信息速览

数据集名称scT&P-4M — 全球首个大规模 RNA-蛋白共测单细胞语料库 426 万细胞 × 382 表面蛋白

数据类型原始数据,多模态数据,公共数据整合

规模约 426 万单细胞（Methods 精确值 4,260,545），来自 249 个独立共测样本；无个体级患者数量披露（语料为公开二次整合，样本单元是数据集/样本而非患者）

接入方式GEO、ArrayExpress 与 10x Genomics 官网公开的 RNA-蛋白共测单细胞数据集（CITE-seq 为主，92.01%），经统一 HGNC 基因词表（19,264 基因）与 382 表面蛋白标准化词表整合为 CAPTAIN 预训练语料

AI 就绪度

INFOBOX — scT&P-4M 一屏速览

维度内容

本质 CAPTAIN 模型预训练用的人/鼠 RNA-蛋白共测单细胞语料（二次整合，非新测序）

官方名 scT&P-4M（原文排版 “scT & P-4M”）

团队广州医科大学 + 广州国家实验室（通讯于福龙）；湖南大学；广东省人民医院；中南大学

论文 Nat Commun 2026;17:6161（doi:10.1038/s41467-026-72882-y；在线 2026-05-07）

规模 约 426 万细胞（Methods 4,260,545）/ 249 样本 / 382 表面蛋白 / 人+小鼠

平台 92.01% CITE-seq；余为 ECCITE-seq、TEA-seq、DOGMA-seq 等兼容共测平台（门户计 5 类技术）

覆盖 13 组织系统（门户 14）、11 疾病类型

基因词表 19,264 个蛋白编码+线粒体基因（HGNC，对齐 scGPT）

下游蛋白填补/扩展、细胞注释（96.1%）、批次校正、多组学整合、细胞通讯（81.8% 文献验证）

标志发现 COVID-19 重症中血小板→单核细胞 S100A9-CD36 轴渐进激活

获取专属门户 sctp4m.aigenomicsyulab.com；代码 GitHub（MIT）；Zenodo 10.5281/zenodo.19547367

许可数据未公开｜代码 MIT｜论文 CC BY-NC-ND 4.0

库内互链 cellxgene-census（1035）、cellxgene（38）、Single Cell Portal（359）、Tabula Sapiens（329）、Tabula Muris（339）、GEO（42）

scT&P-4M 是"让单细胞基础模型第一次同时看见 RNA 和蛋白"的那块地皮：它不采一滴血、不跑一台测序仪，而是把过去十年散落在 GEO、ArrayExpress 和 10x Genomics 官网上的 RNA-蛋白共测数据（绝大多数是 CITE-seq）全部收回，统一基因名、统一抗体名、统一样本口径，压成一份约 426 万细胞、382 种表面蛋白的语料。它的意义不在规模本身，而在规模+配对+统一词表三者同时成立——正是这个组合让 CAPTAIN 可以只给转录组、零样本推断出从未测过的表面蛋白。

导语读法三则：

只想下数据：直奔 §6——入口是专属门户，数据许可未公开，先看清门规再提需求。
关心怎么拼出来的：直奔 §3 构建流水线——三步（采集筛选 / 基因与蛋白名统一 / 细胞级质控整合）是全篇最可复用的部分。
关心模型数字：直奔 §4 与 §7——96.1% 注释准确率、81.8% 通讯验证率怎么来的，坑点里写了别误读的地方。

§0 导读：这个数据集解决什么问题

单细胞测序过去十年积累了几亿个细胞的转录组，但转录组只是"中间代理"：真正决定细胞表型、免疫身份与治疗可及性的是蛋白质，尤其是细胞表面蛋白（cell surface protein, CSP）。能同时测 RNA 和表面蛋白的技术早已存在——CITE-seq（Cellular Indexing of Transcriptomes and Epitopes by Sequencing）是其中最主流的——但每项研究只用几十到几百个抗体的面板，抗体命名五花八门（“CD45RA-BV421” 与 “CD45RA”、“CD3” 与 “Cd3” 混用），跨研究根本无法直接拼在一起。结果就是：RNA 数据堆成了海洋，蛋白数据仍是孤岛。

CAPTAIN 团队的判断是，孤岛不是没有数据，而是没有人做过收口。于是他们按四条入选标准（必须同时含 RNA 与蛋白、原始计数矩阵可取、蛋白注释完整、样本批次与平台信息有记录）筛查公开仓库，收到 249 个样本、4,260,545 个细胞、382 种表面蛋白；再用两套词表把异质性压平——基因侧统一到 HGNC 的 19,264 个蛋白编码/线粒体基因（与 scGPT 特征空间对齐），蛋白侧用正则脚本剥离荧光染料后缀、去产品码、统一大写、手工映射同义标记（如 ICOS→CD278）。成品就是 scT&P-4M。

这份语料的三个设计取舍值得先记住：

不是新数据，是"再加工数据"：所有细胞都来自已发表研究，价值全在统一性，不在采集。
词表固定：382 个蛋白构成封闭词汇表，模型的零样本能力被限定在这个词表内——这是能力上限也是可解释性来源。
配对是硬约束：只有同一个细胞同时有 RNA 和蛋白计数才进语料，因此语料规模远小于纯 RNA 图谱，但每个细胞都能提供跨模态监督信号。

§0 读法三则：

条目顺序是"是什么（§1-2）→ 怎么造（§3）→ 下游怎么用（§4-5）→ 能不能拿（§6）→ 在生态里什么位置（§7-9）→ 怎么避坑（§10）"。
所有硬数字均有出处；凡出现两个以上口径的（细胞数、样本数、组织数、蛋白数、日期），一律在坑点与附录 S 双口径登记表存照，正文优先采用 Methods 精确值。
如果你在找"scT&P-4M 的官方论文"会找不到——论文名是 CAPTAIN，数据集名是 scT&P-4M，两者是同一篇 Nature Communications 文章里的模型与语料（坑 1）。

§1 数据集速览：十问十答

Q1：scT&P-4M 到底是什么？
一份为预训练单细胞基础模型而构建的人+小鼠 RNA-蛋白共测单细胞语料库。名字拆开读：sc = single-cell，T = transcriptome，P = proteome，4M = 四百万量级细胞。它不是某个队列的原始数据，而是把公开共测数据统一整理后的合并语料。

Q2：有多大？
按论文 Methods 的精确值：249 个独立样本、4,260,545 个单细胞、382 种标准化表面蛋白。摘要口径写"超过四百万"，结果段写"超过 420 万"，官方门户首页写 4.26M——四个数字指向同一件事，见坑 2。

Q3：覆盖哪些物种和组织？
人和小鼠两个物种；正文称覆盖">13 个组织与器官系统、11 种疾病类型"（贡献段写 13 个组织），门户首页标 14 个组织、11 种疾病、5 类技术。已抓取到的门户条目覆盖血液、骨髓、肝、乳腺、脾等。

Q4：数据从哪来？
从 GEO、ArrayExpress 和 10x Genomics 官网筛选公开数据集，按四条入选标准（含 RNA+蛋白双模态、原始计数可取、蛋白注释完整、批次/平台信息可查）收集。92.01% 的细胞来自 CITE-seq，其余来自 ECCITE-seq、TEA-seq、DOGMA-seq 等兼容共测平台。

Q5：382 个蛋白是怎么定出来的？
各研究的抗体命名先做正则标准化（剥离 “-BV421” 这类荧光染料后缀、删产品码、统一大写），再手工映射同义标记（如 ICOS→CD278），最终得到 382 个高质量标准蛋白构成封闭词表。注意 GitHub README 另有一处写"382/387"——模型 token 字典含 387 个槽位，见坑 4。

Q6：这份语料是谁做的、为什么做？
广州医科大学与广州国家实验室于福龙团队（联合湖南大学彭绍亮团队、广东省人民医院张燕团队等）为训练 CAPTAIN 模型而构建。论文作者贡献明确写"T.H. and J.W. constructed the scT & P-4M dataset"（Tingting Hu 与 Jiawen Wang 负责语料构建）。

