scPerturb — 44 个标准化单细胞扰动 — 响应数据集资源

INFOBOX — scPerturb 一屏速览

维度	内容
本质	标准化的单细胞扰动—响应数据集资源（harmonized resource），不是单一数据集、也不是挑战赛
团队	Sander Lab（Harvard/Dana-Farber/Broad）+ Blüthgen 团队（HU Berlin/Charité）等 14 名作者；共同一作 Peidli、Green；联合监督 Blüthgen、Sander
论文	Nature Methods 2024;21:531–540（doi:10.1038/s41592-023-02144-y；2024-01-26 online；PMID 38279009）
规模	44 个数据集 / 25 篇出版物；单模态 scRNA-seq 32 个 + scATAC 来源 3 篇 + CITE-seq 3 个
扰动类型	CRISPR（cas9/CRISPRi/CRISPRa/cas13）32 个数据集 + 小分子药物 9 个数据集 + 细胞因子/TCR 刺激
体量	最大集 ReplogleWeissman2022 > 250 万细胞；每实验平均约 16 万、中位约 6.5 万细胞
质控	≥1,000 UMI/细胞；基因 ≥50 细胞表达；2,000 高变基因；PCA 50 维；ATAC 走 ArchR v1.0.1
核心方法	E-distance（energy distance） + E-test（10,000 次置换，Holm–Sidak 校正）度量扰动效应
格式	RNA/蛋白：AnnData .h5ad；ATAC：5 类特征矩阵分别下载
获取	官网 scperturb.org；Zenodo RNA 13350497 / ATAC 7058382；经 pertpy / Lamin 亦可下载
许可	代码 MIT（Peidli 2022）；数据集本体许可未见公开明示，须查 Zenodo 具名条款
装机工具	Python 包 scperturb（PyPI）｜R 包 scperturbR（CRAN）｜生态另有 pertpy

§0 导读：这个数据集解决什么问题

单细胞扰动实验正在爆炸式增长。CRISPR 敲除、CRISPRi 干扰、CRISPRa 激活、小分子药物处理，配合 scRNA-seq、scATAC-seq、CITE-seq 等读出技术，让研究者能够在单个细胞的分辨率上绘制「基因型—转录组—蛋白—染色质可及性」的因果链条。然而，论文开篇点出的问题极其朴素：分析这些不断增多的单细胞扰动数据集，被糟糕的数据互操作性所拖累（“Analysis across a growing number of single-cell perturbation datasets is hampered by poor data interoperability.”）。

问题出在「各自为政」。不同实验室的原始数据分散在 GEO、ArrayExpress、Broad Single Cell Portal、figshare 等仓库；元数据命名五花八门，扰动标签、对照定义、细胞系信息、基因注释各行其是；质控阈值、归一化策略、特征空间维度互不相同。结果是，想开发或评测一个「扰动响应预测」方法的研究者，往往要把大量精力浪费在数据清洗与对齐上，而非算法本身。

scPerturb 的定位因此不是「造一个新数据集」，而是 把 44 个已有的公开单细胞扰动数据集拉进同一套标准：

• 统一质控（uniform QC pipelines）：如 RNA 保留 ≥1,000 UMI 的细胞、基因至少在 50 个细胞中表达、选 2,000 高变基因、PCA 50 维；ATAC 走 ArchR v1.0.1、TSS enrichment ≥ 4 等；
• 统一特征注释（harmonize feature annotations）：基因名、细胞元数据、细胞系（Cellosaurus）标准化；
• 统一封装格式：RNA/蛋白数据落盘为 AnnData .h5ad，ATAC 提供五类特征矩阵分别下载。

在此之上，论文还贡献了一套扰动效应的量化语言——E-statistics。它用能量距离（E-distance）度量两组细胞分布之间的差异：把「组间细胞对的平均距离」（信号）与「组内细胞对的平均距离」（噪声）相比较，信号远大于噪声即说明两个扰动分布确实可区分。配合 E-test（蒙特卡洛置换检验），研究者可以系统回答三个问题：这个扰动有多强、它是否显著、它和别的扰动有多像。

对千方病案医数集而言，scPerturb 的收录价值在于：它是单细胞扰动响应这一整类方法学的公共底座——库里已有的 lincs-l1000（bulk 扰动转录组图谱）与 jump-cell-painting（扰动形态学画像）分别代表 bulk 与图像两种读数，而 scPerturb 补上了单细胞分子读数这一关键维度，三者构成「bulk→单细胞→形态」的扰动数据光谱。它既是数据资源，也是一套可迁移的标准化方法论示范。

本条目将逐层拆解：数据集的确切构成与口径（§2）、E-statistics 方法（§3）、44 个数据集的扰动类型图谱（§4）、模态与质控流水线（§5）、获取与许可的版本链（§6）、生态影响与库内定位（§7–§9），以及检索时最容易踩的坑（§10）。

§1 数据集速览：十问十答

Q1：scPerturb 是一个数据集，还是一个资源库？
是资源库。它汇集 25 篇出版物里的 44 个公开单细胞扰动—响应数据集，做统一质控与注释后公开；本身不产生新的湿实验数据。

Q2：到底有多少个数据集？
44 个，来自 25 篇出版物（论文正文 “We collected 44 publicly available perturbation–response datasets from 25 publications”）。

Q3：模态怎么分布？
其中 32 个数据集报告专属 scRNA-seq；另含 scATAC-seq（来自 3 篇出版物，其中 1 篇同时测蛋白） 与 3 个 CITE-seq 数据集（蛋白与 RNA 计数可分别下载）。资源总体以单模态 scRNA-seq 为主导。

Q4：扰动类型有哪些？
两类为主：32 个数据集用 CRISPR（cas9 敲除、CRISPRi 干扰、CRISPRa 激活、cas13 降解），9 个数据集用药物（小分子）；另有细胞因子（cytokines）与 TCR 刺激等条件扰动。

Q5：最大的数据集有多大？
ReplogleWeissman2022，超过 250 万细胞，且扰动数逾 9,000，是库中规模与扰动维度的双料冠军。

Q6：典型数据集多大？
每实验细胞数平均约 160,000、中位数约 65,000（论文 Table 1）。也就是说「十几万细胞」是这个库的常态而非极端。

Q7：E-statistics 是什么？
一套基于**能量距离（E-distance）**的扰动效应度量与显著性检验方法：在 PCA 空间（50 维、欧氏距离）比较组间与组内细胞对的平均距离，量化扰动强度；E-test 用 10,000 次置换给出 p 值，Holm–Sidak 多重校正。

Q8：数据怎么拿？
官网 scperturb.org 提供下载；Zenodo 上 RNA 数据记录 13350497（最新）、ATAC 数据记录 7058382；多数数据集也可经 pertpy 或 Lamin 获取。

Q9：许可情况如何？
GitHub 代码是 MIT（明确排除 Python 包与 R 包）。但数据集本体的公开许可条款，论文与 PMC 并未明示——须以 Zenodo 各记录页的具名 license 为准。这是使用前必须自行核对的一点。

Q10：它和我直接下某个原始数据集有什么不同？
你省掉了四步：跨仓库检索、异构元数据对齐、统一质控、格式转换。代价是你要接受 scPerturb 的质控阈值与注释口径——这是「开箱即用」与「完全控制」之间的权衡。

§2 数据构成与规格

2.1 规模、来源与机构构成

scPerturb 的 44 个数据集全部来自已发表的公开研究，覆盖 2016–2023 的时间跨度，来源仓库包括 GEO、ArrayExpress、Broad Single Cell Portal、figshare 及作者自存档（论文 Data availability 段逐条给出 GEO/ArrayExpress 登录号，例如 AdamsonWeissman2016 对应 GSE90546、AissaBenevolenskaya2021 对应 GSE149383、DixitRegev2016 对应 GSE90063 等）。

团队横跨大西洋两岸多个机构：Chris Sander（Harvard Medical School 系统生物学系 / Dana-Farber / Broad Institute）与 Nils Blüthgen（Humboldt-Universität zu Berlin / Charité）领衔联合监督；共同一作 Stefan Peidli（当时在 HU Berlin，后至 EMBL，ORCID 0000-0002-4257-8690）与 Tessa D. Green（Harvard）；另有 Augustin Luna（NIH/NLM 计算生物学分支 + NCI 发育治疗分支）等通讯作者，以及来自爱丁堡大学再生医学中心、Relation Therapeutics（伦敦）等机构的合作者。项目由 National Resource for Network Biology（NRNB, P41GM103504）、Wellcome Leap ∆Tissue 计划、DFG RTG2424 CompCancer、Einstein Stiftung Berlin 等资助，部分计算在柏林健康研究所（BIH）HPC 完成。

2.2 数据集命名与识别

scPerturb 的每个数据集以来源论文第一作者 + 年份命名，例如：

• NormanWeissman2019（CRISPRa 激活筛选，E-distance 层次结构清晰，被论文用作 Fig.4 示例）
• ReplogleWeissman2022（最大集，>250 万细胞，CRISPRi）
• PapalexiSatija2021（免疫检查点研究，含 IFNγ 通路扰动）
• AdamsonWeissman2016、DixitRegev2016、FrangiehIzar2021、SrivatsanTrapnell2020（sci-Plex 药物筛选）

这种命名法的好处是溯源直接：看到名字就知道该去找哪篇原始论文；代价是多批次同名（如 Adamson、Replogle、Gasperini、Tian 等都有多个批次/子集），使用时须以「数据集名 + 批次标识」精确指定。

2.3 体量分布：一个高度异质的谱

论文 Table 1 披露的细胞数跨度极大：

• 头部：ReplogleWeissman2022 逾 250 万细胞（三批 310,385 / 1,989,578 / 247,914）、SrivatsanTrapnell2020 药物筛选最高约 79.9 万、McFarland 约 18.3 万、Tian 约 18.3 万；
• 中部：大量数据集在数万至十余万细胞区间，构成「平均 16 万 / 中位 6.5 万」的主体；
• 尾部：部分数据集仅数千细胞（如 Datlinger 5,905、Liscovitch-Brauer 8,723）。

扰动维度同样悬殊：Gasperini 的一个批次扰动数高达 4.3 万+，而多个数据集仅 4–6 个扰动。这种异质性意味着跨数据集直接比较 E-distance 数值需要谨慎——细胞数与扰动数的差异会系统性影响统计量的稳定性。

2.4 模态构成与「32 + 3 + 3」的读法

关于模态计数，务必理解论文原句的限定词：

“While 32 datasets report scRNA-seq exclusively, we also include scATAC-seq from three publications, one with simultaneous protein measurements.”

