胞集 52、scRNA 集 60、RPE 集 46、免疫集 51、黑素细胞集 49。这些数字是"每个数据集实际包含的供体数"，因为某些供体在某些细胞类型里没有合格细胞。以 RPE 集 46 为最低，说明有 6 位供体虽然贡献了其他细胞类型，却没有留下合格的 RPE 核——这在老龄供体（RPE 细胞易凋亡、核易降解）中很常见。

三套供体数的正确理解方式是：67/54 是采集规模，102 是整合规模，52/60/46/49 是各成品的实际覆盖。任何"这份图谱来自 67 位供体"的说法都是把采集规模当成了图谱规模，属口径混用。

还有一点值得补充：三套标签并非「新旧替代」关系，而是同时存在于同一批发布资产中。CELLxGENE 的 H5AD 里通常同时保留 cell_type 与更细的 author_cell_type 一类字段（字段名依数据集而定），前者对应稳定的粗标签，后者对应作者自定义的细标签。使用者在读入数据后应先 adata.obs.columns 看一眼有哪些标签列，而不是默认只有一个 cell_type。

这个细节对复现的影响不小：若下游用粗标签训练分类器，再用细标签评估，会得到虚高的准确率；反之若用细标签训练、粗标签评估，则会低估性能。正确做法是先确定评估口径，再选对应的标签列，并在方法学部分写明用的是哪一列。

此外，三套标签的存在也给「跨图谱合并」带来了机会：当另一个眼部图谱只提供粗标签时，可以用本图谱的 15 类口径做桥梁；当另一个图谱提供细标签时，可以用 48 状态口径做更精细的对照。这种「多粒度接口」的设计，是 HCA 生态里少见的实用主义做法。

4.3 15 类 25 型 vs 17 类 48 型

15 大类 25 细胞类型出现在 GEO 摘要与 CELLxGENE 集合描述里，17 类 48 个类型或状态出现在论文正文。两者的差额来自三个方向：

• 状态并入：论文把两个应激/衰老 RPE 态单列为"类型或状态"，摘要口径可能把它们并入 RPE 大类；
• 亚型细分：11 种成纤维细胞在 25 型口径里可能被压缩为 2-4 个"成纤维细胞亚型"，周细胞 2 型可能压成 1 型；
• 类目合并：论文的 17 类可能是把某些小类（如肥大细胞）并入更大类目后得到的。

这个差额不是缺陷，而是同一部图谱的两种交付粒度。读者只需要记住一条规则：做标签迁移（label transfer）用 25 型，做机制解释用 48 型。前者稳、后者细，各取所需。

这个矛盾对一个具体场景影响最大：做「系统综述或数据目录」的团队。他们往往只能读到摘要字段，无法逐一核对样本文件，因此如果摘录了 overall design 的「60 位出生后供体」，就会把一份含发育期数据的图谱描述成「仅成人数据」。这类错误在数据目录里极其常见，且很难被下游发现。本条目把该矛盾单列，就是希望后来的目录编制者能避开这个雷。

4.4 GEO overall design 字段的自相矛盾

GEO 的 overall design 字段原文是："snRNA-seq (80), scRNA-seq (5) and snATAC-seq (65) of retinal pigment epitheliium from 60 human, postnatal donors."这句话至少有三处与 summary 不一致：

项	overall design	summary	实测 filelist
snRNA-seq 样本数	80	—	约 80（RNA 85 减去 5 个 scRNA）
scRNA-seq 样本数	5	—	5
snATAC-seq 样本数	65	—	65 ✔
供体数	60（出生后）	67（scRNA）/ 54（snRNA）	—
是否含发育期	未提（“postnatal”）	明确含 PCW 10-23	有 1d_fetal 样本

结论：80 + 5 + 65 = 150 是样本数，不是供体数；"60 human, postnatal donors"很可能是提交者在填写 overall design 时的粗略估计，与 summary 的 67/54 以及"含发育期"的事实都不吻合。这属于 GEO 提交表单常见的"summary 与 overall design 由不同人填写"问题（坑 3）。

对使用者的含义：GEO 的 overall design 字段不可直接引用。要么引用 summary，要么引用 CELLxGENE 的 ontology 元数据，要么自己从 filelist 数样本。

4.5 时间线的三个版本号

这份图谱的发布节奏本身也是一条需要理清的口径线：

事件	日期	依据
GEO 原始文件提交	2025-12-04 至 2025-12-08	FTP filelist 时间戳
bioRxiv 预印本首发	2026-07-24	Europe PMC firstPublicationDate；PMID 42539169
GEO 系列公开	2026-08-26	FTP suppl 目录 Last modified
CELLxGENE 集合创建	2026-09-10	集合 API created_at
CELLxGENE 集合修订	2026-09-11	集合 API revised_at
CELLxGENE 集合 published_at 字段	2025-05-05	集合 API（与 created_at 冲突，存照）

那个 2025-05-05 的 published_at 是明显的异常：CELLxGENE 集合的创建时间不可能早于 GEO 提交时间（2025-12），也不该早于论文首发（2026-07）。最可能的解释是集合脚手架或模板继承了某个旧时间戳，或字段被误填。使用 CELLxGENE 集合作为引用源时，请引用 created_at 而非 published_at（坑 8）。

4.6 14 个细胞去哪了：CELLxGENE 内部的数字对账

CELLxGENE 内部的数字之间也有小差额，值得对一次账：

• snRNA 全细胞 566,546 与 snRNA v1 715,619：差 149,073，v1 多出的是发育期胎儿核（摘要说 136,555，差额约 12,518，可能来自胎儿样本中额外注释的细胞或成人集在 v1 中的轻微差异，存照）；
• snRNA 全细胞 566,546 与 论文 snRNA 551,214：差 15,332，即 CELLxGENE 发布版比论文版多留了约 1.5 万个核，可能是 CELLxGENE 版未执行论文的最严格过滤；
• scRNA 182,151 与 论文 scRNA 168,599：差 13,552，方向一致，CELLxGENE 版更"宽松"；
• 基质 212,984 + 内皮 99,457 + 免疫 101,471 + 黑素细胞 61,751 + RPE 69,244 + 施万 21,625 = 566,532，与全细胞 566,546 相差 14 个细胞——这 14 个细胞属于没有被单独成册的其他小类（如神经胶质或未分类），或是各册间存在少量重复计入。

这组对账的价值在于：它证明 CELLxGENE 的 9 个数据集是同一母集的不同切法，不是 9 份独立数据。所以"合计 2,030,848 个细胞"这个把 9 个数据集相加得到的数字毫无意义——它把同一批细胞数了四遍（全细胞、v1、各子集）。这一点在坑 9 里单列。
本章按「湿实验 → 干实验 → 产物 → 发现」的顺序展开，而不是按论文的叙述顺序。这样安排的理由是：使用者最关心的往往不是「作者讲了什么故事」，而是「这个结论是怎么来的、我能不能复现」。把方法放在发现之前，可以让读者在看到「448,567 个 OCR」时，已经知道这些 OCR 是从什么数据、用什么流程得到的。

需要提醒的是，本章的方法细节主要来自论文公开可见的正文部分，部分内容（如整合的具体参数、聚类的分辨率选择）在可获取的预印本版本中被截断或未展开。凡属此类，本章均以「论文提到」而非「论文给出参数」的方式表述，并在 FACTS.md 第 9 节列为遗留疑点。读者若要完整复现，应以期刊版或作者提供的代码仓库为准。

§5 方法与主要发现

从「眼库到细胞核」这条链条上，最容易出问题的环节其实是最不起眼的一个：死后间隔（PMI）。PMI 越长，RNA 降解越严重，核内转录本的完整性越差。论文在 Xenium 部分明确报告了 PMI（3.2 小时），但在 GEO 的样本级元数据中，PMI 是否逐样本记录、以何种字段记录，公开材料未明示。若 PMI 未被建模为协变量，那么「年龄效应」与「PMI 效应」可能部分混淆——因为高龄供体往往来自不同的眼库、有着不同的取材流程。这是所有死后组织图谱的通病，使用者在做年龄相关分析时应特别留意。

5.1 湿实验端：从眼库到细胞核

这份图谱的湿实验链条可以拆成五步，每一步都对应一个在眼科组学里容易翻车的环节。

取材。供体眼来自三个口径的眼库（见 §2.3 的 BCM / MMD / Hu 前缀）。取材方式包括：全眼（whole globe）后段取材、黄斑打孔（macular punch）、周边视网膜-脉络膜-巩膜复合块。RNA 样本名里的 WOLF（全眼/整块口径）、Mac（黄斑）、per（周边）、Choroid（带脉络膜）、CONNECT（带连接组织）正是这几种取材方式的编码。

分层。RPE 紧贴 Bruch 膜，单纯"剥 RPE"很容易带下脉络膜与视网膜碎片，反之"剥脉络膜"又容易掺入 RPE。这份数据的应对是同时保留多种带层组合（纯 RPE、Mac_RPE、RPE_Choroid、RPE_CONNECT），在分析阶段用标志基因做反向过滤——RPE 标志（RPE65、BEST1、TTR、RGR）与内皮标志（PECAM1、VWF）、光感受器标志（RHO、ARR3）互为"污染检测器"。

核化。snRNA-seq 的前提是高质量细胞核。RPE 细胞的核被大量黑色素颗粒包围，裂解时色素会随核共沉降，抑制反转录。论文的解法在样本名里留下了痕迹：Tyto（专用核分离方案）、bead（磁珠富集）、spin（离心富集）、5v2_..._spin（5’ 试剂版 + 离心）。这也解释了为什么 RPE 核数（68,871）能比 scRNA 的 RPE 细胞数（7,472）高出一个数量级。

建库。三种化学版本混用：10x 3’ v2（EFO:0009899）、10x 3’ v3（EFO:0009922）、10x 5’ v2（EFO:0009900）。3’ 与 5’ 的差异不只是读段位置，5’ 试剂盒保留了 T 细胞受体/B 细胞受体的 V(D)J 信息，但在这份以 RPE 与血管为主的数据里，5’ 的主要价值是核内 5’ 端捕获效率的差异。混用版本意味着批次效应必然存在，且批次与供体、与建库时间高度共线——这是整合时必须特别小心的结构（坑 4）。

染色质端。snATAC-seq 直接产出 fragments.tsv.gz 与 peak 矩阵。234,007 个核分 65 个样本，平均每样本约 3,600 个核，属于"少核多样本"设计。这种设计的好处是供体覆盖广（41 位），坏处是单样本深度浅，做单细胞内共可及（co-accessibility）时统计功效受限。

这些技术选择里，最影响下游的是「整合工具」这一项。整合方法决定了嵌入空间的结构：Harmony 倾向于保留全局结构、压缩批次差异；scVI 的潜变量模型能同时建模批次与技术噪声；而简单的 PCA + BBKNN 则更激进地强制混合。不同方法产出的嵌入，会让同一批细胞在 UMAP 上呈现不同的「簇形状」，进而影响「RPE 五亚群是否明显分离」这类直观判断。因此复现时若换用另一种整合方法，得到不同数量的亚群是完全正常的——这并不意味着原结论错了，而是「聚类边界对方法敏感」这一老问题的再次显现。

5.2 干实验端：整合与注释的技术选择

论文的方法部分（就可见内容）透露了几个技术选择：

• 整合工具：论文提到与 9 个公开 sc/snRNA-seq 数据集联合整合，使用 Harmony 类嵌入校正（论文正文中"与 9 个公开数据集整合"是核心方法声明之一）。整合的目标不是"造一个更大的图谱"，而是"让新数据可被已有知识锚定"。
• 质控工具：团队自研的 cellqc（GitHub: lijinbio/cellqc），这是作者在方法中明确给出的代码入口。
• 调控推断：SCENIC+ 与 cisTarget 数据库，用于从 snATAC 推断转录因子调控网络与增强子-启动子互作（294,601 个预测互作即由此产出）。
• 注释层级：先做 15 大类粗注释，再做 25 细胞类型细注释，最后做 48 类型/状态的高分辨率子聚类。三层注释分别对应三种下游用途（跨组织比较、标签迁移、机制解释）。
• 空间验证：10x Xenium Human Eye Panel（478 基因，Design ID G33B7Z），7 张切片，18,157 个分割细胞，供体为 1 名 77 岁女性欧洲供体、PMI 3.2 小时。空间数据在此扮演"验尸官"角色：验证单细胞推断出的中央-周边轴是否真实存在于组织切片上。

还有一个常被忽略的参照系：这些 OCR 中「有多少是重复序列」。RPE 与脉络膜组织的 ATAC 数据里，线粒体来源的片段与重复元件来源的片段比例不低，若 peak calling 时未充分过滤，会高估 OCR 总数。论文报告「细胞类型特异性 OCR 占 52.7%」，这个比例在某种程度上起到了质控作用——若大量 OCR 是噪声，特异性比例会显著偏低。因此 52.7% 这个数字不仅是「指纹资源」的指标，也是一个间接的质量信号。

5.3 染色质产物：448,567 个开放染色质区域意味着什么

448,567 这个数字需要三个参照系才显得有意义。

参照一：每个细胞类型的 OCR 数。论文给出 69,470 至 193,781 的区间，说明不同细胞类型的开放染色质复杂度差异近三倍。RPE 与内皮这类"功能高度专门化"的细胞通常 OCR 数较少但特异性高；免疫细胞与成纤维细胞这类"状态多变"的细胞 OCR 数较多。

参照二：细胞类型特异性占比 52.7%。也就是说，超过一半的 OCR 只在一种细胞类型里开放。这个比例在人类图谱里属于偏高——高特异性意味着这些 OCR 更适合做细胞类型去卷积的"指纹"。

参照三：与 bulk RPE ATAC 的对照。论文与 Wang 等的 bulk RPE ATAC-seq 数据做了对照，结果是单细胞图谱捕获了既有 bulk 数据约 80.34% 的峰，同时把总量扩充了近 3 倍。这条对照极为重要：它证明这份图谱不是"凭空发明新峰"，而是在既有共识基础上做加法。

其他染色质层面的产物包括：共可及远端峰 143,823 个（score > 0.3）、预测增强子-启动子互作 294,601 个、cis 调控元件 183,327 个 OCR 对应 420,724 个 peak-gene 对。这四组数字构成了"从峰到基因"的桥：143,823 个远端峰负责"哪些元件一起开关"，294,601 个互作负责"元件连到哪个启动子"，420,724 个 peak-gene 对负责"元件调控哪个基因"。

5.4 主要发现之一：RPE 的五段式空间结构

RPE 一直被认为是一条均质的"黑色带子"。这份图谱的第一个反直觉结论是：它在分子层面至少分五段。

五段的标志基因（LGI1、CST3、INSYN2B、TENM4、TUBA1A）本身并不都"RPE 特异"——LGI1 在神经系统高表达、CST3 是胱抑素 C、TUBA1A 是微管蛋白。这提示五段的差异不一定来自"身份不同"，而可能来自所处微环境的差异：中央区 RPE 紧邻黄斑光感受器（视锥密度极高），周边 RPE 紧邻视杆为主的外周视网膜，两者的代谢负荷、光氧化压力、营养供给都不同。TUBA1A 在周边段的富集，某种程度上是"细胞骨架重塑"的转录印记——周边 RPE 细胞更大、更扁平，形状差异必然反映在骨架基因上。

两个应激/衰老态的独立性同样重要：它们的存在说明"RPE 老化"不是"五段之一的偏移"，而是一种跨段的叠加状态。这在解释 AMD 病灶为什么可以"跳跃式"出现在黄斑不同位置时很有用。