Q7：怎么拿？
论文 Data availability 给出唯一入口：https://sctp4m.aigenomicsyulab.com，支持按组织/物种/疾病/技术检索与下载；完整明细表见 Supplementary Data 1。配套代码在 GitHub（MIT），模型权重在 Google Drive，资源归档在 Zenodo（10.5281/zenodo.19547367）。

Q8：数据许可是什么？
未公开。论文只给门户链接，未声明数据条款；GitHub README 明示代码是 MIT，但明确没有对数据/权重单独声明。若要商用或再分发，必须先向通讯作者确认——这是本条目最需要提醒的一点（坑 3）。

Q9：它和 scGPT、Geneformer 是什么关系？
scGPT/Geneformer/scFoundation 是只吃转录组的单细胞基础模型；scT&P-4M 是给"RNA+蛋白"双模态模型用的语料。CAPTAIN 的 RNA 编码器直接继承 scGPT 的预训练权重与基因词表，所以两者是"继承关系"而非"替代关系"。

Q10：用它做什么最合适？
三类：一是训练/微调需要跨模态监督的单细胞模型；二是当"蛋白可推断性"的评测基准（零样本预测未测蛋白）；三是做细胞通讯研究——用推断出的受体丰度补全 RNA-only 方法看不见的配体-受体对。

§2 数据构成与规格

2.1 规模、来源与物种构成

scT&P-4M 的规模数字需要在四个层级上区分：样本数（249 个独立样本，是数据集与批次的混合单位）、细胞数（4,260,545）、蛋白数（382）、基因数（19,264）。四者相乘不是有意义的数据量，因为每个细胞的蛋白面板大小差异极大——门户条目里既有 210 个蛋白的 DOGMA-seq 样本（sctnp00003，36,930 细胞），也有只有 10 个蛋白的小面板基准集。

物种方面，语料覆盖人与小鼠，模型里用物种 token 区分（human=0，mouse=1），这使跨物种迁移成为设计内能力而非附加实验。组织与疾病覆盖按论文图注为">13 个组织与器官系统、11 种疾病类型"，门户首页把组织数标为 14——这一处差异不影响使用，但引用时需注明口径（见附录 S）。

来源结构上，要理解三个层次：

原始层：GEO、ArrayExpress、10x Genomics 官网上的各篇研究原始数据。
语料层：经筛选、词表统一、质控后的合并矩阵，即 scT&P-4M 本体。
门户层：sctp4m.aigenomicsyulab.com 的检索界面与下载入口，按样本编号（sctnpNNNNN）组织。

三层之间的可追溯性由 Supplementary Data 1 保证——该表逐条记录每个预训练数据集的模态、物种、细胞/蛋白计数、组织类型、疾病背景与数据来源。

2.2 入门户条目长什么样

门户的条目卡片是一份微型的"数据护照"，抓取时见到的字段包括：样本编号、细胞数、内含数据集数、蛋白数、原始研究标题、组织、技术平台、物种、疾病、模态。以四条实测记录为例：

门户编号	技术	细胞数	数据集数	蛋白数	组织	物种	疾病
sctnp00003	DOGMA-seq	36,930	4	210	Blood	Human	Healthy
sctnp00009	TEA-seq	47,393	7	47	Blood	Human	Healthy
sctnp00035	CITE-seq	7,377	3	32	Breast, Spleen	Mouse	Cancer
sctnp00036	CITE-seq	37,964	4	198	Bone Marrow, Liver	Human	Healthy

这张表本身就是理解语料结构的最好教材：同一个"样本编号"下可以打包 3-7 个原始数据集；蛋白面板从 32 到 210 不等；小鼠样本混在同一个人/鼠语料里，靠物种字段区分。"249 个样本"指的是这种打包后的编号单元，不是 249 位病人（坑 5）。

2.3 双词表：基因侧与蛋白侧如何对齐

跨模态模型的第一道难关不是算法，是特征对齐。scT&P-4M 用了两套词表：

基因词表：取自 HUGO Gene Nomenclature Committee（HGNC）的 19,264 个蛋白编码基因与线粒体基因，刻意与 scGPT 的特征空间一致。对某个样本缺失的基因，用计数 0 补齐，保证所有样本维度相同。
蛋白词表：382 个标准化的细胞表面蛋白。标准化流程针对三类常见混乱——荧光染料/批次前后缀（“CD45RA-BV421” vs “CD45RA”）、大小写不一（“CD3” vs “Cd3”）、同义标记（ICOS 即 CD278）。

蛋白词表的一个细节值得注意：它能容纳"不由单一基因编码的多亚基表面受体"，这是把蛋白名而非基因名作为词表单位的直接好处。反过来，代价是词表封闭——第 383 个蛋白就不在模型视野里。

2.4 平台分布：92.01% 的天平

论文明确写"CITE-seq 占 92.01%，其余来自其他兼容共测平台"。这句话有两层读法：

好的一面：语料主体是同质技术，批次差异可控，模型学到的主要是 CITE-seq 的 RNA-蛋白关系。
需警惕的一面：剩下 7.99% 要同时承担 ECCITE-seq、TEA-seq、DOGMA-seq 等多种技术，任一单平台的有效样本量都很小。论文的跨平台整合实验（CITE-seq+ECCITE-seq+TEA-seq 三平台、>60,000 细胞）是评测而非训练，两者不能混谈。

2.5 与相关单细胞资源的边界

容易混淆的几个邻居：

CZ CELLxGENE / CELLxGENE Census（库内 1035、38）：以 RNA 为主的大规模标准化单细胞集合，不做 RNA-蛋白配对；scT&P-4M 在模态上更窄、在配对上更强。
Human Cell Atlas：组织级图谱计划，产出原始与处理后数据，不是为某个模型定制的预训练语料。
Tabula Sapiens / Tabula Muris（库内 329、339）：人/鼠多组织图谱，无配对蛋白模态。
GEO（库内 42）：scT&P-4M 的上游主仓库之一，两者的关系是"原料与成品"。

一句话定位：它不是最大的单细胞数据集，而是最大的"配对+统一词表"共测语料。

§3 构建流水线：从公开数据到可训练语料

3.1 三步法总览

论文 Methods 把构建过程拆成三阶段：（1）数据获取与筛选；（2）基因与蛋白符号统一；（3）细胞级质控与整合。这三步是全篇最可迁移的方法学部分，任何想把异构多组学数据拼成一份训练语料的人都可以照抄骨架。

[GEO / ArrayExpress / 10x Genomics]
        │  四条件筛选
        ▼
[249 样本 · 4,260,545 细胞]
        │  基因名 → HGNC 19,264 词表（缺项补 0）
        │  蛋白名 → 正则清洗 + 手工同义映射 → 382 词表
        ▼
[细胞级 QC + 批次整合]
        ▼
[scT&P-4M 配对矩阵] ──┬── 预训练（CAPTAIN）
                      └── 专属门户 sctp4m.aigenomicsyulab.com

3.2 入选标准：四条硬门槛

论文列出的四条入选标准是理解语料边界的关键：

双模态：必须同时含 RNA 与蛋白。
原始矩阵可得：CSV、H5AD、RDS 或可用 CellRanger 处理的 FASTA。
蛋白注释完整：优先含细胞类型注释的数据集。
批次与平台信息有记录：样本批号、测序平台必须可查。

第 3 条解释了为什么语料的细胞类型标签质量参差——它是"优先"而非"强制"，标签终究来自各原始研究的注释水平。第 4 条则决定了语料可用于批次校正研究：如果连批次都标不出，样本进不了语料。

3.3 命名统一：正则与人工的混合工序

蛋白命名的清洗是这份语料最"脏活"的部分。论文描述的做法是自定义正则脚本，具体动作包括：

剥离连字符后的子串：CD19-BV786 → CD19；
删除产品代码；
全部转大写；
手工映射同义标记：ICOS → CD278。

这套工序的隐含前提是：抗体标签里的染料信息对生物学意义是噪声。但对某些下游用途（例如研究特定染料带来的信号衰减），这一步会不可逆地丢掉元数据。使用者若需要原始抗体标签，应回到上游 GEO 记录。