以及：

“Three CITE-seq datasets have protein and RNA counts that are downloadable separately.”

所以，「32」是专属 scRNA-seq 的条目数，不是 RNA 相关数据集的全部；scATAC 的「3」计数单位是出版物/来源而非严格的数据集条目；CITE-seq 的「3」是同时含蛋白与 RNA 计数的条目。32 + 3 + 3 ≠ 44 的算术不应被强行撮合——44 是全部条目数，个别条目跨模态或含多批次。候选情报中「RNA 32 + ATAC 3 + CITE-seq 等」的表述方向正确，但须明确 32 属「专属 RNA」口径。

2.5 存储格式与规格

• RNA / 蛋白数据集：AnnData .h5ad 文件；表达矩阵为未归一化的 cell-by-gene 计数；同时提供 .mtx 导入 Seurat 的代码；
• scATAC 数据集：提供五种特征矩阵定义分别下载——(1) LSI 嵌入（30 维）、(2) gene scores（基因周边染色质可及性）、(3) peak–barcode matrix（共识峰）、(4) chromVAR scores（转录因子活性）、(5) 每扰动靶点的 marker-peaks；
• 元数据：取自原始论文，细胞系信息取自 Cellosaurus，元数据列见 Supplementary Table 2；扰动标签（如 guide 身份）取自论文补充材料。

2.6 与库内扰动相关条目的边界

在千方病案医数集内，与被扰动数据相关的已有条目有两条，须明确边界：

库内条目	rid	读数类型	与 scPerturb 的关系
lincs-l1000	399	bulk 转录组（L1000 平台）扰动参考图谱	同为「扰动—转录响应」，但为 bulk 而非单细胞，粒度不同
jump-cell-painting	563	图像（Cell Painting 形态学画像）	同为「扰动—表型」，但读数为显微图像而非分子组学

scPerturb 填入的是单细胞分子读数这一格，与前两者构成互补而非重复。这一光谱关系将在 §9 展开。

§3 方法学核心：E-statistics 与 E-distance

scPerturb 之所以在方法论上被广泛引用，不仅因为它整理了数据，更因为它给出了一套判断「扰动到底有没有起作用」的统计学语言。这套语言的核心是能量距离（energy distance），论文中称为 E-distance，配套的统计框架称为 E-statistics。

3.1 直觉先行：信号与噪声的比较

设想两组细胞：一组是未受扰动的对照（control），一组是敲除某基因的扰动组。我们想问：这两组细胞在表达空间里，真的是「两团」而非「一团」吗？

E-distance 的直觉非常干净，论文如此描述：它把组间细胞对的平均距离（signal，信号）与组内细胞对的平均距离（noise，噪声）相比较——“If the former is much larger than the latter, the two distributions are distinct.”（若前者远大于后者，则两个分布是可区分的。）

• 若扰动组内部细胞彼此很相似（噪声小），而扰动组与对照组之间差异明显（信号大）→ E-distance 大 → 扰动有效；
• 若两组细胞相互混杂（信号≈噪声）→ E-distance 小 → 该扰动在给定数据中几乎无效应。

这正是「信噪比」在分布层面的自然推广。

3.2 数学定义与实现细节

对两组细胞样本 $x_1,\dots,x_N \in \mathbb{R}^d$ 与 $y_1,\dots,y_M \in \mathbb{R}^d$，分别来自分布 $X$ 与 $Y$。E-distance 比较的是两组分布族的能量距离，其经验估计可理解为一个「组间平均成对距离」减去「组内平均成对距离」的组合项（能量距离的标准形式为 $2\mathbb{E}|x-y| - \mathbb{E}|x-x’| - \mathbb{E}|y-y’|$ 的平方根量纲变形）。

scPerturb 的实现关键点：

• 计算空间：在 PCA 空间中进行，使用 50 个主成分与欧几里得距离；
• 偏差校正（bias correction）：论文对低细胞数情形引入了偏差校正形式以改善估计质量（Fig.5c/5d 除外，其余均用偏差校正形式）；
• 软件实现：Python 包 scperturb（PyPI）与 R 包 scperturbR（CRAN）均提供，并已整合进 scverse 的 pertpy（后者支持更多距离度量与更快的计算）。

3.3 E-test：置换检验给出显著性

仅有 E-distance 数值还不够，还需要统计显著性。论文使用 E-test——一个以 E-distance 为检验统计量的蒙特卡洛置换检验（Monte Carlo permutation test）：

1. 对每个数据集/每个扰动，将扰动细胞与未扰动细胞合并；
2. 打乱扰动标签，重新计算两组间 E-distance；
3. 重复 10,000 次，统计「打乱后的 E-distance 大于未打乱值」的次数；
4. 该次数除以 10,000 即得单侧 p 值；
5. 按数据集使用 Holm–Sidak 方法做多重检验校正。

这一流程使研究者能对每个扰动给出「显著 / 不显著」的判定，而非仅一个连续分数。

3.4 应用：从强度到相似性

E-statistics 在实践中支撑四类分析：

• 量化效应强度：扰动 vs 对照的 E-distance 直接反映扰动强弱；
• 判断显著性：E-test 的 p 值筛选出真正有效的扰动；
• 量化扰动间相似性：例如论文用 E-distance 展示 CEBPA 与 KLF1+CEBPA 的扰动效应高度重叠；
• 扰动层次聚类：在 Papalexi 数据中，E-distance 清晰解出 IFNγ 通路的扰动簇（IFNGR1、IFNGR2、JAK2、STAT1 聚在一起），验证了「同通路扰动效应相似」这一生物学直觉。

3.5 实验设计建议：这套方法反推出的「够用样本量」

E-statistics 的一个副产品是可检验的实验设计指南。论文通过亚采样实验（Fig.5）给出建议：

• 每个扰动至少测量 200–500 个细胞；
• 每个细胞平均约 1,000 UMI（read depth）；
• E-test 显著扰动数在约 500 UMI/细胞处趋于饱和——继续加深测序收益递减。

这些数字对计划做扰动筛选的实验团队具有直接参考价值，也是本资源「不止是数据、还是方法论」的例证。

3.6 与库内其他度量的对照视角

在更广的方法学生态中，E-distance 与常见的差异表达分析、MMD（最大均值差异）、Wasserstein 距离等目标相近但各有取舍。E-distance 的优势在于：(1) 有明确的能量统计理论基础与偏差校正；(2) 天然适用于「集合 vs 集合」的比较（而非单基因逐项检验）；(3) 在单细胞扰动这一低细胞数、高维度的场景下有成熟的软件实现。这也是 scPerturb 能成为社区基准底座的技术原因之一。

§4 44 个数据集的扰动类型图谱

4.1 扰动技术的生物学层级

论文用一张「蛋白生产层级」图（Fig.1）组织扰动技术，这是理解 44 个数据集差异的钥匙：

层级	作用对象	代表技术	数据集中体现
基因组	DNA 序列	CRISPR-cas9（插入缺失致移码，敲除）	Dixit、Datlinger、Frangieh、Xie、Shifrut
转录	转录激活/抑制	CRISPRi（抑制）、CRISPRa（激活）	Adamson、Replogle、Norman、Gasperini、Tian
RNA	RNA 降解	CRISPR-cas13	少数数据集
蛋白	酶、受体	小分子药物	Aissa、Chang、Gehring、McFarland、Srivatsan、Zhao
信号/环境	受体通路	细胞因子（cytokines）	Schiebinger、Weinreb

论文统计：32 个数据集用 CRISPR 扰动，9 个用药物扰动；另有细胞因子与 TCR 刺激等条件性扰动。

4.2 按来源文献的数据集清单（论文 Table 1 摘录）

下表整理论文 Table 1 中披露的主要数据集（名称以第一作者表示，多批次并列）：

数据集	模态	扰动类型	扰动数	细胞数（各批）
Adamson	RNA	CRISPRi	9 / 20 / 114	5,768 / 15,006 / 65,337
Aissa	RNA	drugs	4	119,071
Chang	RNA	drugs	4	42,277
Datlinger	RNA	CRISPR-cas9 + TCR	97 / 48	5,905 / 39,194
Dixit	RNA	CRISPR-cas9	31	51,898
Frangieh	RNA + protein	CRISPR-cas9	249	218,331
Gasperini	RNA	CRISPRi	43,314 / 39,087 / 16,531	207,324 / 47,650 / 41,284
Gehring	RNA	drugs	4	20,382
Liscovitch-Brauer	ATAC	CRISPR-cas9	22 / 84	8,723 / 12,788
McFarland	RNA	drugs + CRISPR-cas9	18	182,875
Mimitou	ATAC + protein	CRISPR-cas9	6	10,018
Norman	RNA	CRISPRa	237	111,445
Papalexi	RNA + protein	CRISPR-cas9	11 / 99	20,729 / 8,984
Pierce	ATAC	CRISPRi	41 / 41 / 41	22,488 / 32,831 / 18,025
Replogle	RNA	CRISPRi	2,058 / 2,394 / 9,867	310,385 / 1,989,578 / 247,914
Schiebinger	RNA	cytokines	2 / 3	68,339 / 259,155
Schraivogel	RNA	CRISPR-cas9	3,105 / 4,115	120,310 / 112,260
Shifrut	RNA	CRISPR-cas9 + TCR	49	52,236
Srivatsan	RNA	drugs	5 / 8 / 189	24,262 / 98,437 / 799,317
Tian	RNA	CRISPRi	27	182,790
Tian	RNA	CRISPRa/i	101 / 185	21,193 / 32,300
Weinreb	RNA	cytokines	5	65,075
Xie	RNA	CRISPR-cas9	229	13,283
Zhao	RNA	drugs	7	165,748

说明：上表为论文 Table 1 的摘录整理，并非逐行照抄；批次分隔符「/」对应同一数据集的多个子集。完整清单以 Zenodo 记录页与官网 Data Explorer 为准。