值得补充的是，内皮分区在「功能」层面的证据仍相对薄弱：论文证明了「转录组与染色质沿解剖序列渐变」，但对「每种内皮亚型承担何种特化功能」只做了有限讨论。这与内皮研究在肝、脑中的成熟度形成对比——那里已有明确的功能分区（如肝窦内皮的去清道夫功能、脑血管的血脑屏障功能）。脉络膜内皮的功能分区，是这份图谱打开但未关闭的一扇门。

5.5 主要发现之二：脉络膜内皮的解剖梯度

第二个结论是脉络膜内皮的分区。五个内皮亚型（动脉、小动脉、有孔毛细血管、微静脉、静脉）不是按"聚类相似度"随便切的，而是与解剖序列对应。这个对应关系在三个层面被验证：转录组标志基因、染色质可及性差异、以及空间转录组的原位定位。

分区的临床含义很直接：AMD 的脉络膜毛细血管丢失（choriocapillaris dropout）是有孔毛细血管亚型的特异性损伤，而静脉回流障碍则是另一回事。把"脉络膜血管病变"细分为"哪一段内皮出问题"，是这份图谱给临床研究最实际的工具。

把这三条年龄相关结论放在一起，可以看到一个共同的方法学前提：它们都是「相对比例」的结论，而不是「绝对数量」的结论。单细胞/单核数据在本质上只能给出比例，因为测序深度、细胞回收率、核提取效率都会影响绝对计数。因此论文用「fractional depletion」（比例性耗竭）这一措辞是严谨的，而任何把它转述为「黑素细胞随年龄减少 X%」的说法都越过了数据能支持的范围。

这个区分在跨研究比较时尤其重要。若另一项研究报告「黑素细胞比例在老年组下降 30%」，而本图谱报告「显著比例下降」，两者的数字不可直接对比——因为它们的取样区域、年龄分组、归一化方式都可能不同。稳健的做法是只在同一研究内部比较趋势方向，跨研究只比较「方向是否一致」，不比较幅度。

另一点值得注意的是，年龄相关的变化并不均匀分布在所有细胞类型上。论文点名的是黑素细胞、PI16+ 成纤维细胞与微静脉内皮三类，而 RPE 本身只表现为「中央轻度减少、远周边相应增加」的位置重分布，而非总量大幅下降。这个不对称本身就是一条信息：它提示衰老对脉络膜的影响可能更多体现在「支持系统」（色素、基质、回流血管）上，而不是「主体功能层」（RPE）上。这一假说值得在后续的纵向研究中检验。

5.6 主要发现之三：年龄性组成漂移

论文的年龄分析给出了一组"随年龄比例下降"的细胞：黑素细胞、PI16+ 成纤维细胞、微静脉内皮；同时报告了中央 RPE 的轻度相对减少与远周边 RPE 的相应增加。这组结果的解读需要谨慎：单细胞比例受取样与解离效率影响，老年组织的细胞存活率本就不同。论文用"fractional depletion"（比例性耗竭）而非"绝对数量减少"来表述，这个措辞是恰当的。

更有说服力的是另一条：表观遗传的年龄变化集中在黄斑，且发生在成年早期到中期的过渡阶段，之后到老年趋于稳定。这条结论只有在同时具备年龄跨度、区域标签与 ATAC 数据时才可能得出——它恰好是这份图谱四通道设计的直接产物。

这条推断链还有一个值得记录的「负结果」特征：论文并没有声称找到了 AMD 的「致病细胞」，而是说「风险变异在这两群 RPE 细胞里更可能落在功能元件上」。这个措辞上的克制很重要——它把结论限定在「遗传架构的细胞定位」层面，而不越界到「致病机制」。对于想要引用这一结论的临床研究者，这个区分意味着：它可以用来支持「RPE 亚群是药物靶点筛选的优先细胞」，但不能用来支持「清除或补充某群 RPE 细胞可以治疗 AMD」。

5.7 主要发现之四：AMD 遗传风险的细胞归属

这是整篇论文最有分量的部分，也是最容易被误读的部分。它的逻辑链条是四步：

第一步：把 GWAS 信号收进来。 从两项 AMD 标志性 GWAS 中取 95% 可信集（credible set）变异，共 2,243 个。可信集的好处是它已经做过精细定位（fine-mapping），每个变异附带一个"这很可能就是因果变异"的后验概率，比直接拿全基因组显著位点更精确。

第二步：把变异落到染色质上。 用 448,567 个 OCR 做重叠，结果 459 个（20.46%） 落在 OCR 内。这 459 个再继续分层：

分层	数量	含义
落在 OCR 内（Peak）	459（占 2,243 的 20.46%）	位于开放染色质区
与至少一个远端峰共可及（CoA）	177（占 459 的 38.56%）	该 OCR 与远端元件协同开关
与基因表达显著相关（P2G，correlation > 0.5）	119（占 459 的 25.93%）	该 OCR 活性与该基因表达联动
位于细胞类型特异性 OCR（DAR）	86	只在特定细胞类型开放
位于年龄相关 OCR（Aging DAR）	22	其开放程度随年龄变化

第三步：做细胞类型富集。 用两条独立路径交叉验证：LDSC（基于染色质的遗传力富集）与 MAGMA（基于转录组的基因水平富集）。两条路径一致指向 RPE 的 LGI1+ 与 INSYN2B+ 亚群是 AMD 遗传风险的主要承载体。这个交叉验证是整个结论的骨架——单一方法只能给出"相关"，两条正交方法一致才能给出"可信"。

第四步：落到基因。 分析管线共识别 120 个候选基因，其中 25 个有文献支持。论文按表达特异性把它们分成三组：

• RPE 特异表达：SLC16A8、LIPG、RLBP1、COL4A3；
• 广谱表达但 RPE 峰最高：HTRA1、VEGFA；
• 单核/巨噬细胞特异：CFD、PILRA。

其中两个被论文称为"新的变异-基因证据"（novel variant-to-gene）：

• LIPG：4 个 GWAS 变异跨 2 个 OCR（其中 1 个 RPE 特异）；AMD 各期 RPE 中显著上调。
• COL4A3：6 个 OCR（其中 2 个 RPE 特异）承载 14 个 GWAS 变异；AMD 患者 RPE 中显著下调，新生血管型 AMD（nAMD）最低。

已知位点的扩展也值得一提。ARMS2/HTRA1 是 AMD 最强的遗传位点，此前报道只有 1 个 RPE 特异 OCR 变异；这份图谱识别出 6 个变异跨 2 个 OCR，并把 HTRA1 在 nAMD 中的显著下调补上。VEGFA 位点则新增 4 个 OCR、9 个 GWAS 变异，其中包括 rs943080。其他在 AMD 供体 RPE 中显著下调的基因还有 BSG、RLBP1、SLC16A8。

5.8 这套逻辑的可复制性与边界

这套"GWAS × 单细胞多组学"的流程本身是可复制的模板：可信集变异 → OCR 重叠 → 共可及 → peak-gene 关联 → 细胞类型特异 OCR → 富集检验 → 靶基因提名。任何有"疾病 GWAS + 组织 snATAC 图谱"的组合都能套用。

但它的边界同样清楚：

• 相关性不等于因果。P2G 的 correlation > 0.5 只是一个统计门槛，不代表该 OCR 真的调控该基因；
• 富集不等于机制。LGI1+ 与 INSYN2B+ 亚群富集，只能说明"风险变异在这两群细胞里更可能落在功能元件上"，不能说明"这两群细胞是 AMD 的起源细胞"；
• 可信集依赖上游 GWAS 的质量。如果上游精细定位本身有偏，下游所有分层都会被放大；
• 细胞类型特异性 OCR 的定义依赖聚类粒度。若把 RPE 五群合并成一类，86 个 DAR 里很大一部分会消失。

从方法学角度看，这份图谱在「空间验证」这一环上的做法值得单独分析。多数图谱把空间数据当作「额外的图」，用来展示某个标志基因在切片上的分布；本图谱则把空间数据当作「检验工具」，用来回答「单细胞推断出的分区是否在真实组织中存在」。这两种用法的差别在于：前者是描述性的，后者是证伪性的。

证伪性用法的价值在于它给推断链加了一道可失败的门槛。如果 Xenium 切片上看不到 RPE 的中央-周边梯度，那么无论单细胞聚类多么漂亮，「RPE 五亚群」这一结论都应被大幅打折。反过来，切片上看到了梯度，也不能证明五个亚群的划分方式「正确」——它只证明了「沿轴存在渐变」这一较弱的主张。这种「只能部分证实、但可以整体证伪」的结构，正是高质量图谱应有的自我约束。

这种自我约束的代价是空间数据的规模被刻意压小：7 张切片、1 位供体、478 个基因。作者显然清楚，空间数据的角色是「压舱」而非「发现」，因此没有把预算花在扩大切片数量上，而是花在了保证切片覆盖三种解剖位置（中央后段、部分黄斑加周边、远周边）上。这个取舍在资源有限时是合理的，但也意味着任何基于空间数据的定量结论都必须极其谨慎。

5.9 空间转录组：为整条推断链提供"落地"证据

Xenium 部分规模不大（7 张切片、18,157 个细胞、478 个基因、1 位 77 岁女性供体），但它的角色是"压舱石"：它要在真实组织切片上验证两件事——RPE 的中央-周边分带是否可原位观察到，以及脉络膜内皮的解剖分区是否与切片位置对应。它也覆盖了 snRNA 里 11 个主要细胞类，说明图谱的主干分类在原位是站得住的。

需要提醒的是：单供体、单时间点、478 基因面板这三个限制决定了 Xenium 部分不能用于任何组间比较或族裔泛化。它的定位是"验证"而非"发现"。

5.10 发育期维度：PCW 10-23 的 136,555 个核

发育期数据（PCW 10-23，136,555 个核）是这份图谱区别于其他成人 RPE/脉络膜图谱的关键差异点。它的价值有三层：

1. 提供"起点"：成人 RPE 的五个亚群在发育期是否存在？如果存在，说明分区是发育程序的一部分；如果不存在，说明分区是出生后随微环境逐渐形成的。这个问题只有带发育期数据才能问。
2. 提供"谱系"：脉络膜的成纤维细胞 11 型在发育期的前体状态是什么？黑素细胞从神经嵴迁移而来，其在脉络膜内的分化轨迹可在发育期数据里追踪。
3. 提供"疾病对照"：某些儿童期视网膜疾病（如 Leber 先天性黑蒙的部分亚型）涉及 RPE 发育异常，成人图谱无法提供对照。

局限同样明显：胎儿样本数量有限（GEO 里仅见零星 fetal 标识），PCW 10-23 覆盖的是孕早期到孕中期，缺少孕晚期与出生后早期的关键过渡段（坑 10）。

关于发育期数据的另一个使用细节值得单独提示：CELLxGENE 的 snRNA v1 数据集（715,619 核、5.71 GB）是把成人集与发育期集合并后的成品，其 development_stage 字段同时包含 HsapDv 的"第 10 周胚后受精龄"到"99 岁"的连续档位。若研究者只想复制论文的"成人图谱"部分，应改用 snRNA all cells（566,546 核），否则会把胎儿样本混入，导致任何按年龄的回归都出现一个远离成人分布的密集簇。反之，若研究目标是"从胎儿到成人的连续成熟轨迹"，则必须用 v1 集，且应显式检查每个年龄档的细胞数是否足以支撑局部回归——某些档位（如 1 月龄、6 月龄）的细胞数非常少，直接放入连续模型会产生杠杆点效应，把整体斜率拉偏。

本章的写作目标是「让读者在十分钟内知道自己该下什么、能不能用、要花多少磁盘」。因此它把「获取」与「许可」放在同一章：这两个问题在实践中总是同时出现——你找到一个下载链接的同时，就必须判断这个链接背后的数据能不能用于你的场景。

需要强调的是，本章对许可的结论是「未声明」，而不是「自由使用」或「禁止使用」。在数据合规的语境里，「未声明」是一个明确的、可操作的状态：它意味着学术使用通常无碍，商业使用与再分发必须回溯授权。把它误读成「自由使用」会带来法律风险，误读成「禁止使用」则会白白放弃一份高质量的公开资源。

§6 获取与许可：两条通道、四种文件、三种限制

6.1 通道一：GEO（原始矩阵 + 片段文件）

入口：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE312791，系列号 GSE312791，物种 Homo sapiens，150 个 GSM 样本。

下载路径：https://ftp.ncbi.nlm.nih.gov/geo/series/GSE312nnn/GSE312791/suppl/，两个文件：

文件	体积	内容
GSE312791_RAW.tar	184,940,554,240 字节（约 184.9 GB）	281 个文件的打包
filelist.txt	26 KB	每个文件的名称、时间戳、字节数、类型

内含文件四类：

1. filtered_feature_bc_matrix.h5（RNA 侧，85 个）：10x Cell Ranger 输出的稀疏计数矩阵，含 barcodes、features、matrix 三组；
2. filtered_peak_bc_matrix.h5（ATAC 侧，65 个）：peak × 细胞的计数矩阵；
3. fragments.tsv.gz（ATAC 侧，65 个）：每一条转座酶插入位点的染色体坐标、细胞条形码、计数，是重做 peak calling 与做 TF 足迹的原始材料；
4. fragments.tsv.gz.tbi.gz（ATAC 侧）：fragments 的 Tabix 索引，用于区间查询。

无需申请。GEO 这一系列不走 dbGaP 受控访问，不需要数据使用协议（DUA），也不需要机构审查。这是它作为"AI-Ready"资源的关键前提——任何研究者、任何机构、任何国家，只要能连上 NCBI FTP 就能下载全部 184.9 GB。

实操建议：不要一次性 wget 全部。先用 filelist.txt 过滤出需要的 GSM，再逐样本下载；ATAC 的 fragments 文件是带宽杀手（单样本 1.8-2.1 GB），如果只做转录组分析完全可以跳过。

CELLxGENE 的另一个实用功能是「按元数据切片下载」：在网页端可以先按 tissue、cell_type、assay 过滤，只下载符合条件的子集。对本图谱而言，这意味着可以只取「黄斑来源的 RPE 核」或「60 岁以上供体的内皮细胞」，而不必先下整册再筛选。对算力有限的团队，这个功能比「直链下载整册」更实用。

6.2 通道二：CELLxGENE Discover（整合后的 H5AD）

入口：https://cellxgene.cziscience.com/collections/48c15b0c-6039-4e0f-9668-b6b3c0b830ad

9 个数据集，均为 H5AD，合计约 18.4 GB。每个数据集的直链形式是 https://datasets.cellxgene.cziscience.com/<dataset_version_id>.h5ad，可用 curl 或 wget 直接下载，也可用 cellxgene-census 的 Python API 按 dataset_id 过滤拉取。

H5AD 里有什么：表达矩阵（稀疏 CSR/CSC）、细胞元数据（cell_type、tissue、assay、donor_id、development_stage、sex、self_reported_ethnicity、disease）、嵌入坐标（UMAP）、原始与归一化矩阵（视数据集而定）。元数据全部使用 ontology 术语（UBERON、EFO、HsapDv、PATO、HANCESTRO），这是它比 GEO 矩阵"好用"的核心原因。

无 gated：不需要登录、不需要签署协议。集合的 visibility 字段为 PUBLIC。

实操建议：先下 snRNA 全细胞（4.97 GB）做全局探索，再用 snRNA RPE（0.83 GB）做 RPE 专属分析。如果要做内皮分区，snRNA 内皮（0.77 GB）最省事。