3.4 词表规模的双重表述

论文反复用"382 个表面蛋白"作为词表大小，这个数字同时出现在摘要、结果、图注与门户首页，是最稳定的事实锚点。但 GitHub README 在描述模型输入时出现"382/387"两种写法——合理的解释是 382 是有效蛋白数，387 是模型 token 字典的总槽位数（可能含特殊 token 或已废弃标记）。由于 token 字典文件未在本次核验中打开，该解释属推断，已记入遗留疑点（坑 4）。

3.5 质控与整合的留白

论文在这一步只写"对每个数据集先做细胞级质控，再进行整合"，未公开逐数据集的具体阈值（最小基因数、最小蛋白计数、双细胞率等）。对复现者而言这是最大的黑箱：同一批上游数据，不同 QC 阈值会得到完全不同的细胞数，这也可能是预印本 4,531,996 与期刊版 4,260,545 之间 27 万细胞差额的来源之一（另一可能是样本数从 252 降到 249）。此点存照待核（附录 S）。

§4 任务定义与标签体系

4.1 预训练目标：三个损失

CAPTAIN 在 scT&P-4M 上联合优化三个目标：

掩码基因表达重建（masked gene expression reconstruction）：遮住部分基因，用上下文还原，学 RNA 表征。
跨模态蛋白丰度回归：由 RNA 表征经跨模态注意力预测蛋白丰度，学配对关系。
分位数回归（quantile regression）：不只预测均值，还预测预测区间，输出带不确定性的蛋白估计。

这三者对应三种能力：会读 RNA、会连蛋白、会报不确定度。对使用者而言，第三项在临床相关场景尤为重要——一个"高置信预测的 0"和一个"低置信预测的 0"在生物学上完全不同。

4.2 下游五类任务

论文给出五类下游任务，且每一类都有对应的评测数据：

任务	输入	输出	评测数据
蛋白填补/扩展	仅 RNA	指定蛋白丰度（微调或零样本）	4 个留出 CITE-seq 数据集
细胞类型注释	RNA±蛋白	细粒度类型标签	人 PBMC；BMMC 13 亚型
批次校正	多批数据	校正后嵌入	PBMC 多数据集
多组学整合	CITE-seq/ECCITE-seq/TEA-seq	统一嵌入	三平台 >60,000 细胞
细胞通讯推断	配体 RNA + 推断受体	配体-受体对排序	COVID-19 多样本 CITE-seq

GitHub 还列出第六个任务目录"扰动蛋白预测"，说明模型被有意设计为可扩展到扰动场景，但论文正文的评测重心仍是上述五类。

4.3 留出基准的四个数据集

论文的蛋白预测评测用了四个跨组织、跨物种、跨面板的 CITE-seq 数据集：人 PBMC（198 蛋白 / 20,729 基因，GSE164378）、人 MALT（10 蛋白 / 33,538 基因，10x Genomics MALT 肿瘤数据）、人单核细胞 MNC（10 蛋白 / 29,929 基因）、小鼠 PBMC（80 蛋白 / 31,056 基因，GSE193733）。四者的蛋白数从 10 到 198，恰好构成难度梯度：面板越大，跨模态映射越难，也越能检验模型是否真的学到关系而不是背下分布。

4.4 标签从哪来：一个必须说明的边界

scT&P-4M 是二次整合语料，不存在"scT&P-4M 自己标注的标签"。语料里的细胞类型标签、疾病标签、组织标签都来自各原始研究。这带来两个后果：第一，标签粒度不统一（有的研究到亚型，有的只到大类）；第二，标签噪声不可控（原始研究的注释质量参差）。做严格监督训练时，应把标签来源追溯到上游数据集，而不是把合并语料当成金标准。

§5 模型与语料的关系：CAPTAIN 如何吃到 scT&P-4M

5.1 双编码器 + RNA 引导的交叉注意力

CAPTAIN 采用 CLIP 式对比学习骨架，但两端不对称：

RNA 编码器：掩码注意力 Transformer，词表 19,264，架构与初始化沿用 scGPT（后者在超过 5000 万个单细胞上预训练）；输入除基因 token 与分箱表达值外，还带物种 token 与四通道基因先验（共表达、基因调控网络、启动子序列、基因家族嵌入，来自 GeneCompass，共享 512 维空间）。
蛋白编码器：382 个表面蛋白 token 加特殊 token，先自注意力，再进一层以 RNA 嵌入为 key/value 的交叉注意力——即 RNA 语境直接决定每个蛋白 token 的预测。

这个设计解释了为什么"零样本"可行：模型学的是"RNA 语境 → 蛋白 token"的函数，而不是"某个样本的蛋白分布"。遇到新数据只要 RNA 在词表内、目标蛋白在 382 词表内，就能出预测。

5.2 语料规模与模型规模的关系

论文未把"4.2M 细胞"包装成模型能力的直接因果证明，但从训练策略可见规模的必要性：三个损失里有两个涉及蛋白，而蛋白面板在不同样本间极不完整（32 到 210 不等）。只有把大量样本合并在统一词表下，才能让每个蛋白 token 在足够多的细胞上得到监督。这正是二次整合语料相对单个 CITE-seq 数据集的根本价值。

5.3 与 scGPT 的继承关系（及由此带来的边界）

RNA 编码器继承 scGPT 权重是个双刃剑：

好处：省算力、跨物种迁移好、基因词表可直接复用。
代价：模型的 RNA 表征继承了 scGPT 的偏差；语料与 scGPT 预训练集重叠部分存在数据泄漏风险，论文未量化此风险。

引用模型性能时，应说明"RNA 侧能力部分继承自 scGPT"，不宜全归功于 scT&P-4M。

§6 获取与许可：门在哪、门规是什么

6.1 资产清单与入口

资产	入口	许可
scT&P-4M 语料	sctp4m.aigenomicsyulab.com	未公开
数据明细表	论文 Supplementary Data 1	随论文（CC BY-NC-ND 4.0）
代码	github.com/iamjiboya/CAPTAIN	MIT
模型权重	Google Drive（CAPTAIN_Base / CAPTAIN_PBMC）	Google Drive 附带条款，未单独声明
资源归档	Zenodo 10.5281/zenodo.19547367	随 Zenodo 记录
上游原始数据	GEO / ArrayExpress / 10x Genomics	各原发布者许可

6.2 论文原话（Data availability）

论文的数据可用性声明极为简短："本研究产生的精编预训练数据集（scT & P-4M）可在我们的专属数据门户 [https://sctp4m.aigenomicsyulab.com] 获取。"全部预训练数据集的概览（模态、物种、细胞/蛋白计数、组织类型、疾病背景、数据来源）见 Supplementary Data 1。蛋白填补/扩展任务所用的人 PBMC 数据在 GEO 登录号 GSE164378，小鼠 PBMC 在 GSE193733，人 MALT 在 10x Genomics 官网。

这段声明的关键缺口是：没有任何一句提到数据使用许可。它说"可以获取"，没说"以什么条件获取"。

6.3 许可判断的三条推理

不能把代码许可当作数据许可：README 里的 “MIT License” 明确只覆盖源代码（“This repository’s source code is licensed under the MIT License”），数据与权重另论。
不能把论文许可当作数据许可：论文是 CC BY-NC-ND 4.0，但那是文章文本与图的许可；且 ND（禁止演绎）条款本身就与"整合、再分发语料"的常见用法相冲突。
上游许可可能"继承"：语料由公开数据整合，原数据集的条款（如 GEO 上各研究的声明、10x Genomics 数据集的使用条款）可能在再分发时仍然适用。使用者应逐条回溯上游。