4.3 三类扰动的典型科学问题

CRISPR 敲除/干扰/激活类（占比最大）：回答「某基因功能缺失/增强后，细胞转录组如何变化」。典型如 Replogle（全基因组 CRISPRi 扰动图谱）、Norman（CRISPRa 激活）、Adamson（内质网应激 CRISPRi）。

药物扰动类（9 个数据集）：回答「小分子处理后细胞状态如何改变」，与药物机制、老药新用、组合用药相关。sci-Plex（SrivatsanTrapnell2020）含 188 种药物，是其中药物维度最丰富的。

细胞因子/刺激类：回答「环境信号（如 IFNγ、TNF 等）如何重塑细胞状态」，常用于免疫与信号通路研究（Papalexi 的 IFNγ 通路即典型）。

4.4 异构性的三个提醒

1. 扰动数从 4 到 4 万+：小筛选（4 个药物）与大筛选（4 万个 guide）不可同日而语，E-distance 的可比性受扰动数与细胞数共同影响；
2. 细胞系谱系不同：各原始研究用的细胞系（K562、HEK293T、Jurkat、A549 等）不同，跨数据集比较需注意细胞系背景差异；
3. 批次结构各异：同名数据集的多批次（如 Adamson 三批）可能来自不同实验条件，混用前须查元数据。

§5 模态与质控流水线

5.1 scRNA-seq 处理流程

论文对 RNA 数据的统一流程如下（工具为 Scanpy，版本 v1.7.2–v1.9.1）：

1. 获取：从公共数据库下载未归一化的 cell-by-gene 矩阵；
2. 导入：读入为 AnnData 对象；
3. 元数据：扰动标签等取自原始论文，细胞系信息取自 Cellosaurus；
4. QC 过滤：细胞保留标准为至少 1,000 UMI；基因保留标准为至少在 50 个细胞中表达；
5. 特征选择：选 2,000 个高变基因（scanpy.pp.find_variable_genes, flavor seurat_v3）；
6. 归一化：normalize_total + log1p（不做 z-scale）；
7. 降维：基于高变基因做 PCA，取 50 个主成分；
8. 平衡：去除细胞数少于 50 的扰动，并下采样使所有扰动的细胞数相同（保证 E-distance 不受细胞数偏斜影响）；
9. 存储：以 .h5ad 保存，另提供 .mtx 导入 Seurat 的代码。

5.2 scATAC-seq 处理流程

ATAC 数据用 ArchR framework v1.0.1（标准参数）处理：

• 细胞过滤：剔除 mapped fragments 少于 1,000 或 多于 100,000 的细胞（双向过滤，既去低质量也去双细胞/多细胞）；
• TSS enrichment：要求 ≥ 4；
• sgRNA 分配：仅当某 sgRNA 计数 >20 且占该细胞全部 sgRNA 计数的 ≥80% 时才分配（保证扰动标签可信）；
• 五类特征集：LSI 嵌入（30 维）、gene scores、peak–barcode matrix、chromVAR scores、每靶点 marker-peaks。

5.3 并行化与可复现性

大规模数据处理用 Snakemake 编排为 workflow，论文与仓库均提供复现骨架：安装 conda 环境（conda env create -f sc_env.yaml）、下载数据、改 config.yaml 路径、运行 notebooks 生成论文/补充/网站图表。这一可复现设计使 scPerturb 既是数据集，也是一套可审计的数据加工流水线。

5.4 质控阈值的取舍意味

统一 QC 是把双刃剑。好处是跨数据集可比；代价是：

• ≥1,000 UMI 阈值会丢弃低深度细胞，对本身深度不足的数据集可能损失可观样本；
• 下采样平衡细胞数会丢弃大扰动的多余细胞以对齐小扰动，牺牲了部分统计功效换取可比性；
• 统一注释可能覆盖原始研究的某些特殊标注。

使用者若需保留全量细胞或原注释，应回到原始数据源，而非仅用 scPerturb 版本。

§6 获取与许可：版本链与两道门

6.1 三种获取渠道

1. 官网直下：scperturb.org（实际托管于 projects.sanderlab.org/scperturb/），提供交互式 Data Explorer（datavzrd 表，含各数据集的文献链接、扰动类型、扰动数等）；
2. Zenodo：模态分记录存放——RNA 数据记录 13350497（最新）、ATAC 数据记录 7058382；
3. 生态镜像：多数数据集可经 pertpy（scverse）或 Lamin（laminlabs/pertdata）下载。

6.2 Zenodo 记录的版本链（重要双口径）

检索 scPerturb 时会撞见多个 Zenodo 记录号，这是初版与最新版并存导致的口径分裂：

口径来源	RNA 记录	ATAC 记录
官网首页 Data 段	record 7041849	record 7058382
medRxiv 正文	10.5281/zenodo.7041848	10.5281/zenodo.7058381
GitHub README + 官网最新指向	13350497（latest）	7058382

处置建议：以 RNA = 13350497（最新发布） 与 ATAC = 7058382 为主口径；7041848/7041849 为初版双写口径（仅差末位，疑为同一批发布的重号），7058381 为 ATAC 初版。使用前务必核对记录页的版本号与发布日，避免下到旧版。

6.3 许可：代码 MIT，数据待核

• 代码：GitHub 仓库 sanderlab/scPerturb 的 LICENSE 为 MIT License（Copyright © 2022 Stefan Peidli）。但 LICENSE 明文说明：该许可仅覆盖未另行许可的代码，明确排除 Python 包目录与 R 包目录（二者各自有自己的许可）；
• 数据集本体：论文与 PMC 文本中未明示数据集的公开许可条款，仅有期刊版权与 reprints 说明。稳妥做法是以 Zenodo 各记录页的具名 license 为准（本条目不代为断言）；
• 论文本体：Springer Nature 版权，作者自存档受出版协议约束。

6.4 候选情报的许可口径纠正

候选情报记「开放许可（MIT/CC）」。经一手核验：MIT 仅对代码成立；数据本体的 CC 或其他开放许可未见论文确证（Zenodo API 在本环境被 403 拦截，未能读取记录页 license 字段）。因此本条目不写成「数据为 CC 开放」，而按「代码 MIT / 数据许可待以 Zenodo 为准」双口径诚实表述。这一纠正正是纪律包 §1「一切以三源互证为准」的落实。

§7 生态与影响：一个资源如何成为方法学底座

7.1 从预印本到社区标准

scPerturb 的路径清晰：2022 年 8 月 bioRxiv 预印本（2022.08.20.504663）先公开、网站同步上线，2023 年 1 月投稿、2023 年 12 月接收，2024 年 1 月 26 日正式在线发表于 Nature Methods。预印本阶段的先发使社区早早围绕它建设工具链——这也是它能迅速成为「扰动数据公共底座」的时间窗口原因。

7.2 工具生态的双轮

scPerturb 的影响力一半来自数据，一半来自软件：

• Python 侧：scperturb 包（PyPI）提供 edist（计算 E-distance）与 etest（E-test 检验）接口，与 scanpy 生态整合；
• R 侧：scperturbR 包（CRAN）面向 Seurat 用户；
• 生态迁移：论文与仓库明确指出，Python 功能已在 pertpy（scverse 组织）中重建，pertpy 支持更多距离度量与更快计算、维护更活跃。作者建议新用户优先用 pertpy，scperturb 包维护「相对较慢」。

这种「原始包 + 生态吸收」的双轨，是健康开源资源的典型形态：原创团队给出参考实现与理论，社区组织（scverse）承接长期维护。

7.3 在下游方法研究中的位置

scPerturb 的价值在「基准测试」这一环被反复兑现：需要开发「单细胞扰动响应预测」「扰动效应迁移」「跨细胞系泛化」等方法的团队，普遍以 Norman（CRISPRa）、Replogle（全基因组 CRISPRi）、Adamson 等作为评测集。scPerturb 把这些分散的标准集统一到同一格式与统计口径下，显著降低了「搭评测台」的成本。论文摘要即点明其定位：促进计算方法的发展与测试、便于跨数据集比较与整合。

7.4 与库外相邻资源的对照

资源	粒度	读数	与 scPerturb 的关系
scPerturb	单细胞	转录/表观/蛋白	本条目
LINCS L1000	bulk	转录	前身式资源，scPerturb 的 bulk 对照
JUMP Cell Painting	单细胞级图像	形态	表型对照
Tabula Sapiens / CellxGene	单细胞	转录/多组学（无扰动）	观测图谱，缺扰动维度
TDC	—	小分子 ADMET 属性	化学属性数据，非单细胞读数

这张表说明：scPerturb 的不可替代性在于「单细胞 + 分子读数 + 有扰动标签」三者叠加。缺任一维度，都会滑向其左侧或下方的其他资源。

§8 方法学启示：三条可迁移的经验

8.1 标准化本身就是一种贡献

在「数据爆炸但互操作性差」的时代，把已有数据收拾整齐的价值不亚于采集新数据。scPerturb 没有做任何新湿实验，却成为高被引资源（Google Scholar 显示被引逾 170 次），印证了「协调化（harmonization）即基础设施」这一判断。对任何领域的数据库建设者，这是可复制的路径：与其追新，不如统一。

8.2 度量方法要随数据一起发布

scPerturb 若只发数据、不发 E-statistics，其影响会大打折扣。正是因为同时给出了「扰动有多强、显著与否、彼此多像」的统计语言，使用者才有统一的评测标尺。数据 + 度量 + 软件三件套，是让资源「可被比较」的关键设计。

8.3 用亚采样实验反推实验设计

论文通过系统亚采样（改变细胞数、UMI 深度），得出「每扰动 200–500 细胞、每细胞约 1,000 UMI」的建议。这种用数据集反推采集规范的做法，把「事后数据整理」升级为「事前设计指导」，是资源类工作的更高层次贡献。

8.4 可复现的流水线 = 可审计的科学

Snakemake 编排、conda 环境锁定、notebooks 复现图表——scPerturb 把加工过程完全暴露。这意味着任何数字都可被审计、任何注释都可被追溯。对病案医数集这类强调「AI-Ready」的资源，这是值得借鉴的工程范式。