若一定要给这份数据一个「合规画像」，最准确的说法是：「公开可得、学术友好、商业需谈」。这个画像与库内大量需要签署 DUA 的临床数据形成鲜明对比——后者往往连「学术友好」都谈不上，需要逐案审批。对本图谱而言，合规的主要风险不在「能不能看」，而在「能不能转发」：把 H5AD 打包上传到第三方网盘、或把处理后的矩阵作为「衍生数据」发布，都可能越过未声明的边界。

6.3 许可：三层，都不是"标准 CC 协议"

这是这份数据最需要说清楚的一点：它没有一个单一的、明确标注的数据许可。

层	许可状态	依据
GEO 原始数据	无显式 license 字段；公开可下载，无访问闸门	GEO 系列页面与 FTP 均无 license 声明
CELLxGENE 发布对象	无 license 字符串；集合 API 无 license 字段	集合 API 返回体不含 license
论文预印本	CC BY-NC-ND	Europe PMC license 字段

因此正确的表述是：数据下载本身不构成许可问题（公开无闸门），但再分发、再许可与商业使用必须回溯作者与所属机构。不能写"这份数据是 CC BY-NC-ND"——那是论文的许可，不是数据的许可；也不能写"这份数据是 CC0/CC BY"，那没有任何依据。

实践中安全的做法有三条：

1. 学术使用：直接下载使用，在方法学部分明确引用 GEO 号与论文 DOI；
2. 二次分发：不自行打包转售或上传到第三方镜像，只提供原始 GEO/CELLxGENE 链接；
3. 商业使用：事先联系通讯作者（Rui Chen，CELLxGENE 联系人邮箱 ruic20@hs.uci.edu）与 Stanford 技术转移办公室。

这三点限制叠加起来，实际形成了一道「隐形技术门槛」：不是所有想做研究的人都能跨过。算力、存储、格式转换能力，构成了数据「事实上的可及性」——它与「法律上的可得性」并不重合。这也是为什么同一份公开数据，在不同团队手里的产出量差异巨大：门槛不在获取，而在「跨过第一条技术障碍之前的那段路」。

6.4 三种限制：不是许可限制，是技术限制

比许可更容易绊倒使用者的是三个技术限制：

• 体量限制：GEO 全量 184.9 GB，解压后更大（fragments 是 gzip 压缩的文本，解压后可能翻 3-5 倍）。本地磁盘不足是首要障碍，建议用云对象存储或 HPC 集群的暂存区。
• 格式限制：GEO 的 H5 是 Cell Ranger 原生格式，不是 AnnData；要转到 Python 生态需要 scanpy.read_10x_h5 或 Seurat::Read10X_h5。ATAC 的 fragments 需要 ArchR、Signac 或 SnapATAC2 才能用。
• 对齐限制：GEO 矩阵的 barcode 是样本内唯一的，跨样本合并必须自己加样本前缀；CELLxGENE 的 H5AD 已经做过合并与去重，但没有提供样本级原始矩阵（要回 GEO）。

这条清单故意省略了「调参」环节，因为参数选择高度依赖具体研究问题，任何通用的参数建议都可能误导。但有三类「必查项」值得单独提示：第一是基因命名版本，HGNC 符号在过去几年有大量更新，若参考矩阵用旧符号而查询数据用新符号，交集会莫名其妙地少掉一大截；第二是线粒体基因比例阈值，不同组织的最优阈值差异很大，眼后段组织的阈值通常应比外周血宽松；第三是环境变量基因（如热休克基因、即刻早期基因）的处理，核转录组里这类信号通常较弱，但若样本离体时间较长仍会显著升高。

另一个常被忽略的复现细节是「细胞类型标签的版本」。CELLxGENE 的 cell_type 字段在不同修订版之间可能发生变化（例如某个亚群被合并或拆分），因此缓存的 H5AD 与线上的标签体系可能不一致。建议在本地保存一份标签映射表，并在每次重下数据后做一次差异比对。

最后提醒一点：这份图谱的整合流程涉及与 9 个外部数据集的联合嵌入，若研究者只下 CELLxGENE 的成品，是无法完整复现「整合」这一步的——成品只保留了整合后的嵌入与标签，不保留整合前的批次结构与校正参数。要复现整合，必须回到 GEO 拿原始矩阵，并自行获取那 9 个外部数据集（其 GEO 号未在可见正文中列出，属遗留疑点）。

6.5 复现路径：从零到能跑的最小清单

给"想在一周内用起来"的人一条最短路径：

1. 装 scanpy + anndata + harmonypy（或 scvi-tools）；
2. 从 CELLxGENE 下 snRNA 全细胞（4.97 GB）；
3. sc.read_h5ad() 读入，检查 obs 里的 cell_type、donor_id、development_stage、tissue 是否齐全；
4. 按 cell_type 做子集，先跑一遍细胞比例统计（按年龄分箱、按区域分组）；
5. 若要做整合或去卷积，把本图谱的 cell_type 均值表达谱导出为参考矩阵；
6. 若要做染色质分析，再从 GEO 下对应的 65 个 ATAC 样本的 peak 矩阵（不必下 fragments，除非要重做 peak calling）；
7. 复现作者流程需装 cellqc（GitHub: lijinbio/cellqc）与 SCENIC+。

6.6 版本链：v1 之后会怎样

论文标题与摘要都明确写 “version 1”。这意味着作者预留了 v2、v3 的迭代空间。对使用者的实际影响是：

• 引用时必须带版本。写"RPE/choroid atlas v1"而非"RPE/choroid atlas"，因为 v2 可能改变细胞数、细胞类型定义甚至分类体系；
• CELLxGENE 的 dataset_version_id 会变。同一 dataset_id 在不同时间可能指向不同版本，缓存 H5AD 时请记录下载日期与 version_id；
• GEO 的 GSE 号通常稳定，但若作者提交 superseries 或新增样本，GSE312791 可能被更新。建议在论文中写"accessed on YYYY-MM-DD"。

6.7 与库内其他"图谱类"资源的获取方式对照

把这份图谱放回库内语境，它的获取方式处在"最开放"的一端：

资源	获取方式	闸门
rpe-choroid-atlas	GEO + CELLxGENE 双通道	无
Human Cell Atlas（rid 319）	门户聚合，分散在各仓库	视子项目而定
CZ CELLxGENE（rid 38）	平台本体	无
CZ CELLxGENE Census（rid 1035）	云端 API / S3	无
Tabula Sapiens（rid 329）	图库 + 门户	无
Single Cell Portal（rid 359）	门户，部分需登录	部分
Inflammation Atlas（rid 1189）	门户	无

表中可见：单细胞图谱类资源整体处于"低闸门"生态，这与影像类资源（大量需要 DUA）形成鲜明对比。理解这一点，对判断一份数据"能不能马上用来训练模型"至关重要。

一部图谱的影响力，最终不取决于它发表在哪，而取决于「有多少下游模型把它当作默认参考」。本章因此把重点放在「用法」而非「引用数」：参考映射、去卷积、GRN 先验、GWAS 底图，这四种用法各自对应一类下游团队，也各自有一套失败模式。

本章还特意区分了「互补」与「竞争」两类关系。眼科图谱众多，但绝大多数与本图谱是互补而非竞争——全视网膜图谱不覆盖 RPE 与脉络膜，类器官图谱是体外模型，AMD 患者图谱样本量小但疾病信息完整。把关系看清，才能避免「又一份图谱，有什么用」这类误判。

§7 生态与影响：一部图谱如何进入下游模型

HCA 的生态位还有一层常被忽略的含义：它决定了数据的「发现路径」。一份挂在 HCA Eye Biological Network 下的图谱，会自动出现在 HCA 数据门户的眼科分类里，被做眼科研究的团队优先看到；一份同等质量但没有挂靠的图谱，可能只在作者主页或论文附件里存在。这种「可见性差异」对数据的实际使用率影响巨大，也是很多团队愿意投入额外精力做 ontology 对齐的现实原因。

7.1 在 HCA 生态里的位置

Human Cell Atlas（HCA）不是一份数据，而是一个"国家的细胞地图工程"式联盟。它的组织方式是**生物网络（Biological Network）+ 组织图谱（tissue atlas）+ 数据平台（Data Coordination Platform）**三层。这份 RPE/脉络膜图谱属于 Eye Biological Network，即眼科学方向的子网络。

这个位置带来两个实际好处：

• 元数据合规：所有细胞都带 ontology 标注（组织用 UBERON、assay 用 EFO、发育阶段用 HsapDv、性别用 PATO、族裔用 HANCESTRO），这意味着它可以被联邦查询工具自动索引，而不需要人工读表；
• 互操作：同网络内的其他眼部图谱（视网膜、角膜、泪腺）使用同一套术语，跨图谱合并时不必做术语映射。

代价是注释粒度受约束：HCA 要求细胞类型标签尽量落到 Cell Ontology（CL）的既有条目上，若某个亚群在 CL 里没有对应条目，就得用"最接近的父类 + 自由文本"表达，这会造成不同图谱的亚群粒度不一致。

7.2 CELLxGENE：从"仓库"到"语料"

CELLxGENE Discover 的角色很特殊：它既是展示平台（可视化、差异表达、细胞指南），也是语料库。CZ CELLxGENE Census 把这些 H5AD 汇总成一个可按细胞类型、组织、疾病、assay 切片查询的云端对象，用户不需要下载 18.4 GB 就能按条件取子集。

这份图谱在 Census 里的价值在于**“眼后段唯一大规模参考”**——Census 里视网膜类数据不少，但专门覆盖 RPE 与脉络膜、且带 ATAC 的极少。任何做"眼组织去卷积"或"眼底组织细胞组成推断"的模型，都需要这样一个参考。

四种用法之间有优先级：如果研究目标是「快速给自己的数据打标签」，用法一最省事；如果目标是「发表可复现的定量结论」，用法二与用法三更稳妥，因为它们依赖的是聚合后的参考矩阵或公开的 peak-gene 表，而不是易受参数影响的嵌入空间。用法四则介于两者之间——它的输入是外部 GWAS，输出是候选基因，可复现性取决于上游 GWAS 与本文 OCR 的稳定性。

另一个实践层面的建议是：不要把四种用法混在同一个流程里而不做中间校验。例如先做参考映射、再用映射后的标签去构造去卷积参考矩阵，就会把映射误差传递到去卷积结果中，且难以追溯。稳妥的做法是每一步都保留中间产物（映射概率、参考矩阵、peak-gene 表），并在每一步单独做合理性检查。

最后，四种用法都有一个共同的隐含假设：本图谱的细胞类型定义与使用者关心的生物学问题「对齐」。若使用者的数据来自疾病组织，而本图谱是正常组织，那么映射与去卷积的结果都应被理解为「相对正常基线的偏离」，而不是「疾病状态下的真实组成」。这个解释框架必须在论文中写明。

7.3 下游模型的四条常见用法

把这份图谱当"数据"用，最常见的四种姿势是：

用法一：参考映射（reference mapping）。 把自己新测的 RPE/脉络膜数据投影到本图谱的嵌入空间，直接继承其 cell_type 标签。优点是省去重新注释，缺点是新数据里若存在图谱未收录的细胞状态，会被强行吸附到最近邻的已知类型上（"过度吸附"问题）。

用法二：去卷积参考矩阵（deconvolution reference）。 用本图谱各细胞类型的均值表达谱作为参考，从 bulk RNA-seq（如眼库全层组织）反推细胞组成。这类应用的精度高度依赖参考矩阵的"纯度"——若参考里混入了其他组织的标志基因，反推结果会有系统偏差。

用法三：基因调控网络先验。 448,567 个 OCR 与 294,601 个增强子-启动子互作，可以直接作为 SCENIC+、FigR 等工具的 cisTarget 数据库，用于推断新数据中的调控子（regulon）。

用法四：GWAS 后分析的工作底图。 把新的眼科性状 GWAS 结果叠加到本图谱的 OCR 上，按 §5.7 的五层逻辑做变异-基因映射。

这个分工表还提示一种常见的错误用法：把不同图谱的细胞类型标签「直接合并」成一个统一标签体系。眼科图谱的细胞类型定义各自独立（例如「成纤维细胞」在一个图谱里可能是 1 类，在另一个里是 11 类），直接合并会制造大量伪亚群。正确做法是先做标志基因层面的对照，再决定「哪些类可以合并、哪些必须保留」。

7.4 与其他眼部图谱的分工

眼科单细胞图谱并不只有这一部。按覆盖范围粗分：

图谱类型	覆盖	与本图谱的关系
全视网膜图谱	神经视网膜各层（光感受器、双极细胞、无长突细胞、节细胞等）	互补：本图谱刻意不覆盖神经视网膜，专攻 RPE 与脉络膜
黄斑专项图谱	黄斑区视网膜	互补 + 部分重叠：本图谱的黄斑 RPE 可与其对接
角膜/泪腺/小梁网图谱	眼前段	无重叠
类器官图谱（iPSC-RPE、视网膜类器官）	体外模型	对照：本图谱是体内参考，可用于评估类器官的成熟度
本图谱（rpe-choroid-atlas）	RPE + 脉络膜 + 部分巩膜	眼后段"被忽略两层"的专精

这个分工说明一件事：不要指望用一份图谱回答所有眼科问题。做光感受器变性研究，本图谱只能提供"RPE 侧"的支持细胞信息；做脉络膜新生血管研究，本图谱才是主战场。

7.5 引用与传播的现状

截至 2026-10-17，这份图谱的传播路径还是"预印本 + 双通道数据"：

• 论文：bioRxiv 预印本，2026-07-24 首发，尚未见期刊版（Europe PMC 无 journalInfo）；引用应写 “Shao J, et al. An Integrated Multi-omics Single Cell Atlas of the Human RPE and Choroid. bioRxiv 2026. doi:10.64898/2026.07.23.740352”；
• 数据：GEO GSE312791（2026-08-26 公开）+ CELLxGENE 集合 48c15b0c-6039-4e0f-9668-b6b3c0b830ad（2026-09-10 创建）；
• 第三方索引：celltype.info 项目页（project/592）已收录，seqout 也已建立 GSE312791 的镜像页面。

预印本状态对使用者的含义：结论尚未经过同行评议。特别是 AMD 变异-基因映射这类"新发现"，在期刊版出来之前应作为"待验证的假说"引用，而不是"已确立的结论"。

7.6 对 AI-Ready 方法学的三点贡献

抛开眼科本身，这份图谱在"数据集工程"层面提供了三个可迁移的做法：

1. 双通道发布：原始矩阵（GEO）+ 整合对象（CELLxGENE）同时公开，让不同算力的用户各取所需，而不是强迫所有人从原始数据开始；
2. 三套注释粒度：15 类 / 25 型 / 48 状态，对应三种下游需求，避免了"一套标签打天下"的僵硬；
3. 单供体空间验证：用最小规模的空间数据（7 张切片）为大规模单细胞推断提供原位锚点，成本可控而说服力足够。

这三点都不是新技术，但组合成一套完整交付规范，在库内单细胞类条目里属于少数派。
本章的五条经验不是「这份图谱做对了什么」的总结，而是「其他团队可以抄什么」的提炼。判据很简单：如果一条经验只适用于眼组织、或只适用于这份图谱的特定规模，它就不值得单列；只有当它能被迁移到其他组织、其他模态、其他团队时，才进入本章。

需要说明的是，这些经验中有一部分是「事后诸葛」——作者未必是刻意这么设计的，但从结果看它确实有效。例如「用最小规模空间数据压舱」这一条，可能只是预算限制下的妥协，但它在方法学上恰好成立。记录这类「偶然的正确」，对后来的团队同样有价值，因为它们提示：资源受限不必然是缺陷，关键是把有限的资源放在最能证伪的位置上。