结论：未公开是当前唯一诚实的答案。任何"可以随便用"的说法都缺乏依据（坑 3）。

6.4 AI-Ready 评估：可获取但难合规

从 AI-Ready 视角看，scT&P-4M 呈现一种"半开门"结构：技术上高度可获取（有专门门户、有检索字段、有明细表、有代码与权重），法务上不透明（无数据许可声明）。对研究者个人通常不构成障碍，对企业或需再分发者则是一个必须先行确认的风险点。这也是本条目把许可列为"遗留疑点第一条"的原因。

§7 基准结果：CAPTAIN 在 scT&P-4M 上学会了什么

7.1 蛋白预测：四数据集全胜的表述与其边界

论文在四个留出 CITE-seq 数据集上比较了 Seurat、sciPENN、TotalVI、scTranslator、scTEL 五种方法，指标为皮尔逊相关系数（Pearson correlation coefficient, PCC）与均方根误差（root mean square error, RMSE）。结论表述为"CAPTAIN 在所有数据集上取得最高蛋白预测精度，PCC 与 RMSE 双指标均领先"。

需要给读者打预防针的两点：

正文未列逐项数值。具体 PCC/RMSE 在 Fig.2a 与 Supplementary Data 10，正文只给定性结论。因此在第三方对比时不应引用"CAPTAIN 的 PCC 是多少"这类具体数字，除非直接查补充材料。
零样本场景存在细节分歧。论文承认在某些数据集上 Seurat 的零样本 PCC 略高于 CAPTAIN，但 CAPTAIN 的 RMSE 始终更低——这说明 CAPTAIN 的预测更"不跑偏"，而非在所有相关系数上绝对领先（坑 6）。

7.2 细胞注释：96.1% 与 13 个 T 细胞亚型

人 PBMC CITE-seq 数据集上，CAPTAIN 的整体注释准确率为 96.1%，混淆矩阵显示多数细胞类型的精确率（precision）超过 90%。性能下降集中在三类稀有细胞：CD8+ 效应记忆 T 细胞（Tem）、黏膜相关恒定 T 细胞（MAIT）与浆细胞样树突状细胞（pDC）。这个模式符合常识——稀有类的训练信号天然更少。

细粒度场景是更有说服力的证据：骨髓单核细胞（BMMC）CITE-seq 数据集含 13 个文献定义的 T 细胞亚型，CAPTAIN 能在 UMAP 上把 CD4+ 与 CD8+ 两大分支清晰分开，并进一步区分亚型。二手解读页给出的 Macro-F1 为 CAPTAIN 0.73、Seurat 0.61、scGPT 0.04（scGPT 几乎把所有 T 细胞折叠为单一 naive CD4 标签）——这组数字未在论文正文直接给出，已在附录 S 存照为"二手来源，待核"。

7.3 多组学整合：三平台 6 万细胞的统一嵌入

论文用 CITE-seq、ECCITE-seq、TEA-seq 三种技术生成的异构数据做整合评测，成功对齐 超过 60,000 个细胞；对照方法为 Seurat、Scanpy、MOFA2、TotalVI、bindSC、scGPT 六个。评价采用 AvgBATCH（批次混合程度）与 AvgBIO（生物结构保持程度）双指标排序，CAPTAIN 在两者之间取得较好平衡，而非单指标最优。

这组实验的意义在于：它检验的正是 scT&P-4M 那 7.99% 非 CITE-seq 样本的价值——如果语料只收 CITE-seq，模型面对 TEA-seq 数据时很可能系统性失配。

7.4 细胞通讯：81.8% 的文献验证率

这是全篇最容易出圈的结果。做法是把"RNA 推断出的配体表达"与"模型推断出的受体丰度"配对，做配体-受体（ligand-receptor）推断，再以文献证据作为外部参照。结果：CAPTAIN 优先排序出 22 对相互作用，其中 18 对（81.8%） 有文献支持；最强的纯 RNA 对照方法只找回 6 对，约三倍差距。

方法是加深理解的关键——受体丰度若只靠 RNA，会因转录-翻译解耦（post-transcriptional decoupling）被系统性低估；而表面蛋白恰恰是受体功能的主要载体。scT&P-4M 提供的配对监督，正是让模型学会这种"RNA 看不见的蛋白"。

7.5 生物学落点：S100A9-CD36 轴

在多样本 COVID-19 CITE-seq 数据（Healthy、Asymptomatic、Mild、Moderate、Severe 五档）上，模型推断出血小板→单核细胞通讯随病情加重而渐进激活，核心轴为 S100A9-CD36。论文进一步用 HDOCK 蛋白对接给出结构可行性佐证，标出结合界面与关键残基。

必须清楚区分证据层级：通讯推断是计算预测，文献验证是外部佐证，对接是结构可行性——三者都不是体内实验。论文的措辞是"生成新假设"（generate novel hypotheses），媒体转述常省略这个限定词（坑 7）。

§8 生态、谱系与影响

8.1 单细胞基础模型的谱系位置

把时间线拉平看：scBERT（2022）、scGPT（2023，5000 万+ 细胞预训练）、Geneformer（2023）、scFoundation（2023）都把"规模"押在纯 RNA 上。CAPTAIN 的差异化不在参数或细胞数（4.2M 远小于 scGPT 的 50M），而在模态：它是第一批把"配对蛋白监督"做成大规模预训练语料的工作之一。

因此 scT&P-4M 在生态中的位置更像"数据集层的补位"：模型层竞争者众，语料层此前空缺。任何后续做 RNA-蛋白双模态模型的团队，都必须先回答"与 scT&P-4M 相比你的语料强在哪"。

8.2 与库内单细胞条目的关系

库内条目	rid	关系
CZ CELLxGENE Census	1035	同为大规模型云化单细胞集合，但以 RNA 为主、无配对蛋白
CZ CELLxGENE	38	数据平台与发现门户，scT&P-4M 门户可视为其"多模态小专版"
Single Cell Portal	359	同类单细胞数据门户，机制可对照
Tabula Sapiens	329	人多组织图谱，组织覆盖互补、无蛋白配对
Tabula Muris	339	小鼠多组织图谱，物种层面互补
GEO	42	scT&P-4M 的首要上游原始数据仓库
Human Protein Atlas	404	蛋白层面的参考图谱，可用于校验表面蛋白功能注释
ProteomeExchange	389	蛋白质组数据仓库，质谱路线与 CITE-seq 路线互补
UniProt	37	蛋白标识符与功能注释的上游权威
ProteinGym	813	蛋白变异效应基准，与单细胞语料无直接重叠但同属蛋白 AI 评测生态

8.3 传播与"转述失真"现象

论文 2026-05-07 上线后，广州国家实验室官网、多家中文科研媒体与生信公众号迅速跟进。传播中的高频转述包括"全球首个大规模 RNA-蛋白单细胞联合语料"“420 余万细胞”“13+ 组织 11 类疾病”“准确率 96.1%”。这些转述大多忠实，但有三处系统性偏差值得记录：

"首个"的边界：论文自述是"largest curated multimodal single-cell RNA-protein co-assayed dataset to date"（迄今最大），中文通稿升格为"全球首个"。两种说法可并存——它确实是首个同规模的配对语料——但引用时应标明是"最大"还是"首个"。
样本数被省略：几乎所有二传都只提细胞数与蛋白数，不提 249 个样本。对做批次效应研究的人，样本数比细胞数更重要。
许可无人提及：全部二手来源均未提数据许可状态，这是条目想要补上的信息缺口。

8.4 对下游研究方式的影响

scT&P-4M 最实际的影响可能是"省抗体"：一项只需 RNA 的新 CITE-seq 实验，可以先跑 CAPTAIN 推断 382 个表面蛋白中感兴趣的若干指标，再决定是否真的买抗体面板。这在经费受限的免疫表型研究中具有直接经济意义——论文亦以此作为动机之一。风险在于推断值与实测值的偏差在稀有细胞与低表达蛋白上更大（7.2 节已见端倪）。