§9 与库内条目的关系

9.1 家族图谱

scPerturb 在千方病案医数集内属于**「扰动数据」族**，与两条在架条目构成互补：

• lincs-l1000（rid=399）：LINCS L1000 扰动转录组参考图谱。同为「扰动—转录响应」，但 L1000 是 bulk 且以特征基因（978 landmark genes）为读数，scPerturb 是单细胞全转录组，粒度与深度不同。二者可并置构建「bulk→single-cell」的扰动方法评测链。
• jump-cell-painting（rid=563）：JUMP Cell Painting 化学/基因扰动形态学画像。同为「扰动—表型」，但读数是显微图像（形态学），scPerturb 是分子组学。二者构成「形态表型↔分子读数」的对照，可用于多模态扰动效应研究。

9.2 建议互链点

目标条目	rid	建议链接理由
lincs-l1000	399	扰动转录响应的 bulk vs 单细胞对照
jump-cell-painting	563	扰动表型的图像 vs 分子读数对照

库外/待核邻近条目（候选情报提及，未经 DB 实查，仅供检索路径参考，不写入 frontmatter）：tabula-sapiens(329)、cellxgene(38)、tcga 为无扰动观测图谱；tdc(131) 为小分子 ADMET 化学属性，非单细胞读数。入库前应由主会话核实 rid 后再决定是否互链。

9.3 检索路径建议

• 想找单细胞扰动数据 → 本条目（scperturb）+ pertpy/Lamin；
• 想找bulk 扰动图谱 → lincs-l1000(399)；
• 想找扰动形态学 → jump-cell-painting(563)；
• 想找无扰动的观测图谱 → tabula-sapiens/cellxgene 等（另行核实 rid）。

§10 避坑清单：八个已踩过的坑

坑 1：把 scPerturb 当成「一个数据集」。
它是 44 个数据集的资源集合。「下载 scPerturb」实为「下载 44 个数据集（或其中若干）」。引用时必须说明用的是哪个（如 NormanWeissman2019），否则不可复现。

坑 2：Zenodo 记录号下成旧版。
网站上可能同时出现 RNA 记录 7041849 与 13350497。13350497 才是最新。下错版本会导致数据内容与论文口径不符，且不自知。

坑 3：误信「数据是 CC/MIT 开放」。
MIT 只对代码成立，且明确排除 Python/R 包目录。数据集本体的许可条款论文未明示，须查 Zenodo 记录页。直接假设「全开放」可能构成许可风险。

坑 4：混淆「32 + 3 + 3」的口径。
32 是专属 scRNA-seq 的条目数，scATAC 的 3 是出版物数，CITE-seq 的 3 是蛋白+RNA 双计数条目。三者相加≠44。错记会导致对资源构成的误解。

坑 5：把「平均 16 万细胞」当成每个数据集都有十几万。
那是均值，中位数仅 6.5 万，尾部大量数据集只有数千细胞。按均值规划分析会严重误判。

坑 6：跨数据集直接比较 E-distance 数值。
不同数据集的细胞数、扰动数、细胞系、深度差异极大，E-distance 绝对值不可直接横向比。应在同一数据集内比较，或使用论文的亚采样/校正口径。

坑 7：忽略「下采样平衡」带来的样本损失。
为对齐细胞数，scPerturb 会下采样大扰动。若你的分析需要全量细胞（如稀有亚群），应回到原始 GEO/ArrayExpress 数据源，而非用 scPerturb 版本。

坑 8：在低深度数据上硬跑 E-test。
论文指出 E-test 显著扰动数在约 500 UMI/细胞处饱和，且建议每扰动 200–500 细胞。在远低于此的深度/细胞数上做 E-test，结论不稳定。

§11 总结

11.1 三句话总结

1. scPerturb 是单细胞扰动—响应数据的标准化资源：44 个数据集、25 篇出版物，统一质控与注释后以 .h5ad 与多特征矩阵公开。
2. 它同时贡献了方法学：E-distance/E-statistics 为「扰动有多强、是否显著、彼此多像」提供了统一度量与检验，并反推出实验设计建议（每扰动 200–500 细胞、每细胞约 1,000 UMI）。
3. 获取要认准版本与许可：RNA 用 Zenodo 13350497、ATAC 用 7058382；代码 MIT，数据许可须查 Zenodo 记录页。

11.2 适合谁

• 开发/评测单细胞扰动响应预测方法的算法团队；
• 需要跨数据集整合扰动转录/表观/蛋白读数的系统生物学研究者；
• 研究 CRISPR 筛选与药物机制的功能基因组学与药物发现团队；
• 需要扰动效应统计度量（E-distance/E-test）的应用研究者；
• 建设扰动数据基础设施的数据库与方法学团队（可借鉴其标准化与流水线范式）。

11.3 不适合谁

• 需要原始全量细胞（不接受下采样/QC 过滤）的团队 → 回原始 GEO/ArrayExpress；
• 需要无扰动纯观测图谱（如正常组织图谱）的研究 → 用 Tabula Sapiens/CellxGene 类资源；
• 需要bulk 扰动转录组的研究 → 用 lincs-l1000(399)；
• 需要扰动形态学的研究 → 用 jump-cell-painting(563)；
• 需要**明确的宽许可（如 CC0）**用于商业再分发、且不愿逐一核对 Zenodo 条款的用户 → 须先完成许可尽调。

11.4 30 秒决策卡

你的需求	建议动作
找单细胞扰动数据	本条目 → 官网 scperturb.org
要最新 RNA 数据	Zenodo 13350497
要 ATAC 数据	Zenodo 7058382
要 Python 算 E-distance	pip install pertpy（推荐）或 scperturb
要 R 算 E-distance	CRAN scperturbR
要商用/再分发	先核对 Zenodo 记录页 license（论文未明示）
要 bulk 扰动对照	lincs-l1000(399)
要扰动形态学	jump-cell-painting(563)

FAQ（高频问答 32 问）

A. 基础认知

Q1：scPerturb 的一句话定义？
汇集 25 篇文献 44 个公开单细胞扰动—响应数据集、统一质控与注释后公开的标准化资源，并附 E-statistics 度量方法。

Q2：它和 GEO 是什么关系？
scPerturb 的数据来自 GEO、ArrayExpress 等原始仓库，经再加工后重新托管于 Zenodo 与官网。它不是仓库，是仓库之上的标准化层。

Q3：谁做的？
Sander Lab（Harvard/Dana-Farber/Broad）与 Blüthgen 团队（HU Berlin/Charité）等 14 名作者；共同一作 Peidli、Green，联合监督 Blüthgen、Sander。

Q4：哪篇论文？
Peidli S, Green TD, et al. Nature Methods 2024;21:531–540. doi:10.1038/s41592-023-02144-y（PMID 38279009）。

Q5：有没有预印本？
有，bioRxiv 2022.08.20.504663（2022-08-22）。

Q6：有没有官网？
有，scperturb.org（托管于 projects.sanderlab.org/scperturb/），含交互式 Data Explorer。

B. 数据与获取

Q7：44 个数据集怎么分模态？
32 个专属 scRNA-seq；scATAC-seq 来自 3 篇出版物（1 篇含蛋白）；3 个 CITE-seq 数据集（蛋白+RNA 可分别下载）。

Q8：扰动类型有哪些？
CRISPR（32 个数据集）与药物（9 个数据集）为主，另有细胞因子与 TCR 刺激。

Q9：最大数据集是哪个？多大？
ReplogleWeissman2022，>250 万细胞，扰动数逾 9,000。

Q10：典型数据集多大？
平均约 16 万细胞/实验，中位约 6.5 万。

Q11：数据是什么格式？
RNA/蛋白为 AnnData .h5ad（未归一化计数）；ATAC 提供 5 类特征矩阵；另附 .mtx 导入 Seurat 的代码。

Q12：怎么下载？
官网 scperturb.org 直下；Zenodo（RNA 13350497 / ATAC 7058382）；或经 pertpy / Lamin。

Q13：为什么会有多个 Zenodo 记录号？
初版与最新版并存：7041848/7041849 为 RNA 初版口径，13350497 为最新；7058381 为 ATAC 初版，7058382 为官网/GitHub 口径。

Q14：要下最新版该用哪个号？
RNA 用 13350497，ATAC 用 7058382。

C. 方法与统计

Q15：E-distance 是什么？
能量距离，度量两组细胞分布间差异：比较「组间平均距离」（信号）与「组内平均距离」（噪声）。

Q16：E-test 是什么？
以 E-distance 为统计量的蒙特卡洛置换检验，10,000 次置换，Holm–Sidak 多重校正。

Q17：E-distance 在哪个空间算？
PCA 空间，50 个主成分，欧氏距离，含偏差校正。

Q18：怎么判断扰动有效？
E-distance 大 + E-test 显著（p 值小）即扰动有效。

Q19：实验需要多少细胞和深度？
建议每扰动 200–500 细胞，每细胞平均约 1,000 UMI；E-test 显著数在约 500 UMI/细胞处饱和。

Q20：质控阈值是什么？
RNA：细胞 ≥1,000 UMI、基因 ≥50 细胞表达、2,000 高变基因、PCA 50 维；ATAC：mapped fragments 1,000–100,000、TSS enrichment ≥4、sgRNA 分配需 >20 且占比 ≥80%。

Q21：会不会下采样？
会。去除 <50 细胞的扰动，并下采样平衡所有扰动的细胞数。

Q22：E-distance 能和差异表达分析互换吗？
不能完全互换。E-distance 是「集合 vs 集合」的分布距离，比逐基因差异表达更整体；两者互补。

D. 许可与使用

Q23：代码许可？
MIT（Copyright 2022 Stefan Peidli），但明确排除 Python 包与 R 包目录。

Q24：数据许可？
论文与 PMC 未明示；须以 Zenodo 各记录页的具名 license 为准。本条目不作断言。

Q25：能商用吗？
取决于数据本体的许可，须先核对 Zenodo 条款；代码为 MIT 可商用（在排除目录之外）。

Q26：能再分发吗？
同上，需先确认数据许可；建议直接给出 Zenodo/官网原始链接而非转发副本。

E. 生态与库内

Q27：和 LINCS L1000 什么关系？
同为扰动转录资源，但 L1000 是 bulk，scPerturb 是单细胞，构成 bulk↔单细胞对照。

Q28：和 JUMP Cell Painting 什么关系？
同为扰动数据，但 JUMP 读数是图像（形态），scPerturb 是分子组学。

Q29：库内 rid 是多少？
lincs-l1000 = 399；jump-cell-painting = 563。

Q30：能用 pertpy 吗？
能，且作者推荐。pertpy 已重建 Python 功能，支持更多距离度量与更快计算。

F. 工程与复现

Q31：怎么复现论文图表？
装 conda 环境（conda env create -f sc_env.yaml）、下载数据、改 config.yaml 路径、跑 notebooks。