§8 方法学启示：可迁移的五条经验

8.1 模态选择要跟着"细胞类型"走，不跟着潮流走

这份图谱最值得学习的方法学决定，是在 2026 年这个 scRNA-seq 已经"泛滥"的时点，仍然把 snRNA-seq 当作主通道。理由不是技术偏好，而是对象特性：RPE 是富色素的大细胞，脉络膜是血管密布的薄层，这两类组织在单细胞悬液制备中都会大量丢失。

论文给出的对比数据极有说服力：scRNA 通道只有 7,472 个 RPE 细胞，snRNA 通道有 68,871 个高质量 RPE 核。如果团队只做 scRNA，RPE 将退化为"边缘噪声"，五个亚群、两个应激态、AMD 富集分析全部无法做。

可迁移的经验是：先问"目标细胞在哪种模态里活得下来"，再决定建库方式。富色素细胞、脂肪细胞、神经元、多核巨细胞都偏向核转录组；免疫细胞、循环细胞偏向全细胞。混着做没错，但主通道必须选对。

这条经验还可以反向使用：如果一项研究的设计里没有发育期数据，那么它就不应该声称能回答「发育相关问题」。这在审稿中是一个常见的逻辑漏洞——作者用成人数据讨论「发育程序」，却没有发育期对照，结论只能停留在「成人状态下的相关性」。

从资源角度看，发育期数据的获取成本远高于成人数据：胎儿眼组织来源稀缺、伦理审查更严格、样本量通常很小。因此，一份包含 136,555 个发育期核的图谱，其稀缺性不仅体现在数字上，更体现在「可获取性」上。这也解释了为什么论文把发育期数据写进摘要的第一段——它是这份图谱最难被复制的部分。

对下游使用者而言，一个实用建议是：若研究问题涉及发育，优先使用 snRNA v1 数据集（含发育期），并在分析中把发育期与成人期分成两个图层分别聚类，再做事后对齐。混在一起聚类的做法虽然省事，但会让发育期的连续轨迹被成人期的离散簇「吸走」，丢失最关键的过渡信息。

8.2 开发期数据不是"加分项"，是"回答特定问题的必需品"

很多图谱把胎儿数据当"锦上添花"，这份图谱把它当"骨架的一部分"：136,555 个核、PCW 10-23，占 snRNA 总盘（719,813）的 19%。没有这部分，就无法回答"成人 RPE 五亚群是发育程序还是后天适应"这个核心问题。

可迁移的经验是：如果研究对象的疾病与发育相关（AMD 与 RPE 发育、儿童视网膜病、先天性眼病），发育期数据必须进入设计，而不是事后补。补数据的代价是批次效应，而发育期与成人样本的批次效应恰恰最严重。

这条经验还可以推广到其他模态：单细胞多组学里，「小规模蛋白验证」「小规模甲基化验证」「小规模原位杂交」都扮演类似的角色——它们不追求覆盖，而追求「在关键主张上给出独立证据」。判断一次验证是否值得做，标准只有一条：如果验证失败，原结论是否必须被推翻。若答案是「是」，这次验证就有价值；若答案是「否，只是削弱一点」，那多半是装饰性验证。

8.3 用"最小规模空间数据"给大推断链压舱

7 张切片、18,157 个细胞、1 位供体、478 个基因——这个空间转录组规模在当今的 Xenium 研究里属于"小得可怜"。但它的位置极其关键：它不承担发现新细胞类型的任务，只负责验证两条最核心的空间主张（RPE 中央-周边分带、内皮解剖分区）。

可迁移的经验是：空间数据的价值不在规模，在于"验证了哪一条无空间就无法确认的结论"。用最小成本验证最关键的一条，比用大成本铺满全场更划算。反例则是"为了发文章而凑空间数据"，那种数据往往既不能验证也不能发现。

补充一条关于「文档完备度」的判据：一份数据的文档质量，不应以「篇幅」衡量，而应以「一个新用户从下载到产出第一张可信图表所需的时间」衡量。按这个标准，本图谱的目标用户（有单细胞分析经验者）大约需要半天到一天；若换成一个没有单细胞经验的研究者，可能需要两周以上。文档的作用，就是把这两周压缩到两天——而本图谱的 GEO 字段缺失（样本码未定义），恰恰在压缩的上限上设了一个隐形障碍。

8.4 注释要给三个粒度，而不是一个"最优"粒度

单细胞注释的老争论是"聚多少簇才对"。这份图谱的解法是不选，全给：15 类供跨组织比较、25 型供标签迁移、48 类型或状态供机制解释。

这个做法的聪明之处在于承认了注释的用途依赖性：没有一个粒度对所有人都最优。跨组织比较需要粗粒度（否则术语对不上），标签迁移需要中等粒度（太细会导致新数据无法匹配），机制解释需要细粒度（状态差异必须可见）。

可迁移的经验是：发布数据集时，把"注释层级"当产品线来做，而不是当技术选择来做。三套标签的成本远低于三套数据，收益却覆盖三类用户。

还可以从「下游成本」的角度补充一条：许可不清带来的成本，最终会以「律师时间」和「机会成本」两种形式转移到使用者身上。前者容易计量（合规审查的工时），后者难以计量但更昂贵——一个团队可能因为无法快速判断许可，而放弃一份本可以用的数据，转而使用质量更差但许可清晰的替代品。这种「因不确定性而放弃」的隐性损失，在数据生态里极其普遍，却几乎从不被记录。

8.5 许可要写清楚"哪一层是什么"，不要图省事

§6.3 已经说明：这份数据没有单一许可。这既是一个真实状态，也是一个沟通缺陷——使用者最容易被"论文 CC BY-NC-ND"误导为"数据也是 CC BY-NC-ND"。

可迁移的经验是：数据发布者应在 GEO 或 CELLxGENE 的元数据里显式声明数据许可，而不是让使用者去猜。GEO 有 license 字段（虽然本系列未填），CELLxGENE 也有 license 元数据规范；填一行 “CC BY 4.0” 或 “CC BY-NC 4.0” 的成本极低，却能消除下游 90% 的合规疑虑。

这条经验对 AI-Ready 数据集尤其重要：模型训练的合规审计，第一眼看的就是 license 字段。没有 license 的数据，在企业场景里往往直接被排除。

DAIMS 评分的意义不在于给出一个「排名」，而在于把「这份数据能不能被自动化流程直接消费」这个模糊问题，拆成六个可检查的维度。同一份数据，对学术用户可能是 4.5 分，对企业用户可能是 2.5 分——差异主要来自许可维度。因此本章的评分应被理解为「面向通用学术场景」的评分，而非「绝对质量」的评分。

本章还给出了「如何把 3.75 提到 4.5」的三条改进路径。这部分不是对作者的批评，而是对「数据发布最佳实践」的建议：license 字段、样本码释义、环境锁，这三件事的成本都很低，但对下游的影响很大。若本条目能推动同类资源的发布者补齐这三项，它的价值就超过了一篇普通的条目。

§9 DAIMS 评估：这份图谱的"AI-Ready 成色"

DAIMS（Data and AI Readiness Maturity Score）从数据可得性、文档完备度、格式规范、元数据质量、许可清晰度、可复现性六个维度打分。以下评分基于本次核验的一手证据（GEO filelist、CELLxGENE API、Europe PMC、bioRxiv 全文可见部分）。

维度	权重	得分（1-5）	评级	依据
数据可得性（Availability）	20%	5	优	GEO 无闸门 + CELLxGENE 无 gated，双通道均可直接下载；184.9 GB 与 18.4 GB 两档满足不同算力
文档完备度（Documentation）	20%	3	中	论文方法详实、附图 25 张附表；但 GEO overall design 与 summary 自相矛盾，WOLF 等样本码未定义
格式规范（Format）	15%	4	良	H5AD + H5 + fragments 均为社区标准；但未提供 AnnData 版的原始计数（需自行转换）
元数据质量（Metadata）	20%	5	优	全部 ontology 标注（UBERON/EFO/HsapDv/PATO/HANCESTRO）；供体、年龄、区域、族裔、性别齐全
许可清晰度（License）	15%	2	弱	数据侧无显式 license 字段；论文 CC BY-NC-ND 易被误读为数据许可
可复现性（Reproducibility）	10%	3	中	cellqc 代码开源、SCENIC+ 流程公开；但整合只到预印本，无完整环境锁文件与随机种子说明
加权总分	100%	3.75	良偏优	元数据与可得性是长板，许可与可复现性是短板

评分说明：

• 可得性给 5 分的理由是"零闸门 + 双档位"。GEO 全量虽大，但 CELLxGENE 提供了 18.4 GB 的"够用版"，这个组合在库内属于顶配。
• 文档给 3 分不是因为论文写得差（实际上方法部分相当细），而是因为元数据字段本身有矛盾（overall design vs summary），且部分样本码（WOLF、CONNECT、bead、Tyto）没有在 GEO 字段中定义，需要读者从命名规律反推。这类"只可意会"的元数据是 AI 管线的天敌——自动化脚本无法反推。
• 许可给 2 分是本次评估最低项。数据公开但无 license 字段，意味着任何自动化合规检查都会报"未知"，企业用户在采购或使用前必须人工复核，这直接拉低了"可无人值守使用"的程度。
• 可复现性给 3 分：作者提供了 cellqc 这个自研 QC 工具的 GitHub 入口，这是加分项；但整合流程（Harmony/scVI 参数、批次键选择、聚类分辨率）在可见正文中未完整给出，预印本也未附代码快照与容器镜像。

与其他图谱的比较：库内单细胞类资源普遍在"元数据"与"可得性"上得分高、"许可"上得分低，这是整个生态的系统性问题，不是本图谱独有。本图谱的相对优势在于元数据规范度（ontology 全覆盖）与双通道发布；相对劣势在于预印本状态（尚无同行评议版本可作为质量背书）。

如何把 3.75 提到 4.5：三条改进路径。

1. 在 GEO 与 CELLxGENE 元的 license 字段填入明确许可（如数据 CC BY 4.0、代码 MIT）；
2. 在 GEO 的 overall design 与样本 characteristics 字段里补全样本码释义（WOLF/CONNECT/bead/Tyto 各指什么），并把 overall design 的供体数改为与 summary 一致；
3. 提供一份"环境锁"（conda/renv 锁文件或 Docker 镜像）与整合流程的完整参数表，让第三方能在无作者协助的情况下复现 719,813 这个数。

把 DAIMS 评分拆到维度看，会发现一个有意思的现象：本图谱的强项（元数据、可得性）恰好是「一次做对就能长期受益」的维度，而弱项（许可、可复现性）恰好是「需要持续维护」的维度。这意味着它的分数不太会随时间自然下降，但也不太会随时间自然上升——除非作者主动补上 license 字段与复现材料。

对评估框架本身也值得一提：DAIMS 的六个维度并非同等重要，对不同用户群体权重应不同。学术用户在「可得性」与「元数据」上的权重应更高，企业用户在「许可」上的权重应更高。本条目采用等权重的简化评分，是为了可比性；若要做采购决策，建议按自身场景重设权重。

最后一个观察：库内单细胞类条目的 DAIMS 分数普遍集中在 3.5-4.0 区间，差异主要来自许可与文档两项。这说明「数据本身的质量」已经不是主要瓶颈，「元数据的可机器读取性」才是。这对整个 AI-Ready 生态是一个有价值的信号。

§10 避坑清单：十二个已踩过的坑

坑 1：“RPE atlas” 这个搜索词会把你带偏。 用 “RPE atlas” 或 “choroid atlas” 搜索，结果会被 iPSC-RPE 类器官研究、单细胞视网膜图谱、AMD 影像数据集淹没。这份图谱的正确检索键是 GSE312791 或论文全名 “An Integrated Multi-omics Single Cell Atlas of the Human RPE and Choroid”。同理，“retinal pigment epithelium single cell” 会命中大量动物（小鼠、斑马鱼）图谱，本图谱是人类，务必加 “human”。

坑 2：把 15 类 25 型当作"论文的细胞类型数"会与论文正文冲突。 论文正文写 17 类 / 48 个类型或状态，GEO 摘要写 15 类 / 25 型。两者都对，但语境不同：摘要面向"能当标签用"的发布口径，论文面向"能解释机制"的研究口径。写综述时若混用，会被审稿人要求"统一口径"。

坑 3：GEO 的 overall design 字段不可直接引用。 它写 “snRNA-seq (80), scRNA-seq (5) and snATAC-seq (65) … from 60 human, postnatal donors”，其中 80/5/65 是样本数不是供体数，"60 位出生后供体"与 summary 的 67/54 及"含发育期"都不符。引用供体数请用 summary 或 CELLxGENE 元数据。

坑 4：批次效应与生物学变量高度共线。 三种 10x 化学版本（3’v2、3’v3、5’v2）混用，且不同化学版本与不同供体、不同机构（BCM/MMD/Hu）、不同解离方案（Tyto/bead/spin）交织。若不做协变量检查就直接做差异表达，得到的"差异基因"很可能只是"某个建库批次的特征"。必做动作：把 assay、donor_id、样本名前缀、解离方案后缀作为协变量全部检视一遍。

坑 4 还有一个不易察觉的变体：即使所有样本使用同一化学版本，样本的「核提取批次」仍会引入批次效应，而这个批次往往没有被记录在元数据里。这类「未记录的批次」是单细胞分析中最难处理的问题之一，因为它在设计矩阵中不可见。应对方式只能靠「看嵌入图上是否出现与实验日期相关的条带」这类经验性检查，而非自动化流程。

坑 5：黄斑与周边的细胞数不对等，比例比较必须先归一化。 ATAC 侧黄斑 92,001 vs 周边 142,006，周边是黄斑的 1.54 倍。直接比"某类细胞在周边更多"会把取样面积差异当成生物学差异。正确做法是按供体做配对比较，或按每供体每区域的总核数归一化后再比。

坑 6：这份数据里没有 AMD 患者的原始测序。 CELLxGENE 上 9 个数据集的 disease 字段全部是 normal。论文里的 58,210 个 AMD 相关细胞是从外部公开数据集整合进来的，不在这 150 个 GSM 里。想做 AMD vs 正常，必须回论文找那批外部数据的 GEO 号，或者自己另找队列。

坑 7：RPE 五亚群是"渐变的锚点"，不是"离散的类型"。 论文用"中央-周边空间轴"描述五群的分布，而非给每个亚群一个精确比例。把五群当作五个独立细胞类型去做"某群占比 X%“的断言，会过度解读。更稳妥的表述是"沿中央-周边轴呈现五个可分辨的转录组状态”。

坑 8：CELLxGENE 集合的 published_at 字段（2025-05-05）是异常值，不可引用。 该日期早于 GEO 提交（2025-12）与论文首发（2026-07）。引用集合时应使用 created_at（2026-09-10）或 revised_at（2026-09-11）。

坑 9：把 9 个 CELLxGENE 数据集的细胞数相加得到 2,030,848 是错误的。 这 9 个数据集是同一母集的不同切法：成人 snRNA 全细胞 566,546 已包含基质 212,984、内皮 99,457、免疫 101,471、黑素细胞 61,751、RPE 69,244、施万 21,625 这六个子集（六者相加 566,532，与全细胞仅差 14），v1 715,619 则是全细胞集再并入发育期胎儿核的结果。把 9 个数据集全加起来，等于把同一批核在全细胞集、v1 集、各子集里各数一遍，得到的 2,030,848 是重复计数。正确口径：成人 snRNA 全细胞 566,546；含发育期 v1 715,619；scRNA 182,151。