§9 与库内条目的关系与检索路径

9.1 家族图谱

[上游原始数据]                         [语料层]              [模型层]
GEO / ArrayExpress / 10x Genomics  →  scT&P-4M        →     CAPTAIN
        │                                   │                   │
        ├── GSE164378（人 PBMC 基准）        ├── 门户             ├── GitHub（MIT）
        ├── GSE193733（鼠 PBMC 基准）        └── Zenodo 归档       └── Google Drive 权重
        └── 10x MALT 数据

9.2 检索路径建议

中文检索：“RNA 蛋白共测单细胞语料”、“CAPTAIN 单细胞多模态数据集”、“420万 382种表面蛋白”。
英文检索：scT&P-4M、scTP-4M、co-assayed single-cell RNA protein corpus、CAPTAIN multimodal foundation model。
直接定位：DOI 10.1038/s41467-026-72882-y → PMC13365403；数据门户 sctp4m.aigenomicsyulab.com；GitHub iamjiboya/CAPTAIN。
注意：搜索 scTP4M 无连字符写法能命中，搜索 scT and P 4M 或 scT P 4M 基本无结果；T&P 中的 & 在部分检索引擎被当作布尔运算符，需加引号。

9.3 与易混淆名称的消歧

scGPT：模型，不是数据集。
scP 4M / scT-P-4M：各种断词变体，指同一实体。
CAPTAIN：模型名，也常被媒体用作"数据集"的代称，实为同一论文中的两个对象。
CITE-seq：技术平台名，不是数据集。

§10 避坑清单：九个已踩过的坑

坑点 1：把 CAPTAIN 当数据集名检索，或把 scT&P-4M 当模型名检索
论文标题就是 CAPTAIN，很多人以为搜到论文就搜到了数据集。实际上数据集名只在正文与数据门户出现。检索时应分别用两个名字：模型 → CAPTAIN；语料 → scT&P-4M。库内 slug 采用 scpt-4m（去掉了 &，因 slug 只允许字母数字与连字符）。

坑点 2：细胞数四口径直接混用
摘要"over four million"、结果段"over 4.2 million"、Methods"4,260,545"、门户"4.26M"是同一事实的四种表述，但预印本的 4,531,996 是另一个口径。写材料时应统一采用 Methods 精确值 4,260,545，并注明其余为约数表述——不要在同一段里混着说"420 万"和"453 万"。

坑点 3：把 MIT 当成数据许可
GitHub README 的 MIT 只覆盖源代码，原文明确写 “source code is licensed under the MIT License”。数据、模型权重均未声明许可。论文的 CC BY-NC-ND 4.0 是文章许可，且 ND 条款对"演绎作品"（如整合再分发语料）有额外限制。正确写法：数据许可未公开。

坑点 4：382 与 387 的混淆
论文统一写 382；GitHub README 有一处写"382/387 个表面蛋白"。合理推断是 382 为有效蛋白词表大小、387 为模型 token 字典槽位数。使用时以 382 为准，报告"模型词汇表含 387 槽位"时须注明来源是 README 而非论文。

坑点 5：把 249 个样本当成 249 个患者
门户的"样本"是打包后的数据集编号单元，一个编号下可含 3-7 个原始数据集，且语料人鼠混合。不要用 249 计算人均细胞数，也不要把这个数字写成"249 位捐赠者"。

坑点 6：零样本性能的绝对化
论文原文承认 Seurat 在部分数据集零样本 PCC 略高，CAPTAIN 的优势主要体现在 RMSE 与整体一致性。转述"CAPTAIN 全指标碾压"不准确；准确说法是"在所有数据集上 PCC 与 RMSE 综合表现最佳，个别数据集 PCC 略低于 Seurat 但 RMSE 更低"。

坑点 7：把 S100A9-CD36 轴说成"发现"
论文定位是"生成新假设"，证据链为计算推断 + 文献支持 + 蛋白对接，无体内或体外湿实验验证。写成"证实了 S100A9-CD36 轴"属于过度解读。

坑点 8：组织数 13、14 与">13"混用
贡献段写 13 个组织，图注写">13 个组织与器官系统"，门户首页写 14。三个数字出自三处，本质是统计口径与更新时点不同。条目正文采用图注口径">13（门户 14）"，引用时保持这一写法。

坑点 9：门户与论文日期不一致就判定"不是同一数据集"
期刊在线日期 2026-05-07，PMC 归卷日期 2026-08-18（Vol 17, Art 6161），Received 2026-04-22。三者不矛盾：先在线、后归卷。但若看到"2026-08-18"与"2026-05-07"并列，不要以为是两篇论文。

§11 方法学启示：可迁移的四条经验

11.1 "收口"本身是一种科研产出

scT&P-4M 没有产生一个新细胞，却被论文列为第一项贡献（Scale and design of the multimodal training data）。这传递了一个信号：在数据爆炸时代，把散落的数据按统一标准收口，其学术价值可以独立成立。判断这类工作是否扎实的三个标准恰好对应论文的三个动作：入选标准是否写明（四条）、词表是否可复现（HGNC + 正则脚本）、明细是否可追溯（Supplementary Data 1）。

11.2 封闭词表是能力也是牢笼

382 个蛋白的封闭词表让模型输出可解释、可对齐，但也意味着第 383 个蛋白永远无法被零样本推断。论文自己承认这一限制：零样本能力仍受现有蛋白词汇表约束，未来需随更多组织与更丰富面板扩展。设计类似语料时，应提前决定「词表封闭」还是「开放集合」，两者对应的建模路线完全不同。

11.3 命名标准化是隐性大头

外部读者往往低估抗体命名清洗的工作量。论文用了整整一个小节（Supplementary Note 2 对应正文段落）描述正则规则与手工映射，这不是工程细节，而是决定语料能否存在的前置条件——命名不统一，配对就无从谈起。任何试图合并多来源生物医学数据的人，都应把命名映射表当作一等公民保存。

11.4 语料与评测必须分开设计

scT&P-4M 是"训练语料"，四个 CITE-seq 数据集是"评测集"，两者在论文中严格区分。但实际操作中容易混淆：如果评测集的上游研究也进了语料，就存在数据泄漏。论文未明确列出评测集与语料的集合关系，使用者若要做第三方复现评测，应自行核查四个评测数据集是否出现在 Supplementary Data 1 的语料清单中（遗留疑点，附录 S）。

§12 局限与风险

12.1 数据层面的局限

模态偏斜：92.01% 为 CITE-seq，其余平台的样本支撑不足。
词表封闭：382 蛋白，覆盖面受抗体商业可得性约束。
标签非自产：细胞类型与疾病标签沿用上游，质量不可控。
个体信息缺失：无患者级人口学与临床元数据，不适合做临床结局分析。
QC 不透明：细胞级质控阈值未公开，难以精确复现细胞数。

12.2 方法层面的风险

继承偏差：RNA 编码器继承 scGPT 权重，性能归因不纯。
泄漏风险：语料与 scGPT 预训练集可能重叠，未量化。
零样本边界：只在"RNA 词表内 + 蛋白词表内"有效，跨物种零样本未见系统评测。
通讯推断的验证方式：以文献支持率作指标，存在"文献偏好热门通路"的选择偏差。

12.3 使用层面的合规风险

数据许可未公开，商用与再分发前必须书面确认。
上游 GEO 数据的原始知情同意范围在合并后未必自动继承，涉及人体样本的研究需单独评估。
论文 CC BY-NC-ND 4.0 限制演绎作品，若引用论文图表需遵守 NC/ND 条款。

FAQ（高频问答 24 问）

A. 基础认知

A1：scT&P-4M 的 “4M” 是 400 万还是 4 百万？
指四百万量级（million cells），精确值 4,260,545。

A2：它是新测的数据吗？
不是。全部来自公开数据库的二次整合。

A3：为什么叫 co-assay？
指同一细胞同时做了 RNA 与蛋白两种测定（co-assayed），配对是数据的最小单位。

A4：和 CITE-seq 是什么关系？
CITE-seq 是最主要的来源技术（92.01%），scT&P-4M 是跨多项 CITE-seq 类研究合并的语料。

A5：只有人和小鼠吗？
是。模型用物种 token 区分两者。

A6：382 个蛋白都是表面蛋白吗？
论文表述为 surface proteins / cell surface protein（CSP），即细胞表面蛋白词表。

B. 数据与获取

B1：下载地址是什么？
https://sctp4m.aigenomicsyulab.com（论文 Data availability 唯一入口）。

B2：有 HuggingFace 或 Zenodo 的数据镜像吗？
未发现数据集本体镜像；Zenodo 10.5281/zenodo.19547367 为论文引用的资源归档，具体内容未逐项核验。