Q32：怎么参与/报告 bug？
通过 GitHub 仓库 sanderlab/scPerturb 提交 issue。

事实清单（硬事实 36 条）

每条均落来源；三源互证者标注来源数。核验时间 2026-10-16。

1. 资源名称为 scPerturb（官网 logo 写法）。（来源：scperturb.org）
2. 论文发表于 Nature Methods，卷 21，页 531–540，2024 年。（来源：Edinburgh/Springer/PMC 三源）
3. DOI 为 10.1038/s41592-023-02144-y。（来源：三源一致）
4. 在线发表日期 2024-01-26；Issue date 2024-03（Received 2023-01-28；Accepted 2023-12-04）。（来源：Springer/medRxiv）
5. PMID 38279009；PMCID PMC12220817；NIHMSID NIHMS2078751。（来源：PMC）
6. 预印本为 bioRxiv 2022.08.20.504663（2022-08-22）。（来源：官网/GitHub）
7. 数据集总数 44 个，来自 25 篇出版物。（来源：论文正文 + 摘要，两处一致）
8. 其中 32 个数据集专属 scRNA-seq。（来源：论文正文原句）
9. scATAC-seq 来自 3 篇出版物，其中 1 篇同时含蛋白测量。（来源：论文正文）
10. 3 个 CITE-seq 数据集，蛋白与 RNA 计数可分别下载。（来源：论文正文）
11. 32 个数据集用 CRISPR 扰动（cas9/CRISPRi/CRISPRa/cas13）。（来源：论文正文）
12. 9 个数据集用药物扰动。（来源：论文正文）
13. 另有细胞因子（cytokines）与 TCR 刺激类扰动。（来源：论文 Table 1）
14. 最大数据集 ReplogleWeissman2022，> 250 万细胞，扰动数逾 9,000。（来源：论文正文）
15. Replogle 三批细胞数 310,385 / 1,989,578 / 247,914。（来源：论文 Table 1）
16. 每实验细胞数平均约 160,000。（来源：论文 Table 1 说明）
17. 每实验细胞数中位数约 65,000。（来源：论文 Table 1 说明）
18. RNA 质控：细胞保留 ≥1,000 UMI。（来源：论文 Methods）
19. RNA 质控：基因保留 ≥50 个细胞中表达。（来源：论文 Methods）
20. RNA 特征：2,000 高变基因（seurat_v3）。（来源：论文 Methods）
21. RNA 降维：PCA 50 个主成分。（来源：论文 Methods）
22. RNA 归一化：normalize_total + log1p，不做 z-scale。（来源：论文 Methods）
23. 平衡策略：去 <50 细胞的扰动并下采样平衡细胞数。（来源：论文 Methods）
24. ATAC 处理用 ArchR v1.0.1。（来源：论文 Methods）
25. ATAC 过滤：mapped fragments 1,000–100,000；TSS enrichment ≥ 4。（来源：论文 Methods）
26. ATAC sgRNA 分配：count >20 且占比 ≥80%。（来源：论文 Methods）
27. ATAC 生成 5 类特征集（LSI 30 维/gene scores/peak-barcode/chromVAR/marker-peaks）。（来源：论文 Methods）
28. 数据格式：RNA/蛋白 AnnData .h5ad（未归一化计数）。（来源：论文/官网）
29. 核心方法为 E-distance（energy distance），在 PCA 空间（50 维、欧氏距离）计算，含偏差校正。（来源：论文正文）
30. E-test 为蒙特卡洛置换检验，10,000 次置换，Holm–Sidak 多重校正。（来源：论文正文）
31. 实验设计建议：每扰动 200–500 细胞、每细胞约 1,000 UMI；显著性在约 500 UMI/细胞饱和。（来源：论文正文）
32. RNA 数据 Zenodo 记录 13350497（最新）。（来源：GitHub README + 官网最新指向，二源）
33. ATAC 数据 Zenodo 记录 7058382。（来源：官网 + GitHub，二源）
34. RNA 初版记录双写 7041848（medRxiv）/ 7041849（官网）。（来源：两源，双口径存照）
35. GitHub 代码许可 MIT（Copyright 2022 Stefan Peidli），明确排除 Python 包与 R 包目录。（来源：GitHub LICENSE 实抓）
36. 软件：Python 包 scperturb（PyPI）+ R 包 scperturbR（CRAN）；功能已在 pertpy（scverse）重建。（来源：GitHub README/官网）

补充硬事实：资助含 NRNB（P41GM103504）、Wellcome Leap ∆Tissue、DFG RTG2424 CompCancer、Einstein Stiftung Berlin。（来源：官网）

术语表（30 条）

1. 扰动（perturbation）：对细胞施加的改变，如基因敲除、基因激活、药物处理、细胞因子刺激等。
2. 扰动—响应数据集（perturbation–response dataset）：同时记录扰动条件与细胞响应（如转录组）的数据集。
3. 协调化 / 标准化（harmonization）：把异构来源的数据统一到相同的质控阈值、注释与格式。
4. scRNA-seq：单细胞 RNA 测序，读取单细胞转录组。
5. scATAC-seq：单细胞染色质可及性测序，读取表观基因组层面的开放区域。
6. CITE-seq：cellular indexing of transcriptomes and epitopes by sequencing，同时测 RNA 与表面蛋白。
7. CRISPR-cas9：通过插入缺失致移码实现基因敲除的基因编辑技术。
8. CRISPRi：CRISPR interference，抑制转录（不切割 DNA）。
9. CRISPRa：CRISPR activation，激活转录。
10. CRISPR-cas13：靶向 RNA 促其降解。
11. sgRNA：single guide RNA，引导 CRISPR 复合物定位的向导 RNA；其身份即扰动标签。
12. guide 身份：识别某细胞所受具体扰动的标签。
13. AnnData：Python 单细胞数据结构（scanpy 生态）。
14. .h5ad：AnnData 的 HDF5 磁盘格式。
15. UMI（unique molecular identifier）：唯一分子标识，用于计数；UMI 数常作为细胞质量的深度指标。
16. 高变基因（highly variable genes, HVG）：在不同细胞间表达变化大的基因，用于降维。
17. PCA（主成分分析）：线性降维方法，E-distance 在其 50 维空间计算。
18. E-distance（能量距离 / energy distance）：度量两组分布差异的统计量，比较组间与组内平均成对距离。
19. E-statistics：基于 E-distance 的扰动效应量化与检验框架。
20. E-test：以 E-distance 为统计量的蒙特卡洛置换检验。
21. 置换检验（permutation test）：通过打乱标签重算统计量来构造零分布的非参数检验。
22. Holm–Sidak 校正：多重检验校正方法，控制族错误率。
23. 偏差校正（bias correction）：对低样本量下统计量偏差的修正。
24. Cellosaurus：细胞系知识库，用于标准化细胞系信息。
25. ArchR：R 语言单细胞 ATAC-seq 分析框架。
26. chromVAR：从稀疏 ATAC 数据估计转录因子活性偏差的方法。
27. gene scores：基因周边染色质可及性的聚合指标。
28. peak–barcode matrix：以共识峰为单位、细胞为列的染色质可及性矩阵。
29. pertpy：scverse 组织下的扰动分析 Python 工具包。
30. Snakemake：工作流管理系统，scPerturb 用它编排大规模数据处理。

附录

附录 A：条目信息速查卡

项目	内容
条目名	scPerturb
slug	scperturb
域	基因组学与多组学 / 单细胞基因组学
本质	标准化的单细胞扰动—响应数据集资源
数据集数	44（25 篇出版物）
模态	scRNA-seq 32（专属）+ scATAC（3 篇来源）+ CITE-seq 3
扰动	CRISPR 32 + 药物 9 + 细胞因子/TCR
论文	Nat Methods 2024;21:531–540
DOI	10.1038/s41592-023-02144-y
许可	代码 MIT；数据许可待查 Zenodo
获取	scperturb.org；Zenodo RNA 13350497 / ATAC 7058382
库内互链	lincs-l1000(399)、jump-cell-painting(563)

附录 B：DAIMS 评估全表

DAIMS 框架用于对数据资源的可发现性、可访问性、互操作性、可复用性等维度做结构化评估。

维度	子项	评分（1-5）	说明
D 可发现性（Discoverability）	持久标识	4	论文有 DOI，Zenodo 记录有 DOI；数据集级唯一标识存在但依赖记录页
	元数据完备	4	论文 Table 1 + Supplementary Table 1/2 提供充分元数据；Data Explorer 可交互查询
	检索入口	5	官网 + GitHub + Zenodo + pertpy/Lamin 多渠道，易于发现
A 可访问性（Accessibility）	开放获取	4	官网/Zenodo 公开直下；但数据本体 license 未明示，影响再分发确定性
	格式规范	5	AnnData .h5ad（成熟标准）+ ATAC 多特征矩阵，附 Seurat 导入代码
	认证门槛	5	无需认证，公开下载
I 互操作性（Interoperability）	标准词汇	5	扰动标签、细胞系（Cellosaurus）、特征注释统一，跨数据集可比
	格式兼容	5	与 scanpy/Seurat/pertpy 生态无缝
	跨模态整合	3	以单模态 RNA 为主，多模态条目少，跨模态整合受原数据限制
M 可复用性（Reusability）	许可清晰	2	代码 MIT 明确，但数据本体许可未明示，是主要短板
	溯源可追	5	每数据集溯源到原始 GEO/ArrayExpress 论文，Data availability 逐条给出
	可复现	5	Snakemake + conda 环境 + notebooks，复现骨架完整
	文档质量	4	README/官网/论文三处文档齐全；个别口径（Zenodo 版本）需仔细核对
S 支撑（Support/社区）	维护活跃	4	已迁移到 pertpy（scverse）长期维护；原 scperturb 包维护较慢
	社区影响	5	被引逾 170 次，成为扰动方法评测公共底座
	资助可持续	4	NRNB/Wellcome Leap/DFG/Einstein 多源资助