坑 10：发育期覆盖的是 PCW 10-23，不是"全发育期"。 它缺少孕晚期（PCW 24-40）与出生后早期（0-2 岁）的关键过渡段。若要研究"RPE 从胎儿到成人的连续成熟过程"，中间有一段空白。CELLxGENE 的 development_stage 字段里虽有 “1-month-old stage” 与 “6-month-old stage”，但对应的细胞数极少，不足以支撑连续轨迹分析。

坑 11：论文是预印本，不是期刊论文。 Europe PMC 的 source 字段为 PPR（预印本库），无 pmcid、无 journalInfo。引用时不能写 “published in XXX journal”。预印本结论（尤其 LIPG、COL4A3 这两个新变异-基因证据）未经同行评议，引用应标注 “preprint, not peer-reviewed”。

坑 12：不要把"论文的 CC BY-NC-ND"当作"数据的许可"。 数据本身在 GEO 与 CELLxGENE 上都无显式 license 字段。学术使用无碍，商业使用与再分发须回溯作者与 Stanford 技术转移办公室。写数据卡（datasheet）时，license 一栏应写"未声明（公开下载，再分发需授权）"而非直接填 CC BY-NC-ND。

坑点清单的排序不按严重程度，而按「使用者撞上的先后顺序」：先撞上的是检索词（坑 1）与口径（坑 2、3），再是分析阶段的技术问题（坑 4、5），最后是合规与引用问题（坑 11、12）。这个顺序与一位新读者从「找到数据」到「发表论文」的路径一致。

每条坑点都尽量给出「正确动作」而非仅指出「错误」。这是因为在数据集条目里，单纯警示容易被读者略过，而给出可执行的替代动作，才可能真正改变行为。例如坑 5 不仅说「不要直接比比例」，还给出了「按供体配对」与「按总核数归一化」两种具体做法。

若读者只读三条，建议读坑 1（检索）、坑 6（疾病样本）与坑 12（许可）。这三条分别对应「找不找得到」「能不能用」「敢不敢用」三个最基本的问题，其余坑点都是在这三个问题解决之后才会遇到的细节。

把一份图谱放进研究脉络，是为了回答「它处在什么位置、往前一步是什么、往后一步是什么」。本章的三节分别对应「前史」「同期」「后续」：前史说明它不是凭空出现，同期说明它不是孤军奋战，后续说明它不是终点。

这种写法的风险是容易变成「文献综述的缩写版」，因此本章刻意克制引用，只保留结构性判断，不复述具体文献的结论。读者若需要精确的文献定位，应以论文的引用列表为准；本章提供的是「地图」，不是「路标」。

§11 与其相邻的研究脉络

这条跃迁线还有一个副作用：它让「RPE 图谱」这个说法变得歧义。2019 年之前说的「RPE 图谱」多指 bulk 表达谱或免疫组化图谱；2022 年之后多指单细胞图谱；2026 年之后可能指多组学图谱。检索时若不限定年份与模态，很容易把三代完全不同的资源混为一谈。本条目在标题与正文中都明确写「多组学单细胞」，正是为了避免这种代际混淆。

11.1 前史：RPE 组学的三次跃迁

RPE 的单细胞研究不是从零开始的，它经历过三次方法学跃迁。

第一次（2015-2019）：从 bulk 到"少量细胞"。 早期研究用 bulk RNA-seq 或 qPCR 阵列表征 RPE，只能得到"平均表达"。这一阶段的关键认知是 RPE 存在年龄与区域差异，但无法分辨细胞类型异质性。

第二次（2019-2022）：从少量细胞到 scRNA-seq。 10x 技术普及后，多个团队开始做 RPE 单细胞，但普遍受困于两个问题：细胞数少（每个样本几百个 RPE）、色素干扰强。此期图谱多为个位数供体，RPE 亚群划分粗放。

第三次（2023-2026）：从 scRNA 到 snRNA + 多组学。 细胞核方法的成熟让 RPE 与血管细胞的高质量捕获成为可能；同时 ATAC 技术进入单核层面，使"表达 + 调控"联合分析成为常规。本图谱正处在这一阶段的成熟期，其 68,871 个 RPE 核与 234,007 个 ATAC 核是这一跃迁的直接产物。

理解这条脉络的价值在于：它解释了为什么这份图谱的"新"主要体现在规模与模态，而不在概念。RPE 有区域异质性、脉络膜有血管分区，这些概念此前都有人提过；本图谱的贡献是把它们从"零星观察"变成"定量图谱"。

11.2 同期：与它并行推进的几条线

与这份图谱同期或稍早，还有几条线在推进眼后段组学：

• 脉络膜单独图谱：少数团队尝试只做脉络膜，供体数通常 5-15 位，缺少配对 RPE；
• 视网膜全层图谱：覆盖神经视网膜为主，RPE 只在边缘出现；
• AMD 患者 RPE 图谱：直接从 AMD 供体取材，样本量小但疾病信息完整；
• 类器官与 iPSC-RPE 图谱：体外模型成熟度高，但缺少体内微环境；
• 空间转录组：Xenium、CosMx 等平台在眼组织的应用刚起步，切片数与基因数都有限。

本图谱的差异化在于"配对取样 + 四通道 + 发育期"三者同时具备。单独看任意一条，都有更专精的竞品；但四条同时具备的，目前仅此一家（就本次核验所见）。

还需要提醒一点：v1 的「缺口」不全是缺点，有一部分是刻意的边界划定。例如「不含疾病组织的原始测序」——这可能是有意把图谱定位为「正常参考」，以避免疾病样本异质性污染基线。若 v2 贸然混入疾病样本而不做分层，反而会损害 v1 建立起来的「正常基线」价值。因此 v2 的合理做法是「新增疾病图层」，而不是「替换正常图层」。

11.3 后续：v2 可能补什么

按 v1 的缺口倒推，v2 最可能补四块：

1. 孕晚期与出生后早期：补 PCW 24-40 与 0-2 岁，把"从胎儿到成人"的时间轴补全；
2. 疾病端：把 AMD 供体的原始测序纳入（而非只整合外部数据），使 disease 字段出现非 normal 值；
3. 空间端扩容：Xenium 从 7 张切片扩到多供体、多区域，并可能加入多基因面板；
4. 多组学补位：如加入 DNA 甲基化（甲基化测序）或蛋白（CITE-seq）层面，把"转录 + 染色质"扩为"转录 + 染色质 + 表观修饰 + 蛋白"。

这些推测不是预言，而是从"v1 明确标注 version 1"这一事实反推的合理预期。使用者应把 v1 视为"起点版本"，设计研究时预留版本升级的兼容性（如不要把细胞类型标签硬编码进模型权重）。

把四点接口放在一起看，可以看出这份图谱的临床价值主要不在「直接给出诊断标准」，而在「把临床上已经观察到的群体现象，翻译成可验证的细胞机制」。以抗 VEGF 治疗为例：临床早已知道部分 AMD 患者对多次注射反应不佳，但「为何不佳」缺少细胞层面的解释框架。本图谱把 VEGFA 位点定位到 RPE 峰最高的细胞类型，等于给「不同患者的靶细胞负荷不同」这一假说提供了一个可测量的起点——尽管它离「用细胞负荷预测治疗反应」还有很长的路。

同样值得注意的是，本图谱对「衰老」的处理方式是描述性的：它报告了哪些细胞随年龄比例下降，但没有回答「下降是因为增殖减少、凋亡增加，还是表型漂移」。这个区分对临床转化至关重要——若是表型漂移，那么干预方向是「恢复表型」；若是细胞死亡，干预方向则是「阻止死亡」或「补充细胞」。图谱给出了问题，但没有给出答案，而这恰恰是它作为「参考资源」而非「临床指南」的定位所在。

再往深一层看，这份图谱提示了一个常被忽略的临床视角：脉络膜不是「一块均质的血管垫」，而是有明确解剖分区与细胞分工的器官。眼底影像上看到的「脉络膜变薄」，在不同分区可能对应完全不同的细胞学事件——毛细血管层的有孔内皮丢失、微静脉回流障碍、或基质成纤维细胞萎缩。把影像表型细分到细胞学事件，是未来 AMD 分层治疗的前提，而本图谱提供的第一份「分区细胞清单」，正是这条路径的起点。

11.4 对眼科临床研究的潜在接口

虽然这份图谱本身是基础资源，但它已经与几个临床议题直接对接：

• AMD 的靶点发现：LIPG、COL4A3 的变异-基因证据可直接进入药物靶点评估流程；
• 抗 VEGF 治疗的细胞基础：VEGFA 位点被定位到 RPE 峰最高的细胞类型，为"抗 VEGF 为何有效、为何部分患者不应答"提供细胞层面解释；
• 脉络膜厚度与血流：内皮五亚型与区域标签，可与 OCT 测量的脉络膜厚度做跨模态对照；
• 衰老与炎症：黑素细胞、PI16+ 成纤维细胞、微静脉内皮的年龄性减少，与"炎症衰老"（inflammaging）假说相互印证。

需要克制的是：图谱层面的关联不能直接转化为临床结论。细胞比例下降 5% 与疾病风险上升之间，隔着动物模型、纵向队列与干预试验三道关。

FAQ（高频问答 26 问）

严格说，GEO 系列与「图谱」不是同一层概念：GEO 系列是数据容器，图谱是分析产物。同一个 GEO 系列可以被加工成多份图谱（不同的过滤阈值、不同的整合方法、不同的注释粒度），本图谱只是其中一份——尽管是作者本人给出的「官方版」。理解这一点，有助于在使用者发现「自己重跑的结果与论文不完全一致」时不至于困惑：那不是数据错了，而是加工路径不同。

Q1：GSE312791 和这份图谱是什么关系？
GSE312791 是 GEO 上的系列号，就是这份图谱全部原始测序数据的存放位置。论文里称它为 “single cell atlas of the human retinal pigment epithelium and the choroid” 的 v1 版本。

Q2：我该下 GEO 还是 CELLxGENE？
做二次分析（聚类、注释、去卷积）下 CELLxGENE 的 H5AD，18.4 GB，已整合已注释。做方法学复现（重做 QC、重做 peak calling、换整合算法）下 GEO 的原始矩阵。两者不是替代关系，是上下游关系。

Q3：205,925 和 168,599 该用哪个？
描述"这份数据采了多少细胞"用 205,925（GEO 摘要）；描述"这份图谱成品有多少细胞"用 168,599（论文整合后）。详见 §4.1。

Q4：为什么 RPE 只有 69,244 个核，比免疫细胞的 101,471 还少？
因为两次计数发生在不同口径上：69,244 是 CELLxGENE 的 RPE 专项发布册（46 位供体），101,471 是免疫专项册（51 位供体），两者各自独立成册、互不重叠；而在一份全细胞矩阵里，RPE 在大类占比中天然低于免疫与基质，原因在于 RPE 是单层上皮、单眼总数有限，且富色素导致核回收率低、出生后不再增殖。69,244 已是同类研究中较大的数字。

Q5：能用来做细胞类型注释的参考吗？
可以，这正是主要用途之一。25 细胞类型标签足够稳定，可用于 label transfer；但要注意"过度吸附"风险（见 §7.3）。

Q6：RPE 五个亚群有官方命名吗？
论文以标志基因称呼（LGI1+、CST3+、INSYN2B+、TENM4+、TUBA1A+），未见 RPE-1 到 RPE-5 的编号体系在公开材料中统一使用。引用时建议写"LGI1+ RPE subpopulation"而非"RPE-1"。

Q7：有没有正常 vs AMD 的配对样本？
原始测序数据里没有。CELLxGENE 的疾病字段全为 normal。AMD 相关细胞来自外部整合（58,210 个）。详见坑 6。

Q8：为什么有施万细胞？脉络膜里有神经吗？
有。脉络膜内含神经纤维束（主要来自睫状神经），施万细胞为其提供髓鞘与支持。21,625 个核、52 位供体说明这是稳定成分，不是污染。

Q9：ATAC 数据能直接做 TF 活性推断吗？
可以，但需要额外工具（如 chromVAR、SCENIC+）。论文已用 SCENIC+ 产出了调控网络与增强子-启动子互作（294,601 个），可直接复用，不必从零开始。

Q10：448,567 个 OCR 会不会太多，有假阳性吗？
会。单细胞 ATAC 的 peak calling 在低深度样本上容易产生假阳性。论文通过与 bulk RPE ATAC 对照（捕获既有峰 80.34%）做了部分质控，但使用者仍应自行按支持细胞数过滤。

从工程角度补充一句：72 万细胞 × 约 3 万基因的稀疏矩阵，单机内存通常吃不下，需要分块读取或转成稀疏格式后用 GPU 上的稀疏算子。实际的训练流程多为「按细胞类型或按供体分片 → 每片独立编码 → 聚合」，而不是一次性喂入全量。这一点在规划算力时值得提前考虑，否则容易在「数据下完了却跑不动」上卡住。

Q11：能用来训练深度学习模型吗？
可以。18.4 GB 的 H5AD 规模适中，适合做自编码器、图神经网络、细胞类型分类等任务的训练/验证集。但注意许可问题（§6.3），商业使用需授权。

没有 fastq 这一点，对绝大多数下游用户不构成障碍——他们要的是表达矩阵，而非比对过程。但对做方法学研究（例如比较不同比对工具、验证某个新 peak caller）的团队，这就是一个硬约束。应对方式有两种：一是联系作者索取原始数据（可行性取决于作者意愿与数据存储成本，184.9 GB 的 RAW.tar 背后是更大的 fastq 体量）；二是用其他公开的 RPE/脉络膜 fastq 数据做方法验证，再把方法套用到本图谱的矩阵上。

Q12：数据里有没有原始 fastq？
GEO 上只有 Cell Ranger 输出的矩阵与 ATAC 的 fragments，没有原始 fastq。要做比对层面的复现（如换参考基因组），需联系作者。

Q13：黄斑和周边怎么区分？
靠样本名的 Mac 与 per 标识，以及 CELLxGENE 元数据中的 tissue 字段（chorioretinal region 等）。并非所有样本都带区域标签，混合样本（如 WOLF）需谨慎处理。

Q14：为什么要用三种 10x 化学版本？
因为是多年、多机构、多批次采集的汇总数据。3’v2 是早期版本，3’v3 是主流版本，5’v2 用于特定实验需求（如需要 5’ 端信息）。混用带来的批次效应必须在分析中显式建模。

Q15：论文里的 Xenium 数据在哪下？
本次核验未能在公开材料中确认 Xenium 数据的存放仓库（论文正文的 Data Availability 段在可获取版本中被截断）。属遗留疑点，需查期刊版或联系作者。

Q16：这份图谱和 Human Cell Atlas 的其他图谱能合并吗？
能。因为元数据都用同一套 ontology（UBERON/EFO/HsapDv），合并时不需要术语映射。这也是 HCA 强调 ontology 合规的原因。

这个问题的答案缺失，本身就是一个值得记录的现象：GEO 摘要给了总数却不给清单，CELLxGENE 的 9 个数据集又只按功能群组切分（基质、内皮、免疫、黑素细胞、RPE、施万），并不对应 15 个大类。要拿到完整清单，只能查论文补充表或直接读 H5AD 的 cell_type 字段并去重。对使用者而言，后者更实际——一行 adata.obs['cell_type'].unique() 就能得到答案，不必等补充表。

Q17：15 个大类具体是哪 15 个？
公开摘要只给出"15 major cell classes"的总数，未逐一列出类名。从 CELLxGENE 的 9 个数据集反推，至少包含 RPE、黑素细胞、施万细胞、内皮（五亚型）、成纤维细胞、周细胞、平滑肌、免疫（多亚类）等。完整清单需查论文补充表。