B3：下载格式是什么？
未公开。门户提供检索与下载入口，但抓取范围内未见到格式说明。

B4：要申请吗？
门户为公开可访问的检索界面，是否需要注册或申请未在抓取范围内确认，属遗留疑点。

B5：数据许可是什么？
未公开。代码是 MIT，论文是 CC BY-NC-ND 4.0，两者都不等于数据许可。

B6：能商用吗？
不能默认可以。须先取得作者书面许可并核查上游数据条款。

C. 统计与结果

C1：96.1% 是什么指标？
人 PBMC CITE-seq 数据集上的整体细胞类型注释准确率。

C2：81.8% 是什么？
22 对优先排序的配体-受体相互作用中，18 对有文献支持的比例。

C3：CAPTAIN 比 scGPT 强多少？
论文未给出单一综合分数对比；分任务看：注释（尤其细粒度亚型）显著领先，整合任务两者均参评，蛋白预测 scGPT 亦在对照名单中。

C4：蛋白预测的具体 PCC 是多少？
正文未列数，见 Fig.2a 与 Supplementary Data 10。

C5：13 个 T 细胞亚型的 Macro-F1 0.73 从哪来？
来自二手解读页面，论文正文只给图，已在附录 S 存照待核。

C6：哪个细胞类型的预测最差？
PBMC 注释中 CD8+ Tem、MAIT、pDC 等稀有类型性能下降。

D. 使用与工程

D1：需要什么环境？
Python 3.10 + PyTorch 2.1.2 + CUDA 12.8；官方提供 Docker 镜像与 conda 两条路径。

D2：模型权重在哪？
GitHub README 指向 Google Drive 的 CAPTAIN_Base 与 CAPTAIN_PBMC 两个目录。

D3：能只跑下游任务吗？
可以，README 提供六个下游任务目录，含微调与零样本两种模式。

D4：细胞通讯任务要先跑蛋白预测吗？
是，README 明确通讯任务依赖先完成蛋白表达预测。

E. 生产与库内

E1：为什么 slug 是 scpt-4m 而不是 scT&P-4M？
slug 只允许字母数字与连字符，& 与大小写会被 slugify 处理掉，故选 scpt-4m。

E2：库内有没有重复条目？
已查：url_name ILIKE '%scpt%' 与 '%captain%' 均 0 行。

E3：库内哪些条目适合互链？
cellxgene-census（1035）、cellxgene（38）、Single Cell Portal（359）、Tabula Sapiens（329）、Tabula Muris（339）、GEO（42）、Human Protein Atlas（404）。

E4：与 geo 条目（rid 42）的关系是什么？
GEO 是上游原料仓库，scT&P-4M 是成品语料。

事实清单（硬事实 30 条）

语料名：scT&P-4M（原文排版 scT & P-4M）。
模型名：CAPTAIN（ContrAstive Proteome and Transcriptome pretraINing）。
论文：Nature Communications 17, 6161 (2026)。
DOI：10.1038/s41467-026-72882-y。
PMID：42098152；PMCID：PMC13365403。
在线首发：2026-05-07。
预印本：bioRxiv 10.1101/2025.07.07.663366。
Zenodo：10.5281/zenodo.19547367。
细胞数（Methods 精确）：4,260,545。
样本数（期刊版）：249。
蛋白词表：382。
基因词表：19,264（HGNC，蛋白编码 + 线粒体）。
物种：人、小鼠。
平台分布：CITE-seq 92.01%。
组织：“>13”（门户 14）。
疾病类型：11。
技术平台类别（门户）：5。
通讯作者：Fulong Yu（于福龙）。
共同通讯/合作：Shaoliang Peng（湖南大学）、Yan Zhang（广东省人民医院）。
数据门户：https://sctp4m.aigenomicsyulab.com。
代码仓库：https://github.com/iamjiboya/CAPTAIN（MIT）。
论文许可：CC BY-NC-ND 4.0。
数据许可：未公开。
注释准确率：96.1%（人 PBMC）。
通讯验证率：81.8%（18/22）。
三平台整合规模：>60,000 细胞。
基准数据集：人 PBMC GSE164378、鼠 PBMC GSE193733、10x MALT、人 MNC。
标志发现：S100A9-CD36 轴（计算预测 + 文献 + 对接）。
基金：2023YFF1204701、GZNL2024A01003、GZNL2023A02002、2024B1515020080、32470634、KY012023362。
利益冲突：无。

术语表（28 条）

co-assay：同一个细胞同时做 RNA 与蛋白两种测定。
CITE-seq：Cellular Indexing of Transcriptomes and Epitopes by Sequencing，用抗体-寡核苷酸偶联物同时测转录组与表面蛋白。
ECCITE-seq：CITE-seq 扩展版，额外捕获免疫受体序列等。
TEA-seq：同时测转录组、表位（epitope）与染色质可及性。
DOGMA-seq：同时测 DNA、开放染色质、甲基化、转录组与表面蛋白。
CSP（cell surface protein）：细胞表面蛋白。
词表（vocabulary）：模型输入特征的全集，此处基因 19,264、蛋白 382。
零样本（zero-shot）：未经该任务微调直接推断。
蛋白填补（imputation）：由 RNA 推断蛋白丰度。
蛋白扩展（expansion）：在已有面板基础上推断新增蛋白。
跨模态注意力（cross-attention）：一种模态为另一种提供 key/value 的注意力机制。
PCC：Pearson correlation coefficient，皮尔逊相关系数。
RMSE：root mean square error，均方根误差。
Macro-F1：按类平均的 F1，突出稀有类表现。
AvgBATCH：批次校正评测指标，越高表示批次混合越好。
AvgBIO：生物保守性评测指标，越高表示细胞类型分离越好。
配体-受体对（ligand-receptor pair）：细胞通讯的基本单元。
LIANA+：配体-受体分析框架，论文用于通讯推断。
HDOCK：蛋白-蛋白对接工具，用于结构可行性验证。
HGNC：HUGO Gene Nomenclature Committee，人类基因命名委员会。
BMMC：bone marrow mononuclear cell，骨髓单核细胞。
PBMC：peripheral blood mononuclear cell，外周血单个核细胞。
MALT：mucosa-associated lymphoid tissue，黏膜相关淋巴组织。
MNC：mononuclear cell，单核细胞。
pDC：plasmacytoid dendritic cell，浆细胞样树突状细胞。
MAIT：mucosal-associated invariant T cell，黏膜相关恒定 T 细胞。
Tem：effector memory T cell，效应记忆 T 细胞。
DAIMS：Data and Analytics Interoperability Maturity Standard，数据成熟度评估框架（见附录 B）。

2.11 数据规格细读（补编总起）

2.6 细胞数与"有效数据量"的关系

一个常见误算：把 4,260,545 细胞 × 382 蛋白当作"16 亿条蛋白测量"。这个乘法在统计上没有意义，原因有三：

蛋白面板逐样本不同。门户可见的样本蛋白面板从 32 到 210 不等，没有任何一个样本测全 382 种。语料层做的是"词表对齐"，不是"数据补全"。
缺失即零。统一到 382 词表时，某样本未测的蛋白通常以缺失/零处理，若直接当作"表达量为零"会造成系统性低估。使用者必须自行区分"未测"与"测了为零"。
细胞质量参差。不同上游研究的细胞级过滤阈值不同，合并后每个细胞的信息量不相等。