综合评述：scPerturb 在可发现性、互操作性、可复用性（溯源/复现）上表现优异，是「协调化即基础设施」的典范；唯一显著短板是数据本体的许可条款未公开明示，拉低了许可清晰度分项。这一短板不影响其学术使用，但对商业再分发构成不确定性。

附录 C：逐项证据链自证

断言	证据	来源数
44 数据集 / 25 文献	论文摘要 + 正文 Table 1	2（同源两处）
32 专属 RNA	论文正文原句	1（原文）
>250 万细胞	论文正文 ReplogleWeissman2022 描述	1（原文）
DOI	Edinburgh/Springer/PMC/medRxiv	4
MIT 代码许可	GitHub LICENSE 实抓	1（一手）
Zenodo RNA 最新 = 13350497	GitHub README + 官网	2
Zenodo ATAC = 7058382	官网 + GitHub	2

附录 D：数据获取决策树

你要做什么？
├─ 要单细胞扰动数据
│   ├─ 要最新 RNA → Zenodo 13350497
│   ├─ 要 ATAC → Zenodo 7058382
│   ├─ 要 CITE-seq（蛋白+RNA）→ 官网对应数据集条目
│   └─ 要现成 Python 加载 → pertpy / Lamin（laminlabs/pertdata）
├─ 要 bulk 扰动转录组 → lincs-l1000 (rid=399)
├─ 要扰动形态学图像 → jump-cell-painting (rid=563)
├─ 要无扰动观测图谱 → Tabula Sapiens / CellxGene 类
└─ 要算扰动效应统计量
    ├─ Python → pip install pertpy（推荐）或 scperturb
    └─ R → install.packages('scperturbR')

附录 E：坑点档案（与 §10 对照）

坑点	触发条件	后果	规避
坑1 当单体数据集	忽略「资源集合」性质	引用不可复现	引用具体数据集名
坑2 Zenodo 旧版	用了 7041849/7041848	数据与论文不符	用 13350497
坑3 误信全开放	只看 MIT	许可风险	查 Zenodo 数据 license
坑4 32+3+3 口径	强行相加	构成误解	理解「专属 RNA」限定
坑5 均值当常态	按 16 万规划	误判样本量	记住中位 6.5 万
坑6 跨集比 E-distance	横向比绝对值	结论不可靠	集内比较
坑7 忽略下采样	需全量细胞	样本损失	回原始数据源
坑8 低深度跑 E-test	深度/细胞数不足	结论不稳	遵循 200-500 细胞/1000 UMI

附录 F：44 数据集模态与技术分布总表

维度	类别	计数	备注
模态	专属 scRNA-seq	32	论文正文
模态	scATAC-seq 来源出版物	3	含 1 篇兼测蛋白
模态	CITE-seq（蛋白+RNA）	3	计数可分别下载
扰动	CRISPR（cas9/i/a/cas13）	32	论文正文
扰动	药物	9	论文正文
扰动	细胞因子/TCR 刺激	若干	Table 1
格式	.h5ad（RNA/蛋白）	—	AnnData
格式	ATAC 特征矩阵	5 类	LSI/gene scores/peak-barcode/chromVAR/marker-peaks

附录 G：E-distance 计算骨架（示意）

# 推荐路径：pertpy（scverse）
import pertpy as pt
import scanpy as sc

adata = sc.read_h5ad("NormanWeissman2019.h5ad")
# 前处理：QC / 归一化 / PCA 已在 scPerturb 版本中完成
pt.tl.Distance(metric="edistance", obsm_key="X_pca").pairwise(adata, groupby="perturbation")
# 结果矩阵：各扰动间的 E-distance，可用于聚类/相似性分析

# 原始 scperturb 包路径
from scperturb import edist, etest
estats = edist(adata, obs_key='perturbation')          # E-distances
df = etest(adata, obs_key='perturbation', obsm_key='X_pca',
           dist='sqeuclidean', control='control', alpha=0.05, runs=100)  # E-test

附录 H：scATAC 五类特征集使用建议

特征集	适用分析
LSI 嵌入（30 维）	降维聚类、细胞邻域分析
gene scores	把 ATAC 映射到基因层面，便于与 RNA 比较
peak–barcode matrix	峰水平可及性差异分析
chromVAR scores	转录因子活性推断
marker-peaks per target	特定扰动靶点相关峰的聚焦分析

附录 I：E-statistics 关键参数速查

参数	取值	来源
PCA 成分数	50	论文
距离度量	欧氏	论文
E-test 置换次数	10,000	论文
多重校正	Holm–Sidak	论文
建议细胞数/扰动	200–500	论文
建议 UMI/细胞	~1,000	论文
显著性饱和点	~500 UMI/细胞	论文

附录 J：许可条款细读（分层）

资产	许可	来源	备注
代码（GitHub 主体）	MIT	GitHub LICENSE	排除 Python/R 包目录
Python 包 scperturb	见包内 LICENSE	PyPI	未逐字核验
R 包 scperturbR	见包内 LICENSE	CRAN	未逐字核验
数据集（RNA）	未见论文明示	须查 Zenodo 13350497	遗留疑点
数据集（ATAC）	未见论文明示	须查 Zenodo 7058382	遗留疑点
论文本体	Springer Nature 版权	Springer	自存档受约束

附录 K：检索决策树（按需求）

• 要数据 → 附录 D
• 要方法 → 附录 G/I
• 要引用 → Nat Methods 2024;21:531–540
• 要库内对照 → §9 + lincs-l1000(399) / jump-cell-painting(563)
• 要许可 → 附录 J，先查 Zenodo

附录 L：与 lincs-l1000 的对照表

维度	scPerturb	LINCS L1000
库内 rid	本站条目	399
粒度	单细胞	bulk
读数	全转录组/表观/蛋白	978 landmark + 推断基因
扰动	CRISPR/药物/细胞因子	以小分子与 shRNA/CRISPR 为主
用途	单细胞扰动方法评测	药物机制/连接图谱

附录 M：与 jump-cell-painting 的对照表

维度	scPerturb	JUMP Cell Painting
库内 rid	本站条目	563
读数	分子组学（RNA/ATAC/蛋白）	显微图像形态学
扰动	CRISPR/药物	化学与基因扰动
用途	分子机制与扰动响应	形态表型与化合物筛选

附录 N：机构与资助清单

• Harvard Medical School（Dept. of Systems Biology / Cell Biology）
• Dana-Farber Cancer Institute（Data Sciences）
• Broad Institute
• Humboldt-Universität zu Berlin（Institute for Computer Science）
• Charité（Blüthgen）
• University of Edinburgh（Centre for Regenerative Medicine / Centre for Engineering Biology）
• Relation Therapeutics（London）
• NIH/NLM（Computational Biology Branch）+ NCI（Developmental Therapeutics Branch）
• 资助：NRNB P41GM103504、Wellcome Leap ∆Tissue、DFG RTG2424 CompCancer、Einstein Stiftung Berlin

附录 O：双口径存照清单

项	口径 A	口径 B	处置
RNA Zenodo	7041848（medRxiv）/ 7041849（官网）	13350497（最新）	主口径 13350497
ATAC Zenodo	7058381（medRxiv）	7058382（官网/GitHub）	主口径 7058382
模态计数	32+3+3（表面）	32 专属 + 3 篇来源 + 3 CITE-seq	并列表述
数据许可	候选情报「MIT/CC」	论文未明示	写「待查 Zenodo」

附录 P：遗留疑点

1. 数据集本体许可条款未获一手明示（Zenodo API 被 403 拦截）。
2. 44 数据集的全资源总细胞数无汇总口径。
3. Data Explorer 交互表的具体字段未抓取。
4. Python/R 包目录内的具体 license 未逐字核验。

附录 Q：复现骨架（SOP 模板）

1. 安装 conda（推荐 mamba）。
2. conda env create -f sc_env.yaml 创建环境。
3. conda activate sc_env。
4. 从 scperturb.org 下载所需数据集（或 Zenodo 记录）。
5. 编辑 config.yaml，指向数据目录。
6. 运行 notebooks 下的 notebook 生成论文/补充/网站图表。

附录 R：FAQ 索引

• 基础认知 → FAQ A（Q1–Q6）
• 数据与获取 → FAQ B（Q7–Q14）
• 方法与统计 → FAQ C（Q15–Q22）
• 许可与使用 → FAQ D（Q23–Q26）
• 生态与库内 → FAQ E（Q27–Q30）
• 工程与复现 → FAQ F（Q31–Q32）

§12 深度专题：scPerturb 在单细胞扰动方法学版图中的定位

（本节为扩展阅读，面向希望理解 scPerturb 为何重要的方法学读者。）

12.1 单细胞扰动实验为何难以标准化

单细胞扰动实验的复杂度远超普通转录组测序，原因有三层：

• 扰动层：扰动的施加方式多样（病毒转导、电转、脂质体、药物孵育），效率与脱靶各不相同；一个细胞可能接受多个 guide，需要 sgRNA 计数与占比规则来判定它「到底受了什么扰动」；
• 读数层：scRNA-seq、scATAC-seq、CITE-seq 三种读数的数据结构、稀疏度、标准化需求完全不同；
• 分析层：细胞数、深度、批次、细胞系背景的差异，会使同一个「扰动效应」在不同实验里量纲不一。

scPerturb 的贡献，正是在这三层上同时施加统一的口径。它没有发明新的生物学，而是发明了一套「让不同实验可比」的规范。

12.2 「信号 vs 噪声」为何是扰动分析的正确抽象

传统差异表达分析（DE）逐基因检验，回答的是「哪些基因变了」。但扰动效应是一个细胞群体层面的现象：一个成功的 CRISPR 敲除，应该让整群细胞的转录状态整体偏移，而不只是几个基因的数值波动。

E-distance 恰好捕捉这一点：它不问「哪个基因变了」，而问「整群细胞是否从对照分布中整体脱离」。这就是为什么论文用「信号（组间距离）对噪声（组内距离）」的比值来定义扰动强度——它衡量的是分布层面的分离度，而非基因层面的显著性。