Q18：能用来研究青光眼吗？
间接可以。青光眼主要累及视神经与节细胞（不在本图谱覆盖范围），但脉络膜血流异常与眼压调节相关，本图谱的内皮分区数据可作为背景参考。

这个区分还影响「怎么评估用它训练的模型」。如果它是基准数据集，评估方式是「在你的测试集上准确率多少」；因为它是参考图谱，评估方式更应是「你的模型能否复现图谱中的已知结构」——例如能否在没有标签的情况下重新发现 RPE 五亚群、能否把内皮五亚型分开。后者比前者更接近「这份数据真正的用途」。

Q19：为什么说它是"参考图谱"而不是"基准数据集"？
因为它没有 ground truth 标签、没有评分标准、没有排行榜。“参考"意味着它提供的是"正常状态下的细胞组成基线”，而不是"任务-答案对"。

Q20：下载后 H5AD 打不开怎么办？
常见原因有三个：版本不匹配（anndata 版本过低）、文件损坏（下载中断）、内存不足（4.97 GB 的 h5ad 读入内存后可能占 20 GB 以上）。建议先 h5ls 检查文件结构，再用 sc.read_h5ad(backed='r') 惰性读取。

Q21：能只下 RPE 那一册吗？
可以，0.83 GB，只含 RPE 细胞（69,244 个核、46 位供体）。适合只做 RPE 专项分析、不想下全量数据的场景。

这个差额本身也是一条生物学信息：它提示「哪些供体的 RPE 核更难获得」。若这 6 位供体集中在高龄段，则可能反映老年 RPE 的核稳定性下降；若分散在各年龄段，则更可能是取材位置或操作批次的原因。论文未就此展开，使用者若关心「年龄与 RPE 核回收率」的关系，可以用 GEO 的样本级元数据自行分析——这也是为什么原始矩阵值得保留的价值之一。

Q22：为什么 RPE 集只有 46 位供体，而全细胞集有 52 位？
因为有 6 位供体没有产生合格的 RPE 核（可能因年龄、取材位置或核回收失败）。这在老龄供体中常见，详见 §4.2。

Q23：这份数据支持中文检索吗？
GEO 与 CELLxGENE 的元数据都是英文，中文检索只能靠标题翻译。建议用 “视网膜色素上皮” + “GSE312791” 组合检索，或直接用 GEO 号。

Q24：有没有预处理好的 Seurat 对象？
CELLxGENE 只提供 H5AD。Seurat 用户可用 SeuratDisk::Convert 或 zellkonverter 转换。转换时注意稀疏矩阵格式（dgCMatrix）与细胞/基因名大小写。

这 9 个外部数据集的具体身份，对复现整合流程至关重要，但对使用成品数据的人影响有限。一个折中的做法是：若只需要成品标签，直接用 CELLxGENE 的 H5AD；若需要复现整合，先通过论文的引用列表定位那 9 篇文献，再逐篇查其数据可用性声明。这条路径费时，但比「猜」可靠。

Q25：论文里提到的 9 个外部数据集是哪些？
公开可见的正文只给出文献编号（[13]、[15]、[16]、[18]、[19]、[22]、[23] 等），未列出 GEO 号。需查论文参考文献表或补充表 S1 才能确定。

Q26：如果我只想要"脉络膜内皮五亚型"的数据，最小下载是多少？
下 CELLxGENE 的 snRNA endothelial cells，0.77 GB，99,457 个核、52 位供体。这是全库最小、最聚焦的一册。

需特别强调：上表第 6、7、10、11 条同时成立并不矛盾，因为它们描述的是三个不同加工层级——GEO 摘要的采集规模、论文的整合输出、CELLxGENE 的发布切分。任何单一数字单独出现时都缺少语境，这也是本条目把口径问题单列成章（§4）而非塞进脚注的原因。

这 40 条的组织顺序是「身份 → 时间 → 规模 → 注释 → 染色质 → 遗传 → 空间 → 发布 → 技术 → 元数据 → 资助」，与读者查找的顺序基本一致：先确认「是不是它」，再确认「什么时候的」，再确认「多大」。若读者只需要一条事实，最有用的是第 32 条（GEO 实测：150 个 GSM、281 个文件、184.9 GB），因为它是一手抓取、可立即复核、且直接决定「能不能下」。

事实清单（硬事实 40 条）

1. GEO 系列号 GSE312791，标题 “Single cell atlas of the human retinal pigment epithelium and the choroid”，物种 Homo sapiens。
2. 提交机构：Stanford University, Department of Genetics（Stanford University School of Medicine，Palo Alto, CA 94304）。
3. 论文：bioRxiv 预印本，doi 10.64898/2026.07.23.740352，PMID 42539169，首发 2026-07-24。
4. 作者共 30 位，第一作者 Jianming Shao，通讯作者 Rui Chen。
5. 论文许可 CC BY-NC-ND；Europe PMC source 字段为 PPR，无 pmcid、无期刊信息。
6. scRNA-seq：205,925 细胞 / 67 供体（GEO 与 CELLxGENE 摘要口径）。
7. snRNA-seq：742,625 核 / 54 供体（同上口径）。
8. 发育期 RPE/脉络膜：136,555 核，妊娠后 PCW 10-23。
9. snATAC-seq：234,007 核，55 个样本 / 41 位供体 / 0-93 岁。
10. 论文整合口径：719,813 个单细胞/单核转录组（scRNA 168,599 + snRNA 551,214）。
11. 论文供体总数 102 位，年龄 0-99 岁，含黄斑与周边，族裔多样性。
12. 新生成数据占比：scRNA 23.83%、snRNA 92.69%。
13. 细胞注释：15 major cell classes → 25 cell types（摘要）；论文 17 类 / 48 类型或状态。
14. 448,567 个开放染色质区域（OCR）；细胞类型特异 OCR 占 52.7%。
15. 每细胞类型 OCR 数区间 69,470-193,781。
16. 共可及远端峰 143,823（score > 0.3）；预测增强子-启动子互作 294,601。
17. cis 调控元件：183,327 个 OCR 对应 420,724 个 peak-gene 对。
18. 与 bulk RPE ATAC 对照：捕获既有峰 80.34%，总量扩充近 3 倍。
19. RPE 五个亚群标志基因：LGI1、CST3、INSYN2B、TENM4、TUBA1A；另有 2 个应激/衰老态。
20. 高质量 RPE 核 68,871（黄斑 10,568 / 周边 58,303）；scRNA 中 RPE 细胞仅 7,472。
21. 脉络膜内皮 5 个亚型：动脉、小动脉、有孔毛细血管、微静脉、静脉。
22. 成纤维细胞 11 种；周细胞 2 种（ADAMTS2+ / CPM+）；平滑肌 2 种（血管型 / DGKI+ 睫状型）。
23. 年龄相关减少：黑素细胞、PI16+ 成纤维细胞、微静脉内皮；中央 RPE 轻度减少、远周边 RPE 相应增加。
24. 表观年龄变化集中于黄斑，发生在成年早期至中期过渡，之后趋于稳定；AP-1/bZIP 家族为优势富集基序。
25. AMD GWAS 可信集变异 2,243 个（95% credible set）。
26. 其中 459 个（20.46%） 落在 OCR 内；177 个（38.56%） 与远端峰共可及；119 个（25.93%） 与基因表达显著相关；86 个 位于细胞类型特异 OCR；22 个 位于年龄相关 OCR。
27. LDSC 与 MAGMA 双路径一致指向 RPE 的 LGI1+ 与 INSYN2B+ 亚群富集 AMD 遗传风险。
28. 管线识别 120 个候选基因，25 个有文献支持。
29. 新变异-基因证据：LIPG（4 个变异跨 2 个 OCR，AMD 各期 RPE 上调）、COL4A3（6 个 OCR 承载 14 个变异，AMD 患者 RPE 下调，nAMD 最低）。
30. 已知位点扩展：ARMS2/HTRA1 识别 6 个变异跨 2 个 OCR；VEGFA 新增 4 个 OCR、9 个变异（含 rs943080）。
31. 空间转录组：Xenium 7 张切片 / 18,157 细胞 / 478 基因（Design ID G33B7Z）/ 1 名 77 岁女性欧洲供体 / PMI 3.2 小时。
32. GEO 实测：150 个 GSM（85 RNA + 65 ATAC）、281 个文件、RAW.tar 184,940,554,240 字节（约 184.9 GB）。
33. GEO 文件类型：filtered_feature_bc_matrix.h5、filtered_peak_bc_matrix.h5、fragments.tsv.gz、fragments.tsv.gz.tbi.gz。
34. GEO 提交时间戳 2025-12-04 至 2025-12-08；系列公开（FTP 目录 Last modified）2026-08-26。
35. CELLxGENE 集合 ID 48c15b0c-6039-4e0f-9668-b6b3c0b830ad，集合版本 ID e30843cb-06be-4d56-98b6-350d2e74745f，创建 2026-09-10，修订 2026-09-11。
36. CELLxGENE 9 个 H5AD，合计约 18.4 GB（精确 18.42 GB）：全细胞 566,546 / v1 715,619 / 基质 212,984 / 内皮 99,457 / 免疫 101,471 / 黑素细胞 61,751 / RPE 69,244 / 施万 21,625 / scRNA 182,151。
37. CELLxGENE 全部数据集 disease 字段为 normal；AMD 相关细胞 58,210 来自外部整合。
38. 三种 10x 化学版本：10x 3’ v2（EFO:0009899）、10x 3’ v3（EFO:0009922）、10x 5’ v2（EFO:0009900）。
39. 组织 ontology：chorioretinal region（UBERON:0019207）、optic choroid（UBERON:0001776）、pigmented layer of retina（UBERON:0001782）、eyeball of camera-type eye（UBERON:0010230）。
40. 资助 11 项，含 NIA U54AG075931、NLM ZIA-LM202401、NEI R01EY036173 / R01EY036519、CZI 2021-239847 与 2019-002425。

术语表按英文字母序与概念簇混合排列，读者若只找某一个词，建议直接检索英文缩写；若想建立整体概念地图，建议按「样本与测序 → 注释与分类 → 调控与遗传 → 平台与格式」四簇顺序阅读，这个顺序与正文 §2 到 §7 的展开顺序一致。

术语表的另一项用途是「统一译名」。同一批文献里，retinal pigment epithelium 有「视网膜色素上皮」「色素上皮层」「RPE 层」三种译法，choroid 有「脉络膜」「血管膜」两种译法，choriocapillaris 有「脉络膜毛细血管层」「绒毛细血管层」两种译法。本条目统一采用「视网膜色素上皮」「脉络膜」「脉络膜毛细血管层」，并在首次出现时给出英文，目的不是「规定正确译法」，而是让读者在跨文献检索时不至于把同一结构当成两个东西。

术语表（30 条）

术语	释义
RPE（retinal pigment epithelium）	视网膜色素上皮，单层含色素上皮，位于光感受器与脉络膜之间，负责视觉循环、营养转运、外节吞噬与免疫豁免
choroid（脉络膜）	位于 RPE 与巩膜之间的血管化组织，为外层视网膜供血，含内皮、成纤维细胞、黑素细胞、免疫细胞与神经纤维
Bruch 膜	RPE 基底膜与脉络膜毛细血管之间的五层结构，AMD 中玻璃膜疣沉积之处
scRNA-seq	单细胞 RNA 测序，捕获完整细胞转录组
snRNA-seq	单核 RNA 测序，捕获细胞核内 RNA，适合富色素、易损细胞
snATAC-seq	单核染色质可及性测序（ATAC），测转座酶可及区域
OCR（open chromatin region）	开放染色质区域，本图谱共 448,567 个
PCW（post-conception weeks）	妊娠后周数，发育期样本的时间标尺
donor（供体）	提供组织的个体；本图谱按模态分列供体数
major cell class	主要细胞类，粗分层标签，本图谱 15 个
cell type	细胞类型，中粒度标签，本图谱 25 个
type or state	类型或状态，细粒度标签，论文 48 个
AMD（age-related macular degeneration）	年龄相关性黄斑变性，老年人不可逆视力丧失首因
nAMD（neovascular AMD）	新生血管型 AMD，以脉络膜新生血管为特征
drusen（玻璃膜疣）	RPE 与 Bruch 膜之间的细胞外沉积物，AMD 早期标志
choriocapillaris	脉络膜毛细血管层，有孔内皮构成的致密血管网
zonation（分区）	同一组织内沿空间轴的功能分化，本图谱用于内皮
credible set	GWAS 精细定位输出的高后验概率变异集合，本图谱用 95% 集
fine-mapping（精细定位）	从关联位点中定位最可能因果变异的统计方法
P2G（peak-to-gene）	染色质峰与基因表达的关联，本图谱阈值 correlation > 0.5
CoA（co-accessibility）	两个染色质峰在同一细胞中协同开放的程度
DAR（differentially accessible region）	差异可及区域，本文指细胞类型特异 OCR
LDSC	基于 LD 分数的遗传力富集工具
MAGMA	基于基因水平的 GWAS 富集工具
SCENIC+	联合 RNA 与 ATAC 推断调控子（regulon）与增强子-基因连接的工具
cisTarget	SCENIC+ 使用的顺式调控基序数据库
Xenium	10x Genomics 的原位空间转录组平台
H5AD	AnnData 的 HDF5 存储格式，单细胞数据的通用交换格式
fragments.tsv.gz	ATAC 的原始插入位点文件，含坐标、条形码、计数三列
DAIMS	Data and AI Readiness Maturity Score，本条目使用的六维评估框架

附录的设计原则是「按使用场景分卷」：A-G 面向「要快速上手的人」，H-I 面向「要做任务适配的人」，J-K 面向「要评估数据质量与合规的人」，L-R 面向「要写作与维护条目的人」。读者不必通读，按自己的角色挑一两节即可。这种「分卷」结构与正文的线性叙述互补——正文讲「是什么」，附录讲「怎么用」。

附录

附录 A：条目信息速查卡

项	值
条目名	Human RPE and Choroid Atlas
url_name	rpe-choroid-atlas
别名	RPE/choroid atlas v1；Single cell atlas of the human RPE and the choroid
GEO 号	GSE312791
CELLxGENE 集合	48c15b0c-6039-4e0f-9668-b6b3c0b830ad
论文 DOI	10.64898/2026.07.23.740352
PMID	42539169
机构	Stanford University School of Medicine, Department of Genetics
通讯	Rui Chen（ruic20@hs.uci.edu，CELLxGENE 联系人字段）
项目归属	Human Cell Atlas — Eye Biological Network
规模（摘要口径）	scRNA 205,925 细胞 / snRNA 742,625 核 / 发育期 136,555 核 / snATAC 234,007 核
规模（论文口径）	719,813 转录组 + 234,007 ATAC / 102 供体 / 0-99 岁
文件体量	GEO 184.9 GB；CELLxGENE 18.42 GB
许可	数据无显式 license（公开无闸门）；论文 CC BY-NC-ND
抓取时点	2026-10-17