因此更严谨的说法是：语料提供约 426 万个"配对细胞槽位"，其中每个槽位实际携带的蛋白观测数取决于其所属样本的面板大小。

2.7 组织与疾病覆盖的读法

论文图注写"超过 13 个组织与器官系统、11 种疾病类型"，门户首页写 14 个组织。两者的差异很可能不是矛盾，而是"组织系统"与"组织"两种计数粒度的不同——例如"骨髓"与"肝"若归入"造血系统"与"消化系统"，则组织系统数会少于组织数。这一解释属推断，本条目不做确定性主张，只把两个数字并列记录。

从门户已抓取的四条记录看，实际出现的组织标签为：Blood、Bone Marrow、Liver、Breast、Spleen。这覆盖了免疫、造血、实体器官与肿瘤微环境四类场景，与"跨组织泛化"的宣称方向一致。疾病标签在实测记录中出现 Healthy 与 Cancer，COVID-19 相关样本只在论文下游分析中出现，未在抓取到的门记录里直接见到。

2.8 样本编号体系的作用

门户采用 sctnpNNNNN 形式的编号（如 sctnp00003、sctnp00036），这是一个打包编号而非原始 GEO 编号。它的作用是给"一个上游研究 + 若干批次"一个稳定句柄，便于检索与引用，但也带来追溯成本：从 sctnp 编号回到 GEO 编号，必须依赖 Supplementary Data 1 或门户条目内的标题字段。

建议研究者在使用时建立一张本地对照表：sctnp 编号 → 原始研究标题 → GEO/ArrayExpress 登录号 → 细胞数 → 面板大小。这张表一旦建立，后续复现与引用都会顺畅得多。

2.9 与"原始数据"的使用边界

scT&P-4M 适合做建模与评测，不适合做原始生物学发现。原因在于整合过程必然引入的加工痕迹：基因词表对齐会丢弃不在 19,264 词表内的基因；蛋白名标准化会抹去染料信息；跨样本合并会混合批次效应。若研究目标是对某个上游研究做独立再分析，应回到原始数据，而不是使用合并语料。

2.10 存储与算力估算

论文未公开语料的总文件大小与存储格式，因此无法给出确定数字。按 4,260,545 细胞 × 19,264 基因的稀疏矩阵估算，若以 10x 标准稀疏格式存储，单模态矩阵通常在数十 GB 量级；加上 382 蛋白的稠密矩阵，整体规模会显著增大。这一估算仅供参考，不构成事实主张，实际大小以门户下载页为准（遗留疑点 S2）。

3.12 构建流水线工程细节（补编总起）

3.6 四条件筛选的实际淘汰机制

论文列出四条入选标准，但没有给出"筛掉了多少候选数据集"的漏斗数字。这一点对评估语料代表性非常重要：如果候选池有 2000 个共测数据集而只留下 249 个样本，那么语料可能系统性偏向"注释完善、原始矩阵开放、批次信息齐全"的研究，从而低估了真实世界的技术异质性。

从领域经验看，淘汰最可能发生在第 2 条（原始计数矩阵可得）与第 3 条（蛋白注释完整）——大量研究只公开处理后数据或不完整的抗体列表。这一推断未被论文证实，使用者应意识到语料是"公开数据中可加工子集"的代表，而非全部共测研究的代表。

3.7 物种 token 的设计含义

模型用 human=0、mouse=1 的物种 token 作为输入的一部分。这一设计的直接含义是：模型把物种视为一个可条件化的变量，而非两个独立模型。好处是跨物种迁移可以在同一参数空间内完成；代价是物种差异可能被过度压缩——尤其当小鼠样本占比小时，小鼠表征可能退化为"人表征 + 一个偏移量"。

公开材料未给出人/鼠细胞的具体比例，这是本条目想补而未能补上的一个数字（遗留疑点）。

3.8 基因补零策略的副作用

"参考词表中某样本缺失的基因以计数 0 补齐"是保持特征空间一致的常用做法，但会带来两个副作用：

零膨胀：大量真实存在的基因被记为 0，模型需要学会区分"未检出"与"不存在"。
技术差异伪装成生物差异：测序深度低或基因面板窄的样本，会呈现出大量"零表达"，若不加校正，可能与真实的低表达状态混淆。

论文未说明是否对补零做了特别标记（如额外的 mask 通道）。这是复现时的关键细节（遗留疑点）。

3.9 蛋白名标准化的不可逆性

正则剥离 -BV421 这类后缀能极大提升一致性，但一旦剥离，原始抗体克隆号与染料信息就永久丢失。对多数下游任务无害，但对以下三类研究构成障碍：

研究染料对蛋白定量信号的影响（信号衰减、补偿问题）；
需要按抗体克隆号对齐不同批次的研究；
需要复现某个具体实验条件的研究。

建议门户提供"标准化名 ↔ 原始标签"的双列映射表，目前未见公开（遗留疑点）。

3.10 质控阈值黑箱的复现影响

细胞数在预印本（4,531,996 / 252 样本）与期刊版（4,260,545 / 249 样本）之间存在约 27 万细胞、3 个样本的差异。可能原因包括：剔除质量不达标样本、更新上游数据版本、收紧 QC 阈值。由于论文未公开阈值，第三方无法精确复现期刊版的细胞集合，只能复现"数量级"。

对做严格对比实验的团队，建议以门户当前提供的样本清单为准，并在论文中注明访问日期——因为门户内容本身可能随上游更新而变化（遗留疑点）。

3.11 整合步骤的信息缺口

论文在"细胞级质控与整合"这一步只给了一句概括。缺失的关键信息包括：是否做了批次校正（Harmony/scVI/其他）、是否按样本分层抽样、是否对蛋白计数做了 CLR 变换、是否对基因做了对数归一化。这些细节直接决定语料的可复现性，也是后续团队改进语料的切入点。

从建模角度看，若预训练前已做批次校正，则模型学到的批次不变表征更强；若未做，则模型需要自己学。论文的批次任务评测结果显示 CAPTAIN 具有批次校正能力，间接提示语料可能保留了批次异质性作为训练信号——此推断未经证实。

4.9 任务设计细节（补编总起）

4.5 三个损失的权重与冲突

多目标训练中，掩码基因重建与蛋白回归两个目标可能相互拉扯：前者鼓励表征保留基因层面的细节，后者鼓励表征压缩为"预测蛋白所需的充分统计量"。论文描述采用多目标联合优化，但未公开各损失项的权重与调度策略。这意味着第三方无法复现"同样数据、同样架构、不同权重"的对比实验。

对使用者的实际含义：若自行微调，应把损失权重视为需要调的超参数，而不要假设官方配置最优。

4.6 分位数回归的实用价值

第三个损失（分位数回归）让模型输出预测区间，而不只是点估计。这在以下场景最有用：

筛选决策：只对"高置信预测为阳性"的细胞做下游实验，节省成本；
质控：预测区间异常宽的细胞可能是低质量细胞或双细胞；
生物学解释：区间宽窄本身反映转录-翻译耦合强度。

论文在正文中对分位数输出的讨论较少，主要作为训练技巧呈现。使用者若要利用不确定性，需自行在微调阶段保留该输出头。

4.7 下游任务的输入形态差异

五类下游任务的输入形态并不统一：蛋白填补只需要 RNA；注释可用 RNA 或 RNA+蛋白；整合需要多数据集；通讯需要配体 RNA 与推断的受体蛋白。这种不统一意味着模型必须在"有蛋白"与"无蛋白"两种输入下都能工作，而这正是交叉注意力设计的动机——蛋白 token 的 key/value 来自 RNA，缺蛋白时不影响推理路径。

4.8 基准集选择的一个隐含偏差

四个留出评测集中，人 PBMC（GSE164378）同时也是预训练语料的候选来源之一（论文在数据可用性中把它列为蛋白填补任务数据）。这意味着"评测集是否在训练语料中"存在重叠疑点。若确实重叠，则评测结果可能被高估。论文未明确说明该数据集在语料中的处理方式（是整体留出还是部分使用），这是本条目认为最值得追问的方法学问题（附录 S 之 S6）。