这一抽象带来两个好处：

1. 对基因数不敏感：一个只影响 3 个基因但影响极强的扰动，和一个影响 300 个基因但很弱的扰动，E-distance 能区分其「整体分离度」；
2. 天然可比较：不同数据集只要在同一规范下处理，其 E-distance 就落在同一语义框架内（尽管绝对值仍受细胞数影响）。

12.3 与「基础模型（foundation model）」时代的衔接

2023 年以来，单细胞基础模型（如 Geneformer、scGPT 等）兴起，其训练与评测普遍需要大规模的扰动—响应配对数据。scPerturb 提供的标准化数据集，正好成为这类模型评测「扰动响应预测能力」的现成基准。这意味着 scPerturb 的价值随基础模型浪潮而放大——它从「数据整理」升级为「模型评测基础设施」。

需要提醒的是：基础模型的评测协议（训练/测试划分、是否允许泄漏、预测目标定义）在社区尚未完全统一，使用 scPerturb 做评测时必须自行明确协议，不能假设「用了同一数据集就可比」。

12.4 为什么「44」这个数字会增长

论文发表于 2024 年，收录截至当时的 44 个数据集。随着扰动实验成本下降与发表的持续增加，社区的可用数据集只会更多。这带来一个现实问题：以论文快照为准的 44 应是「引用的历史口径」，而非「永远的最新数」。使用者在写「最新情况」时，应查官网/Zenodo 的当前记录，而非直接照搬论文的 44。

本条目在正文中所有涉及 44 的地方，均明确标注其来源为「论文正文/Table 1」，即 2024 年快照口径。

12.5 与其他「协调化资源」的范式比较

scPerturb 并非孤例。生物医学领域近年出现一批「协调化即贡献」的资源：

资源类型	代表	协调化对象	与 scPerturb 的共性
单细胞扰动	scPerturb	44 个扰动数据集	本条目
单细胞观测	CellxGene / Tabula Sapiens	多组织观测图谱	统一注释与格式
病理图像	PANDA-PLUS 类	重标注与掩码	统一标注口径
基因注释	各类参考基因组	基因/变异命名	统一标识

共同规律是：当某类数据爆炸式增长时，「把它们收拾整齐」的价值会迅速上升，甚至超过再采集一份新数据。scPerturb 正是这一规律在单细胞扰动领域的实例。

12.6 使用 scPerturb 的三种典型工作流

工作流一：方法开发（Method Development）
研究者要开发一个新的「扰动效应预测」模型，用 scPerturb 的多个数据集做训练与内部验证，用留出的数据集做外部验证。关键点：明确哪些数据集训练、哪些测试，避免数据泄漏。

工作流二：方法基准（Benchmarking）
研究者在统一协议下比较多个既有方法的性能，用 scPerturb 的 E-statistics 作为参照尺度。关键点：使用相同的 QC 版本与相同的评测指标。

工作流三：生物学发现（Biological Discovery）
研究者用 E-distance 聚类扰动效应，发现功能相关的扰动群（如同一通路），进而提出新的生物学假设。关键点：结合原始数据集的生物学背景解读，而非只看数值。

12.7 数据治理视角：许可不明带来的现实约束

虽然 scPerturb 在技术上高度可用，但数据本体许可未明示是一道现实的治理约束。对学术研究，这通常不构成障碍（默认学术使用）；但对以下场景需格外谨慎：

• 企业将数据纳入商业模型训练：需先确认数据许可是否允许商业使用；
• 再分发数据副本：需确认是否允许再分发；
• 将数据与受限数据混合：需确认混合后的许可兼容性。

稳妥做法：优先使用官方链接而非转发副本；商业使用前完成许可尽调；在成果中明确标注数据来源与版本。

§13 复现与工程细节补遗

13.1 环境与依赖

论文与仓库提供的复现骨架依赖 conda 环境（sc_env.yaml）。核心依赖包括 scanpy、anndata、numpy、pandas 等；ATAC 侧依赖 ArchR（R）。复现前建议：

• 用 mamba 替代 conda 以加速环境解析；
• 确认磁盘空间——44 个数据集的 h5ad 总量可观，全量下载需规划存储；
• 记录下载时的 Zenodo 记录号与版本，避免日后版本漂移。

13.2 常见工程问题

• 内存：ReplogleWeissman2022（>250 万细胞）单集即可吃满大内存，建议用稀疏矩阵与分块处理；
• IO：h5ad 读取速度受磁盘影响，建议本地 SSD 或高性能文件系统；
• 并行：Snakemake workflow 适合集群/多核环境，单机复现全量较慢；
• 版本：scanpy 版本差异会影响 HVG 选择与 PCA 结果，复现时务必锁定版本。

13.3 与 pertpy 的迁移建议

由于原 scperturb Python 包维护较慢，新项目建议直接用 pertpy。迁移要点：

• E-distance 在 pertpy 中通过 pt.tl.Distance(metric="edistance") 调用；
• pertpy 支持更多距离度量（如 MMD、Wasserstein），便于做方法对比；
• pertpy 与 scanpy 生态无缝，减少格式转换工作。

13.4 引用规范建议

引用 scPerturb 时建议同时给出：

1. 论文引用（Nat Methods 2024;21:531–540, doi:10.1038/s41592-023-02144-y）；
2. 使用的具体数据集名（如 NormanWeissman2019）；
3. 下载时的 Zenodo 记录号与版本；
4. 原始数据集的原始论文引用（scPerturb 是再加工，溯源到原始研究更严谨）。

13.5 数据版本管理实践

由于存在多个 Zenodo 记录号，建议在项目内维护一份「数据版本清单」：

字段	示例
数据集名	NormanWeissman2019
来源记录	Zenodo 13350497
下载日期	2026-10-16
文件格式	.h5ad
质控版本	scPerturb 论文口径

这样在论文方法部分可以精确声明所用数据的确切版本，提升可复现性。

§14 数据集逐个导览（按扰动类型分组）

本节对 44 个数据集按扰动类型分组做导览式说明，帮助使用者快速判断「哪个数据集适合我的问题」。所有细胞数与扰动数均出自论文 Table 1 口径。

14.1 CRISPR 敲除类（cas9，基因功能完全缺失）

DixitRegev2016：早期 Perturb-seq 代表作，31 个扰动、约 5.2 万细胞，验证了 CRISPR 筛选与 scRNA-seq 结合的技术可行性。适合作为方法开发的入门数据集（规模适中、扰动清晰）。

DatlingerBock2017 / DatlingerBock2021：分别 97 与 48 个扰动，细胞数 5,905 与 39,194，部分批次含 TCR 刺激条件。适合研究「扰动 × 环境刺激」的交互效应。

FrangiehIzar2021：249 个扰动、21.8 万细胞，含蛋白测量（CITE-seq 类）。适合研究「扰动对转录组与表面蛋白的联合影响」。

Xie2020：229 个扰动、13,283 细胞。扰动维度高但细胞数偏低，适合研究高维扰动筛选。

Schraivogel2021：3,105 / 4,115 个扰动、约 12 万细胞，CRISPR-cas9 大规模筛选。适合研究高维扰动的降维与聚类。

Shifrut2018：49 个扰动、5.2 万细胞，含 TCR 刺激，用于 T 细胞功能研究。

14.2 CRISPR 干扰/激活类（CRISPRi/CRISPRa）

AdamsonWeissman2016：CRISPRi，三批 9/20/114 个扰动、5,768/15,006/65,337 细胞，内质网应激主题。是经典的小规模精细数据集。

ReplogleWeissman2022：CRISPRi，全基因组规模，三批 2,058/2,394/9,867 个扰动、共逾 250 万细胞，是本资源的旗舰数据集。适合研究全基因组扰动图谱、扰动效应预测等。

NormanWeissman2019：CRISPRa，237 个扰动、11.1 万细胞，含大量「单基因 vs 组合基因」激活，是 E-distance 层次分析（论文 Fig.4 语境）的示例数据。适合研究基因组合扰动。

Gasperini2020：CRISPRi，扰动数高达 4.3 万+，三批细胞数 20.7 万 / 4.8 万 / 4.1 万。适合研究增强子-基因调控关系。

Tian2021（CRISPRi）/ Tian2022（CRISPRa/i）：分别 27 个与 101/185 个扰动、约 18.3 万与 2.1 万/3.2 万细胞。

14.3 药物扰动类

SrivatsanTrapnell2020（sci-Plex）：药物维度最丰富的集合，三批 5/8/189 个条件、24,262/98,437/799,317 细胞，含 188 种药物。适合药物机制、剂量响应、组合用药研究。

McFarland2020：18 个扰动（药物 + CRISPR）、18.3 万细胞。适合跨扰动类型比较。

AissaBenevolenskaya2021：4 个药物、11.9 万细胞。

ChangYe2020：4 个药物、4.2 万细胞。

Gehring2020：4 个药物、2.0 万细胞。

Zhao2021：7 个药物、16.6 万细胞。

14.4 表观组（scATAC）

Liscovitch-Brauer2021：ATAC，CRISPR-cas9，两批 22/84 个扰动、8,723/12,788 细胞。适合染色质可及性层面的扰动研究。

Mimitou2021：ATAC + 蛋白，CRISPR-cas9，6 个扰动、10,018 细胞，多模态。

Pierce2021：ATAC，CRISPRi，三批各 41 个扰动、22,488/32,831/18,025 细胞。

14.5 细胞因子/条件刺激类

Schiebinger2019：细胞因子，2/3 个条件、68,339/259,155 细胞，研究细胞在刺激下的状态转移。

Weinreb2020：细胞因子，5 个条件、65,075 细胞，研究造血谱系对刺激的响应。

14.6 「我该选哪个数据集」决策参考

你的问题	推荐数据集	理由
入门/教学	DixitRegev2016	规模适中、扰动清晰
全基因组规模	ReplogleWeissman2022	扰动数与细胞数最大
基因组合效应	NormanWeissman2019	CRISPRa 组合激活
药物机制	SrivatsanTrapnell2020	188 种药物
表观组扰动	Liscovitch-Brauer2021 / Pierce2021	scATAC 读数
多模态（RNA+蛋白）	FrangiehIzar2021 / PapalexiSatija2021	CITE-seq
环境刺激响应	Schiebinger2019 / Weinreb2020	细胞因子