附录 B：CELLxGENE 九个数据集速查表

#	数据集标题（截断）	dataset_id	细胞数	H5AD (GB)	供体
1	snRNA-seq — all cells	53d9dafe-deb9-40b2-8bb4-38774fc8fc02	566,546	4.97	52
2	snRNA-seq — v1（含发育期）	1a9f3b38-b86d-416d-bbdc-9058ad3ff42d	715,619	5.71	52
3	snRNA-seq — stromal cells	46f6fd9d-1bef-4ac7-a26a-b074e105b475	212,984	2.00	52
4	snRNA-seq — endothelial cells	647f6028-4173-4188-9db6-f94e0a65e967	99,457	0.77	52
5	snRNA-seq — immune cells	d45130d1-5588-40f0-90f4-2a7f69312b97	101,471	0.72	51
6	snRNA-seq — melanocytes	d994a2ce-e270-43ba-b9db-323a8fbed058	61,751	0.52	49
7	snRNA-seq — RPE cells	f28376c8-2ca0-419f-8e22-543f71457eb3	69,244	0.83	46
8	snRNA-seq — Schwann cells	ea2943a9-f722-40ff-9189-2cfc23e9f36a	21,625	0.13	52
9	scRNA-seq（4 组织 × 3 assay）	5ed90bc0-12f3-4354-b314-0ce0dbb96458	182,151	2.78	60
—	合计（含重复计数）	—	2,030,848	18.42	—

读法：第 1 行是成人 snRNA 母集；第 3-8 行是它的六个子集（合计 566,532，与母集差 14）；第 2 行是母集并入发育期；第 9 行是独立的 scRNA 通道。合计行只是文件体量的真实加总，细胞数不可相加。

附录 C：GEO 样本命名解码表

片段	位置	含义	置信度
ATAC	前缀	snATAC-seq 样本	高（文件类型可验证）
3v31 / 5v2	前缀	10x 3’ v3.1 / 5’ v2 化学版本	高（与 assay 元数据一致）
BCM	中段	Baylor College of Medicine 口径供体库	中（推断）
MMD	中段	黄斑研究基金会口径眼库供体	中（推断）
Mac	后缀	黄斑（macula）取材	高（与论文区域设计一致）
per	后缀	周边（periphery）取材	高
RPE	后缀	视网膜色素上皮层	高
Choroid	后缀	带脉络膜	高
CONNECT	后缀	带连接组织取材	低（GEO 未定义）
WOLF	后缀	全眼/整块取材	低（GEO 未定义）
Tyto	后缀	Tyto 核分离/分选方案	低（GEO 未定义）
bead	后缀	磁珠富集	中
spin	后缀	离心富集	中
fetal	中段	胎儿样本	高

使用建议：高置信度片段可直接用于写解析脚本；中置信度片段可用于分层；低置信度片段只做参考，不要写进自动化逻辑（坑 3 的延伸）。

附录 D：AMD GWAS 分层结果速查

层级	数量	占上一级比例	生物学含义
可信集变异总数	2,243	—	两项 AMD GWAS 的 95% 可信集
落入 OCR	459	20.46%	位于开放染色质内
共可及（CoA）	177	38.56%	与远端峰协同开关
peak-to-gene（P2G）	119	25.93%	与基因表达相关（r > 0.5）
细胞类型特异 OCR（DAR）	86	—	只在特定细胞类型开放
年龄相关 OCR（Aging DAR）	22	—	开放程度随年龄变化
候选基因	120	—	管线提名
有文献支持	25	20.83%	可被既往研究印证

附录 E：下游使用决策树

问题：我要用它做什么？
├── 注释我自己的 RPE/脉络膜数据
│     → 下 CELLxGENE snRNA 全细胞（4.97 GB）
│     → 用 25 细胞类型标签做 label transfer
│     → 检查是否出现"过度吸附"（§7.3）
├── 从 bulk 反推细胞组成
│     → 下 snRNA 全细胞 + RPE 册
│     → 导出各类型均值表达谱作参考矩阵
│     → 注意参考纯度（§7.3 用法二）
├── 做 GWAS 后分析
│     → 下 snATAC peak 矩阵（GEO，不必下 fragments）
│     → 复用 448,567 OCR 与 294,601 互作（§5.3）
│     → 按五层逻辑分层（§5.7、附录 D）
├── 研究衰老
│     → 下 snRNA v1（5.71 GB，含发育期）
│     → 按 development_stage 做连续回归
│     → 注意 PCW 24-40 与出生后早期缺口（坑 10）
├── 研究 AMD
│     → 本图谱只提供 normal 基线（坑 6）
│     → 需自行引入 AMD 队列或联系作者
└── 商业用途
      → 先读 §6.3
      → 联系 Rui Chen 与 Stanford 技术转移办公室

#这张清单还有一个用途：它是「可反驳的」清单。若有人质疑本条目中某个数字，可以直接打开对应源核对；若发现源已变化（例如 CELLxGENE 集合被修订），也能迅速定位是「本条目写错」还是「数据源更新」。一个没有核验源清单的条目，其数字是不可反驳的——这既是它的方便之处，也是它的危险之处。

附录 F：核验源清单（本次抓取）

源	用途	取到的一手内容
GEO FTP filelist.txt	样本数与体量	150 GSM、281 文件、184,940,554,240 字节、命名模式
GEO 系列摘要（经 seqout 镜像）	summary 与 overall design	205,925 / 742,625 / 136,555 / 234,007 / 15 类 25 型；overall design 的 80/5/65/60
CELLxGENE 集合 API（curation/v1）	发布资产与元数据	9 个 dataset_id、细胞数、H5AD 大小、供体数、ontology、created_at/revised_at
Europe PMC REST（按 DOI）	论文元数据	PMID 42539169、首发日、license cc by-nc-nd、源类型 PPR、30 位作者、11 项资助
bioRxiv 全文（WebFetch）	方法与发现	719,813 / 102 供体 / 48 类型 / 448,567 OCR / AMD 分层 / Xenium 参数
WebSearch 三源交叉	存在性核验	seqout 镜像、CELLxGENE 集合页、bioRxiv 全文页三处摘要文字完全一致

附录 G：检索卫生提示

检索意图	推荐查询串	避坑
找到这份数据	GSE312791	不要用 “RPE atlas”（坑 1）
找到论文	"Integrated Multi-omics Single Cell Atlas of the Human RPE and Choroid"	用全名，避免与"single cell atlas of retina"混淆
找 AMD 相关图谱	AMD RPE single nucleus	会命中大量影像数据集，需加 snRNA 或 ATAC
找同类内皮分区研究	choroid endothelial zonation	结果稀少，可放宽为 vascular zonation snATAC
找空间验证方法	Xenium eye panel 478 genes	面板 ID 为 G33B7Z，直接搜 ID 更快

检索卫生两条：一、凡命中 “RPE atlas” 的论文，先确认是人还是小鼠（本图谱是人）；二、凡引用细胞数，先确认是 GEO 摘要口径还是论文整合口径（§4.1）。

---

附录 H：下游任务适配矩阵

把这份图谱当作 AI 任务的输入，需要先回答"任务形态是什么"。下面按七种常见任务形态给出适配度评估与操作要点，评分采用 1-5 分制（5 = 可直接用，无需额外适配）。七种形态的划分依据是「输入输出的数据形态」而非「学科领域」，因此在同一学科内可能对应多种形态——例如眼科药物靶点发现既可能落在 GRN 推断（H.4），也可能落在组成分析（H.5），具体取决于团队的技术路线。

H.1 细胞类型分类（supervised）

适配度：5 分。 25 个细胞类型标签、566,546 个带注释的核、52 位供体，是标准的监督学习配置。类别分布不均衡（基质 212,984 vs 施万 21,625，约 10:1），但远未到"长尾不可训"的程度。

操作要点：

• 划分训练/验证集时必须按供体分组（GroupKFold 或 donor-wise split），否则同一供体的细胞会同时出现在训练与验证集，导致性能虚高；
• 类别权重上，施万细胞与黑素细胞需要上调权重，否则模型会倾向于把它们预测成基质细胞；
• 若目标是"跨组织泛化"，应在训练集保留一部分供体完全不出现在验证集中，模拟"新人新样本"场景。

H.2 细胞类型注释迁移（label transfer）

适配度：4 分。 作为参考端非常合适，但需要处理"查询数据与参考数据分布不一致"的问题。

操作要点：

• 推荐流程：Scanorama/Harmony 联合嵌入 → kNN 投票 → 置信度过滤（低于阈值的标为 “unassigned”）；
• 不要用"最近邻唯一标签"直接赋值，应输出概率分布（如 scANVI 的 predict(soft=True)），下游再决策；
• 对 RPE 这类"渐变型"细胞，建议同时输出"最近亚群 + 与该亚群的距离"，距离过大者标为"中间态"。

H.3 去卷积参考（bulk deconvolution）

适配度：4 分。 细胞类型均值表达谱可直接作参考矩阵，但要注意三点。

操作要点：

• 参考矩阵应基于原始计数（raw counts）而非归一化后的 log 值，多数去卷积工具（CIBERSORTx、MuSiC、BayesPrism）要求原始计数；
• 与 bulk 数据的基因交集要足够大（建议 > 10,000 基因），交集过小会导致反推不稳定；
• 细胞类型粒度的选择要匹配 bulk 的分辨能力：用 25 型作参考时，反推结果对相邻亚型的分辨率通常很差，建议先合并到 10-12 个"可分辨类"再反推。

H.4 基因调控网络推断（GRN）

适配度：5 分。 448,567 个 OCR + 294,601 个增强子-启动子互作 + 420,724 个 peak-gene 对，是现成的 cisTarget 数据库级资源。

操作要点：

• 直接用论文的 peak-gene 关联作为先验，避免从零重建（从零重建的假阳性率通常高 2-3 倍）；
• 若要加入新数据，建议用 SCENIC+ 的 motif enrichment 模块单独跑，再与论文的 regulon 取交集；
• 注意 OCR 坐标的参考基因组版本（本图谱基于 hg38），版本不一致会导致全部坐标错位。

H.5 细胞比例估计与差异组成分析（compositional analysis）

适配度：3 分。 数据支持，但需要额外处理取样偏斜。

操作要点：

• 必须先做供体级聚合（把每个供体的每类细胞数汇总），再做统计，不要在细胞级做检验（会严重伪显著）；
• 用 beta 回归或 Dirichlet 回归建模比例，而非简单 t 检验；
• 黄斑/周边分层分析时，按供体配对（同一供体的黄斑 vs 周边），避免把个体差异当成区域差异。

H.6 多模态对齐（RNA-ATAC 联合嵌入）

适配度：4 分。 同一批供体同时有 snRNA 与 snATAC，适合做"多组学整合"训练。

操作要点：

• 注意样本不完全配对：snRNA 有 54 位供体、snATAC 有 41 位，交集小于 41；
• 配对样本的对齐质量显著优于非配对样本，建议先在交集供体上验证方法，再推广；
• 跨模态预测（ATAC → RNA 或反之）时，基因与峰的对应关系需用论文的 peak-gene 对做桥接。

H.7 基础模型预训练语料

适配度：3 分。 规模适中（约 72 万转录组 + 23 万 ATAC），适合作"领域继续预训练"或"下游微调"，不适合从头训练大模型。

操作要点：

• 若做单细胞基础模型的领域适配，建议与本图谱之外的视网膜数据混合，避免模型过拟合到"眼后段"单一分布；
• 预训练时保留供体 ID 作为元数据，便于后续做"供体留出"评估；
• 注意许可：学术预训练无碍，商业预训练需授权（§6.3）。

H.8 适配矩阵总表

任务形态	适配度	首要风险	关键动作
细胞类型分类	5	供体泄漏	按供体分组切分
注释迁移	4	过度吸附	输出概率而非硬标签
去卷积参考	4	粒度错配	先合并到可分辨类
GRN 推断	5	基因组版本	确认 hg38 坐标
组成分析	3	伪显著	供体级聚合 + beta 回归
多模态对齐	4	样本不完全配对	先做交集供体验证
基础模型预训练	3	分布过窄	混合其他视网膜数据

表中规模量级一律用「量级」而非精确数，是因为各条目的统计口径互不相同（有的报细胞数、有的报样本数、有的报文件数），强行对齐到同一数字反而会制造错误精度。读者若需要精确对比，应回到各条目正文核对口径。

附录 I：与库内单细胞条目的横向对照

把本图谱与库内其他单细胞类条目并排放，能更清楚地看出它的定位。下表数据均取自各条目已发布的事实档案或平台元数据，仅作结构性对照，不做优劣判断。

条目	rid	规模量级	模态	组织范围	版本化	与本图谱的关系
rpe-choroid-atlas	本条目	约 72 万转录组 + 23 万 ATAC	scRNA / snRNA / snATAC / 空间	眼后段双层	v1 明示	—
human-cell-atlas	319	项目级聚合	多模态	全身	持续	上位项目
tabula-sapiens	329	数十万细胞	scRNA	多组织	有	同代 HCA 图谱
hcl	369	百万级	scRNA	全身多组织	有	同类大盘
cellxgene-census	1035	亿级（聚合）	多模态	全库	版本化 API	分发通道
single-cell-portal	359	平台级	多模态	多组织	否	同类门户
inflammation-cell-atlas	1189	634 万 PBMC	scRNA	外周血	有	免疫侧对照
endometrium-scrna-atlas	1223	十万级	scRNA	单一组织	有	单组织深挖范式
scpt-4m	1193	426 万	RNA + 蛋白	多组织	有	共测模态
tahoe-100m	1219	亿级	scRNA	细胞系 + 药物	有	扰动图谱
scperturb	1102	聚合 44 个数据集	scRNA	扰动	有	扰动基准

三点观察：

1. 组织专精度是本图谱的护城河。在全库的单细胞条目里，绝大多数是"多组织大盘"或"单组织深挖"，而本图谱是"两层组织 + 四通道 + 发育期"的组合，几乎没有直接替代品。
2. 版本化已成常态。表中 11 个条目里有 7 个明确版本化，说明单细胞数据的"v1 → v2"迭代已是行业惯例，使用者必须把版本号写进引用。
3. 模态组合的稀缺性。同时具备 scRNA、snRNA、snATAC 与空间四类的条目极少，本图谱是其中之一，这决定了它在"多模态整合"类任务中的独特价值。

这十个问题的排序不是按重要性，而是按「回答所需的实验成本」从低到高排列：J1 到 J4 主要靠重新分析与统计检验即可推进，J5 到 J7 需要新样本或新队列，J8 到 J10 需要新的数据模态或更大规模的空间实验。

附录 J：图谱的"未解问题"清单

一份成熟的图谱，价值不仅在于它回答了什么，也在于它把什么问题留给了后来者。以下是本条目整理出的、公开材料中尚无明确答案的十个问题。

J1：RPE 五亚群是连续谱还是离散类型？
论文用"中央-周边空间轴"描述，但未给出"每个亚群是否对应一个可分辨的细胞状态"的判定标准（如双峰性检验、拟时序分支）。若按连续谱理解，则"五群"是人为切分；若按离散类型理解，则应有明确的转换边界。这个问题直接影响下游"能否把 RPE 当五个独立类别做分类"。

J2：两个应激/衰老态是体内真实状态还是离体伪影？
单细胞/单核研究中，"应激态"常与组织离体时间、解离温度、核提取缓冲液相关。论文用 Xenium 做了部分验证，但单供体、单时间点的空间数据不足以彻底排除伪影。需要"新鲜取材 vs 延时取材"的对照实验。

J3：脉络膜内皮五亚型在物种间是否保守？
人类脉络膜内皮的动脉-静脉分区，在小鼠、非人灵长类中是否同样存在？若保守，小鼠模型可用于机制研究；若不保守，人类特异性药物靶点的验证会更困难。

J4：11 种成纤维细胞是否对应解剖位置？
论文给出了 11 种成纤维细胞的转录组划分，但未系统报告它们与血管、神经、巩膜的空间关系。这个空缺需要空间蛋白组或高分辨率空间转录组来补。

J5：PI16+ 成纤维细胞的年龄性减少是"细胞死亡"还是"表型转换"？
单细胞比例下降有两种解释：细胞真的少了（凋亡），或细胞还在但不再表达 PI16（表型漂移）。区分二者需要谱系追踪或原位计数。

J6：黑素细胞的年龄性减少与 AMD 的关系是什么？
黑素细胞减少是 AMD 的因、果，还是并行现象？现有数据只能给出相关，不能给出方向。

J7：LIPG 与 COL4A3 的变异-基因证据能否在独立队列中复现？
这是论文最重要的两个新发现，但都来自同一批 GWAS 与同一份 ATAC 图谱。独立队列（不同族裔、不同 GWAS）的复现是必要的下一步。

J8：发育期 RPE 与成人 RPE 五亚群的对应关系是什么？
PCW 10-23 的 RPE 核是否已经呈现五亚群结构？论文摘要把发育期数据独立陈述，未明确说明它与成人五亚群的对应。这个问题的答案决定"分区是发育程序还是后天适应"。

J9：单核 vs 单细胞的细胞类型比例能否互校？
同一供体若同时做了 scRNA 与 snRNA，两类方法的细胞类型比例应当可互相校准。论文未报告这种"同供体双模态"的对照比例，使用者若要做跨模态比较需自行处理。

J10：Xenium 的 478 基因面板是否足以验证全部关键主张？
478 个基因覆盖 11 个主要细胞类，但对 48 个类型/状态的分辨力有限。特别是 RPE 五亚群的标志基因（LGI1、CST3、INSYN2B、TENM4、TUBA1A）是否全部在面板内，公开材料未明示。

数据卡的价值在于把「使用者在遇到问题前就该知道的事」前置。本图谱最容易被忽略的一条是「误用」项里的第一条——细胞数口径混用。它看似只是措辞问题，实际会直接影响样本量估算、统计功效计算与模型训练集大小的判断。

附录 K：数据卡（Datasheet 摘要）

按 Gebru 等提出的数据卡框架，给出本图谱的七项摘要。这一节专为"要把数据写进模型卡或采购单"的读者准备。

动机（Motivation）：为 RPE 与脉络膜这两层长期缺乏组学参考的组织建立细胞级基线，服务 AMD 遗传学、衰老研究与眼后段药物靶点发现。

构成（Composition）：四条测序通道（成人 scRNA、成人 snRNA、发育期 snRNA、成人 snATAC）+ 一份空间验证（Xenium）。成人部分覆盖黄斑与周边；发育期覆盖 PCW 10-23。细胞注释三套粒度。

采集（Collection）：多机构眼库供体（BCM / MMD / Hu 三类前缀），死后取材，去标识。三种 10x 化学版本混用。样本处理方案多样（Tyto / bead / spin 等）。

预处理（Preprocessing）：Cell Ranger 输出 → 自研 cellqc 质控 → 与 9 个公开数据集联合整合 → 三层注释 → SCENIC+/cisTarget 调控推断。

用途（Uses）：参考映射、去卷积、GRN 先验、GWAS 后分析、衰老与组成分析、多模态对齐。

误用（Misuses）：把 205,925 与 168,599 混用；把 9 个 CELLxGENE 数据集细胞数相加；把论文 CC BY-NC-ND 当成数据许可；把本图谱当 AMD 病例对照；把五亚群当离散类型做比例断言。

维护（Maintenance）：作者标注 v1；GEO 号稳定；CELLxGENE 集合会随修订更新；论文尚为预印本。建议引用时带版本号与访问日期。

这五句话的顺序经过刻意设计：先定位（是什么）、再规模（多大）、再创新（新在哪）、再价值（有什么用）、最后通道（怎么拿）。若时间只够讲两句，保留第一句与第五句——听众最容易记住的是「这是什么」与「我去哪拿」。

附录 L：一页纸速记（给会议口头汇报用）

如果只有一分钟介绍这份图谱，按下面五句话讲：

1. 是什么：人视网膜色素上皮与脉络膜的第一版细胞级参考图谱，2026 年 7 月预印本、8 月 GEO 公开、9 月上架 CELLxGENE。
2. 多大：成人 scRNA 20.6 万细胞 / 67 供体，snRNA 74.3 万核 / 54 供体，发育期 13.7 万核，ATAC 23.4 万核。
3. 新在哪：RPE 拆成五个空间亚群加两个应激态；脉络膜内皮拆成五段解剖分区；成纤维细胞从"一种"扩到 11 种。
4. 有什么用：拿 44.9 万个开放染色质区域接 AMD 的 2,243 个可信集变异，把风险落到 RPE 的 LGI1+ 与 INSYN2B+ 亚群，提名 LIPG 与 COL4A3 两个新靶点。
5. 怎么拿：GEO GSE312791（184.9 GB 原料）或 CELLxGENE（18.4 GB 成品，9 个 H5AD），都不要申请；商业使用要授权。

对照表的左列全部来自真实的检索与引用场景，而非虚构的稻草人；右列则尽量保持与正文口径完全一致，以便读者逐条回查。若发现左列某条在实际文献中反复出现，说明该误读具有传播惯性，需要在综述或教学中主动纠正。

附录 M：常见误读与正确表述对照表

常见误读	正确表述	依据
“这份图谱有 205,925 个细胞”	“成人 scRNA 通道 205,925 个细胞、snRNA 通道 742,625 个核”	四条通道分列（§2.1）
“这份图谱有 203 万个细胞”	“CELLxGENE 九个发布资产合计 203 万，但存在重复计数”	六个子集已含在全细胞集内（坑 9）
“图谱来自 102 位供体，其中 67 位做 scRNA”	“摘要按模态报 67 / 54；论文整合后 102 位（含发育期与外部 AMD 队列）”	§4.2
“图谱包含 15 种细胞类型”	“15 个主要细胞类，进一步分为 25 个细胞类型；论文高分辨率为 17 类 / 48 状态”	§3.1
“数据集许可是 CC BY-NC-ND”	“论文许可为 CC BY-NC-ND；数据本身在 GEO 与 CELLxGENE 上无显式 license”	§6.3、坑 12
“图谱包含 AMD 患者样本”	“原始测序数据为 normal；AMD 相关细胞来自外部整合”	坑 6
“已发表于某期刊”	“bioRxiv 预印本，尚未见期刊版”	坑 11
“RPE 有五种细胞类型”	“RPE 沿中央-周边轴呈现五个可分辨的转录组状态，外加两个应激/衰老态”	坑 7
“覆盖从胚胎到老年的完整时间轴”	“覆盖 PCW 10-23 与 10-99 岁，缺 PCW 24-40 与出生后早期”	坑 10
“RPE 细胞只有 6.9 万个”	“CELLxGENE RPE 专项册 69,244 个核；论文口径高质量 RPE 核 68,871 个”	§4.6、事实清单 20

跨模态研究最容易犯的错误是「用分辨率不匹配的数据做因果推断」。影像给出的是一条组织柱的平均信号，组学给出的是单个细胞的转录状态，两者之间的桥梁是细胞组成假设；若跳过假设直接做相关，得到的往往是「亮的地方细胞多」这类同义反复。

附录 N：与影像侧 AMD 条目的跨模态用法

库内已有多条 AMD 与视网膜影像条目（MARIO rid 864、HYAMD rid 976、AGE-AS-OCT rid 858 等）。把影像与这份组学图谱接起来，是本研究方向最有价值也最容易翻车的一步。

可行的接法有三种。

接法一：影像表型 → 细胞组成假设。 从 OCT 或眼底照提取表型（如脉络膜厚度、玻璃膜疣面积、椭圆体带完整性），再提出"哪类细胞减少可能解释该表型"的假设，用本图谱的细胞类型与空间分区去检验。例如"脉络膜变薄"可对应"有孔毛细血管减少"或"基质萎缩"，两者在本图谱中是不同的细胞类型，可分别设计验证。

接法二：组学靶点 → 影像标志物。 反向使用：从本图谱的 GWAS 分析拿到候选基因（如 COL4A3），再去找"该基因高表达细胞所在的解剖位置"在影像上对应何种可见结构，从而设计"影像可观测的替代终点"。

接法三：多模态对齐训练。 把影像特征与组学特征做联合嵌入，训练"从图像预测细胞组成"的模型。这一步风险最高：影像的空间分辨率（数十微米）与单细胞分辨率相差几个数量级，任何"像素级预测细胞类型"的模型都需要极强的先验约束，否则很容易学到"图像亮度 ↔ 色素含量"这种平凡相关。

三种接法的共同前提：影像队列与组学队列不是同一批人。因此所有跨模态结论都是"群体层面"的，不能落到个体诊断。这一点在写论文时必须明说，否则会被审稿人质疑"样本不匹配"。

字段清单里最容易漏的是 dataset_version_id。很多团队只存 dataset_id，结果平台上一旦修订版本，本地缓存与线上元数据就会悄悄不一致，而这种不一致在模型训练中极难被发现，往往要等到复现失败才暴露。

附录 O：给数据工程师的字段清单

若要把这份图谱接入内部数据平台，下表是必须落库的字段。

字段	类型	来源	说明
dataset_id	string	CELLxGENE API	9 个数据集各一个
dataset_version_id	string	CELLxGENE API	版本变化时需重下
collection_id	string	CELLxGENE API	48c15b0c-6039-4e0f-9668-b6b3c0b830ad
geo_accession	string	GEO	GSE312791
cell_count	int	CELLxGENE API	每数据集独立
donor_count	int	CELLxGENE API	每数据集独立
assay	string[]	ontology	EFO:0009899 / 0009922 / 0009900
tissue	string[]	ontology	UBERON:0019207 等
development_stage	string[]	ontology	HsapDv 术语
disease	string	ontology	全部 normal
license	string	人工判定	未声明（公开无闸门）
paper_doi	string	Europe PMC	10.64898/2026.07.23.740352
paper_status	string	Europe PMC	preprint
file_size_bytes	int	API / FTP	H5AD 与 RAW.tar 分列
retrieved_at	date	人工	2026-10-17

落库三条纪律：一、license 字段填 “undeclared” 而非空值，空值会被下游误判为"无限制"；二、paper_status 必须记录，预印本与期刊版在质量评估上不等价；三、retrieved_at 必填，因为 CELLxGENE 的 version_id 会变。

版本记录的「触发」一列不是给读者看的，而是给后续维护者看的：它定义了「什么事件发生时必须回来改这一条」。没有触发条件的版本记录，最终会退化成一份无人维护的时间戳列表。

附录 P：版本变更记录（本条目）

日期	变更	触发
2026-10-17	首版建立	主会话派发候选 rpe-choroid-atlas
待定	论文期刊版发布后补录卷期与同行评议状态	Europe PMC 出现 journalInfo
待定	v2 图谱发布后补录新细胞数与新细胞类型	作者公告或 GEO 更新
待定	CELLxGENE 集合修订后核对 dataset_version_id	API revised_at 变化
待定	Xenium 数据仓库确认后补录获取路径	论文 Data Availability 段

这三条不是抽象原则，而是本条目写作过程中真实撞上的墙。尤其是第三条——口径问题天然想被塞进脚注，因为它在叙事上「不性感」；但对使用者而言，它恰恰是决定数据能不能用的第一道门。

附录 Q：给写作者的三个"不要"

本条目在写作过程中踩过三类表达陷阱，记录下来供后续同题材条目参考。

不要写"最新"“首次”“唯一”。 单细胞图谱领域迭代极快，"首次"往往在半年内被推翻。本条目通篇避免这类绝对表述，改用"就本次核验所见"或"在公开材料中"限定范围。

不要把预印本的结论写成定论。 LIPG 与 COL4A3 的变异-基因证据是论文的核心卖点，但它是预印本结论。本条目在所有相关段落都加了"预印本""待复现"的限定词，并在坑 11 单列。

不要把口径问题藏在脚注里。 205,925 与 168,599 的差异不是小瑕疵，而是使用者第一个会撞上的墙。本条目把它单列成 §4 整章，并在坑 1-3、附录 M 反复重申。口径问题值得占版面，因为它决定读者会不会用错数据。

延伸阅读只给方向不给清单，是因为清单会随时间过期，而方向不会。三段延伸分别对应「疾病背景」「方法工具」「伦理框架」，恰好覆盖一位新读者从「为什么关心」到「怎么动手」再到「边界在哪」的完整路径。

附录 R：与本文相关的三段延伸阅读建议

延伸一：AMD 遗传学的整体图景。 想理解 2,243 个可信集变异在 AMD 领域的地位，需要先读两项标志性 GWAS 的原文（论文引用 [36]、[37]）。本条目不复述其内容，只提示阅读顺序：先读 GWAS 的位点清单，再读本图谱的分层结果，最后读论文的靶基因提名。

延伸二：单细胞多组学的整合方法。 想复现本图谱的整合流程，需要理解 Harmony、scVI、SCENIC+ 三类工具的适用边界。本条目在 §5.2 给出了工具名，但未展开参数细节——参数细节应以论文方法部分与工具官方文档为准。

延伸三：眼库与供体伦理。 本图谱涉及 102 位供体的死后组织，其伦理框架（知情同意、去标识、商业使用边界）在论文的伦理声明中。使用者若计划做类似采集，应先读该声明，再设计自己的同意书。

---

本附录至此结束。正文的 §0-§11、FAQ 26 问、事实清单 40 条、术语表 30 条与附录 A-R 构成完整条目；所有硬数字的来源见附录 F，所有口径冲突的存照见 §4 与附录 M，所有遗留疑点见 FACTS.md 第 9 节。

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-17，抓取与核验时点见附录 A 与附录 F。事实陈述以四条一手源为准：GEO FTP 的 filelist.txt（样本数与体量）、CELLxGENE curation API（发布资产与元数据）、Europe PMC REST（论文元数据与许可）、bioRxiv 全文（方法与发现）。

双口径冲突已在 §4 全面存照，包括细胞数（205,925 / 742,625 vs 168,599 / 551,214）、供体数（67 / 54 vs 102 vs 52 / 60 / 46 / 49）、细胞类型数（15 类 25 型 vs 17 类 48 状态）、GEO overall design 与 summary 的矛盾、CELLxGENE published_at 与 created_at 的冲突。未能在公开材料中确认的事项（Xenium 数据仓库、WOLF 与 CONNECT 样本码定义、MMD 眼库全称、期刊正式版）已列入 FACTS.md 第 9 节遗留疑点。

条目与库内 Human Cell Atlas（rid 319）、CZ CELLxGENE（rid 38）、CZ CELLxGENE Census（rid 1035）、Tabula Sapiens（rid 329）、HCL（rid 369）、Single Cell Portal（rid 359）、Inflammation Atlas（rid 1189）、Endometrial Immune Cell Atlas（rid 1223）、scT&P-4M（rid 1193）、Tahoe-100M（rid 1219）、scPerturb（rid 1102）等单细胞资源互链，并与 MARIO（rid 864）、HYAMD（rid 976）、AGE-AS-OCT（rid 858）等 AMD/视网膜影像条目形成"图像—组学"跨模态检索面。后续维护触发点：论文期刊版发表、v2 图谱发布、CELLxGENE 集合修订、GEO 样本追加。

---

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：

• scperturb — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 表观基因组 / 评测基准
• 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
• 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
• perturbai-crispr-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
• tcga-legacy — 共享标签：基因组学与多组学 / 转录组 / 表观基因组
• 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 / 表观基因组
• tabula-sapiens — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• single-cell-portal — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• hcl — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
• spatial-touchstone — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 评测基准

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。