§15 数据质量与统计卫生

15.1 为什么「统一 QC」不等于「数据无偏」

scPerturb 通过统一 QC 提高了跨数据集可比性，但这不等于数据本身无偏。需要警惕的偏倚来源：

• 原始实验的设计偏倚：有的实验只挑「预期有效」的扰动，有的实验覆盖全基因组；
• 测序深度偏倚：深度高的数据集扰动效应更易被检出；
• 细胞系偏倚：不同细胞系对同一扰动的响应可能截然不同；
• 批次偏倚：同名数据集的多批次可能来自不同时间/条件。

使用者在解读 E-distance 结果时，应结合这些偏倚来源，而非把数值当作「绝对真值」。

15.2 E-distance 解读的四条守则

1. 集内比较：E-distance 绝对值只在同一数据集内可横向比较，跨数据集比较须谨慎；
2. 关注排序而非绝对值：通常「哪个扰动更强」比「强多少」更稳健；
3. 结合显著性：只看 E-distance 大小可能被噪声误导，应配合 E-test p 值；
4. 注意饱和：深度/细胞数不足时，E-distance 与显著性都不可靠。

15.3 亚采样平衡的统计代价

为对齐细胞数，scPerturb 对大扰动做下采样。这在统计上的代价是：

• 丢弃信息：被下采样掉的细胞本可提供更多统计功效；
• 引入随机性：不同下采样种子可能给出略不同的结果（建议固定种子）；
• 小扰动相对受益：小扰动的细胞被完整保留，其估计相对更稳。

理解这一点有助于解释「为什么某些大扰动的 E-distance 看起来并不比小扰动大很多」——部分是被下采样抹平了。

15.4 与「伪发现」风险

在高维单细胞数据上做大量扰动比较，存在多重检验带来的伪发现风险。scPerturb 的 E-test 用 Holm–Sidak 校正来缓解，但使用者仍应注意：

• 校正是在数据集内进行的，跨数据集的汇总比较需另行校正；
• 校正不解决设计偏倚，只解决统计假阳性；
• 报告结果时应给出校正前后的 p 值，保持透明。

15.5 数据质量评分参考（本条目自拟）

数据集特征	质量信号
细胞数 ≥ 5 万且扰动数适中（数十至数百）	适合稳健的效应估计
细胞数 < 1 万或扰动数 > 1 万	效应估计不确定性高
含 CITE-seq/多模态	信息维度丰富，但整合复杂
有 TCR/细胞因子刺激条件	需注意条件交互，勿简单混合

§16 教学与入门路径

16.1 三步上手

第一步：从 DixitRegev2016 或 AdamsonWeissman2016 这类中小规模数据集入手，用 scanpy 加载 h5ad，观察扰动标签分布。

第二步：用 pertpy 计算 E-distance，在扰动数适中的数据集上练习「扰动相似性聚类」。

第三步：用 ReplogleWeissman2022 挑战全基因组规模分析，体会内存与计算的实际约束。

16.2 常见教学用例

• 演示「扰动效应可分离性」：用 NormanWeissman2019 展示 CEBPA 相关扰动的 E-distance 聚类；
• 演示「同通路扰动相似」：用 Papalexi 的 IFNγ 通路扰动展示通道成员聚集；
• 演示「深度不足的危害」：对同一数据集做亚采样，展示 E-distance 与显著性的变化。

16.3 学习资源

• 官网 scperturb.org（数据 + Data Explorer + 引用信息）；
• GitHub sanderlab/scPerturb（代码 + 复现骨架 + notebook 教程）；
• 论文 Supplementary（方法细节、Table 1–5）；
• pertpy 文档（E-distance 与其他距离度量的实践指南）。

FAQ 补充（进阶 20 问）

G. 数据集选择

Q33：如果我只需要 CRISPRi 数据，选哪个？
主力是 ReplogleWeissman2022（全基因组）与 AdamsonWeissman2016、Gasperini2020、Tian2021。若需规模适中，用 Adamson；若需全基因组覆盖，用 Replogle。

Q34：如果我研究药物，最全的是哪个？
SrivatsanTrapnell2020（sci-Plex），含 188 种药物，是药物维度最丰富的集合。

Q35：想做多模态（RNA+蛋白）研究？
FrangiehIzar2021、PapalexiSatija2021、Mimitou2021 三个 CITE-seq 类数据集，蛋白与 RNA 计数可分别下载。

Q36：想做表观组研究？
Liscovitch-Brauer2021（cas9）、Pierce2021（CRISPRi）、Mimitou2021（ATAC+蛋白），三者均为 scATAC 读数。

Q37：想做环境刺激响应？
Schiebinger2019、Weinreb2020（细胞因子）；Datlinger、Shifrut 含 TCR 刺激。

Q38：哪个数据集适合做「基因组合扰动」？
NormanWeissman2019（CRISPRa），含大量单基因与组合激活的对照。

H. 统计与解读

Q39：E-distance 数值大就一定重要吗？
不一定。数值受数据集规模、深度影响；应结合 E-test 显著性与生物学背景解读。

Q40：为什么不同数据集的 E-distance 不能直接比？
细胞数、扰动数、细胞系、深度差异会系统性影响统计量，绝对值不可横向比。

Q41：E-test 的 p 值校正是在哪一级做的？
在数据集内用 Holm–Sidak；跨数据集汇总需另行校正。

Q42：下采样会不会改变结论？
可能。固定随机种子有助于复现；对结论敏感的分析应做种子稳定性检验。

Q43：怎么判断一个扰动「真的有效」？
E-distance 大 + E-test 显著 + 生物学上可解释，三者兼备较为稳妥。

Q44：细胞数不到 200 的扰动能用吗？
scPerturb 已去除 <50 细胞的扰动；但低于论文建议的 200–500 时结论稳定性下降，应谨慎。

I. 工程与部署

Q45：全量下载需要多少存储？
数量可观（单集可达数 GB），建议先按需下载；ReplogleWeissman2022 需预留大内存。

Q46：h5ad 用什么工具打开？
Python：scanpy/anndata；R：可用 Seurat 的 h5ad 读取或转 mtx。

Q47：能不能只用部分细胞？
可以，h5ad 支持按 obs 索引子集化；但注意 E-distance 对细胞数敏感。

Q48：怎么保证复现？
锁定 conda 环境、记录 Zenodo 记录号与下载日期、固定随机种子、保存分析脚本。

Q49：pertpy 和 scperturb 包选哪个？
推荐 pertpy（维护更活跃、度量更全）；scperturb 包可用于对照原始实现。

Q50：遇到 bug 去哪反馈？
GitHub sanderlab/scPerturb 的 issue 区。

J. 与其他资源协作

Q51：能和其他单细胞数据集整合吗？
可以，但需处理批次效应与注释对齐；scPerturb 提供统一格式降低了整合门槛。

Q52：能和 LINCS L1000 联用吗？
可以。scPerturb（单细胞）与 L1000（bulk）可构成粒度对照，用于研究「粒度对扰动效应估计的影响」。

§17 检索者检查清单（Checklist）

在基于 scPerturb 开展分析前，建议逐项确认：

• [ ] 明确要用的具体数据集名（而非笼统说「scPerturb」）；
• [ ] 记录 Zenodo 记录号与版本（RNA 13350497 / ATAC 7058382）；
• [ ] 确认数据许可（查 Zenodo 记录页，勿假设全开放）；
• [ ] 记录下载日期与文件校验值；
• [ ] 确认 scanpy/pertpy 版本，锁定环境；
• [ ] 明确质控口径（是否用 scPerturb 版本，还是回原始数据）；
• [ ] 规划评测协议（训练/测试划分，防数据泄漏）；
• [ ] 设定随机种子并做稳定性检验；
• [ ] 报告时给出校正前后的统计量；
• [ ] 引用时同时给出论文、数据集名、原始数据源。

§18 常见误用案例（反面教材）

误用一：把 44 个数据集当成一个「大池子」混池分析。
不同数据集来自不同细胞系、不同实验条件，直接混池会引入严重批次效应。正确做法是分数据集分析或先做批次校正（且需说明校正方法）。

误用二：用 E-distance 做「跨数据集排行榜」。
把不同数据集上的 E-distance 数值排成榜，是典型的口径混用，结论不可靠。

误用三：忽略对照定义差异。
不同数据集的「control」定义不统一（有的用 non-targeting guide，有的用未处理细胞），比较时须确认对照口径一致。

误用四：把下采样后的细胞数当作原始细胞数报告。
scPerturb 版本经过下采样，报告细胞数时须说明是「scPerturb 处理后的口径」，而非原始数据集细胞数。

误用五：假设数据许可为全开放。
如前述，数据许可未明示，商业使用前须尽职调查。

误用六：在低深度数据上强行得出显著性结论。
E-test 在深度不足时不稳定，论文明确给出饱和点（约 500 UMI/细胞）。

误用七：把 E-statistics 当作唯一真理。
E-distance/ E-test 是量化工具，不能替代生物学解释；最终结论仍需回到机制层面。

误用八：忽略版本漂移。
Zenodo 记录可能更新，若不记录版本，日后无法精确复现。

§19 速查：一页纸摘要

问题	答案
是什么	单细胞扰动—响应数据集标准化资源
多少个	44 个（25 篇文献，2024 快照）
谁做的	Sander Lab + Blüthgen 团队等 14 人
论文	Nat Methods 2024;21:531–540
DOI	10.1038/s41592-023-02144-y
模态	scRNA 32（专属）+ scATAC（3 篇）+ CITE-seq 3
扰动	CRISPR 32 + 药物 9 + 因子/TCR
最大集	ReplogleWeissman2022（>250 万细胞）
典型规模	均值 16 万 / 中位 6.5 万细胞
核心方法	E-distance + E-test
建议样本量	200–500 细胞/扰动，~1000 UMI/细胞
格式	.h5ad（RNA/蛋白）；ATAC 5 类矩阵
获取	scperturb.org；Zenodo 13350497 / 7058382
代码许可	MIT
数据许可	未明示，查 Zenodo
库内互链	lincs-l1000(399)、jump-cell-painting(563)

---

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：

• 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 / 药物发现与化学
• rpe-choroid-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组 / 表观基因组 / 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
• lincs-l1000 — 共享标签：基因组学与多组学 / 转录组 / 药物发现与化学
• 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

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。