6.8 获取实务（补编总起）

6.5 从门户到本地：一份实操清单

门户是唯一官方入口，实际操作可分五步（步骤依据门户页面结构推断，具体交互以站点当前版本为准）：

打开首页：首页给出全局统计（4.26M 细胞、382 蛋白、11 疾病、14 组织、5 技术、Human/Mouse）。
按维度筛选：页面提供 tissues、species 等筛选控件，可先缩小到目标组织与物种。
读条目：每条给出样本编号、细胞数、数据集数、蛋白数、原始研究标题与组织/技术/物种/疾病/模态字段。
核对明细：用 Supplementary Data 1 把条目对应回原始研究，确认 GEO 登录号与许可。
记录访问信息：保存访问日期与样本编号，便于论文引用与复现。

6.6 若门户不可用的退路

若门户临时不可访问，可考虑的替代路径依次为：

论文补充材料：Supplementary Data 1 提供全部样本的结构化概览，虽不含表达矩阵，但足以复原样本清单；
Zenodo 归档：10.5281/zenodo.19547367，内容需自行核验是否含数据；
GitHub 下游任务数据：README 列出六个任务的 Google Drive 目录，可复现评测；
回到上游：按 Supplementary Data 1 的原始来源逐个去 GEO/ArrayExpress/10x 下载，自行做词表对齐——这是最费力但最不依赖第三方服务的路径。

6.7 许可确认的邮件要素

若需书面确认数据许可，一封有效的询问邮件应包含：使用者与机构、拟用途（是否商用、是否再分发）、是否会在衍生数据中保留署名、使用规模估计、以及是否会公开发表基于该语料的模型或基准。论文给出的通讯邮箱为 yu_fulong@gzlab.ac.cn。

7.13 结果解读细节（补编总起）

7.6 96.1% 的分母是什么

注释准确率的分母是"参与评测的细胞"，而不是语料全部细胞，也不是"全部细胞类型"。它反映的是在一个注释质量较高的参考数据集上的表现。跨到注释噪声大的数据集时，准确率通常会下降——这一点在可视化中已见端倪（稀有类型 precision 下滑）。

7.7 81.8% 的分母是什么

通讯验证率的分母是"模型优先排序出的 22 对相互作用"，不是"全部可能的配体-受体对"。22 本身是一个筛选后的子集，筛选阈值未在正文公开。因此 81.8% 应读作"优先推荐中的高准确率"，而非"模型对所有相互作用的准确率"。

7.8 60,000 细胞整合的规模含义

三平台整合评测使用超过 60,000 个细胞。这个数字在单细胞领域属于中等规模（远小于 PBMC 图谱的百万级），但足以检验跨技术批次混合。它的意义在于"技术异质性"而非"规模极限"。

7.9 与 Seurat 的比较要看清场景

Seurat 是基于加权最近邻的经典方法，在蛋白预测上常用于基线。论文承认其在个别数据集零样本 PCC 略高，这说明在"相关性"这一维度上，经典方法的优势并未被完全超越；CAPTAIN 的增益主要来自 RMSE 与整体一致性。转述时应避免"全面碾压"的表述。

7.10 性能数字的可迁移性

所有报告的基准数字都基于特定的留出数据与特定的评测脚本。搬用到新数据时，以下因素会导致差异：测序深度、抗体批次、细胞类型构成、基因词表覆盖度。建议在引用官方数字时标注"论文报告值"，并说明本地复现条件。

7.11 生物学结论的证据层级

S100A9-CD36 轴的证据层级应明确标注为"计算推断 + 文献佐证 + 结构对接"，不包含湿实验验证。任何把它当作"已证实机制"的引用都属于越级。

7.12 阴性结果的价值

论文对失败案例的描述较少（哪些蛋白预测不准、哪些细胞类型混淆严重），公开的只有 PBMC 稀有类型的性能下降。对使用者而言，阴性结果往往比阳性结果更有指导意义——它告诉你模型的边界在哪。

8.9 生态位再分析（补编总起）

8.5 为什么"配对"是稀缺资源

在单细胞领域，RNA 数据以指数增长，蛋白数据增长缓慢，根因是成本：一个 200 抗体的 CITE-seq 面板，试剂成本可能数倍于普通 scRNA-seq。因此"配对"不是技术问题而是经济问题。scT&P-4M 的整合思路本质上是用存量配对数据摊薄成本：既然新测蛋白贵，就把历史上的配对数据全部用起来，训练一个能从 RNA 推蛋白的模型。

这一思路的成功与否，取决于两个前提：存量配对数据足够多样、RNA-to-protein 的映射足够稳定。前者由 249 个样本、13-14 个组织保障；后者由 382 词表内的实测验证支撑。

8.6 与"多组学基础模型"赛道的竞争格局

同赛道的工作可分三类：

单模态规模化：scGPT、Geneformer、scFoundation，押注 RNA 规模；
配对整合：CAPTAIN（scT&P-4M）、以及以 CITE-seq 为主的其他多模态模型；
跨模态对齐：把单细胞与影像、空间、病理对齐的模型。

scT&P-4M 在第二类中占据"语料先行"的位置。它的护城河不是模型参数，而是词表与清洗流水线——这两样东西一旦被广泛采用，就会形成事实标准。

8.7 中文生态中的传播特点

广州国家实验室官网通稿把数据集定位为"全球首个大规模 RNA-蛋白单细胞联合语料"，并强调"420 余万单细胞和 382 种表面蛋白"。多家生信媒体进一步提炼出"让转录组算蛋白成为现实"这一口号。这些表述在传播上有效，但省略了样本数、平台分布与许可状态。本条目在 §8.3 已把三处偏差逐条列出。

8.8 对临床转化的现实距离

论文的落点是"疾病机制解析与精准医学"。从数据到临床的距离仍然很远：语料无临床结局标签，通讯推断无湿实验验证，注释准确率在稀有细胞上下降。把它当作"临床决策工具"为时过早，当作"假设生成工具"则恰如其分。

9.4 与"数据集"概念相关的三个辨析

在检索与引用 scT&P-4M 时，"数据集"一词至少承载三层不同含义，混用会造成沟通障碍：

语料（corpus）：为训练某个模型而合并加工后的整体，scT&P-4M 属此层。它有自己的名称、门户与统计口径，但没有独立的数据集 DOI。
样本（sample/dataset entry）：门户中的 sctnpNNNNN 单元，可打包多个原始研究。它是检索与下载的最小单位。
原始研究（study/accession）：GEO GSE 号或 10x 数据集页面，是溯源与引用上游时的最小单位。

论文写作中若写"使用 scT&P-4M 数据集"，通常指语料层；若写"使用 scT&P-4M 中的某样本"，应给出 sctnp 编号；若写"使用 GSE164378"，则已回到原始研究层。三层混用会导致复现困难——因为不同层对应不同的许可、不同的质控状态。

9.5 与 scGPT 语料的重叠估计

CAPTAIN 的 RNA 编码器继承 scGPT 权重，且基因词表刻意与 scGPT 对齐（19,264 个蛋白编码与线粒体基因）。由此可以合理推测：scT&P-4M 中相当一部分 CITE-seq 研究的 RNA 部分，很可能已包含在 scGPT 的 5000 万细胞预训练集中。

若重叠成立，则两个后果：

RNA 表征的上限被 scGPT 决定：CAPTAIN 的 RNA 侧不是从零学起，而是从 scGPT 的表征微调而来。
评测泄漏需要排查：如果评测集的 RNA 出现在 scGPT 预训练集，那么任何基于 scGPT 系的方法在评测集上的表现都会偏高——这不仅影响 CAPTAIN，也影响以 scGPT 为对照的所有比较。

论文未公开这一重叠的量化估计（附录 S）。

9.6 与"数据许可图谱"的关系

库内许多数据集的许可问题都可以归入三种模式：完全开放（CC BY 等）、分层开放（部分请求制）、完全不透明（无声明）。scT&P-4M 属于第三种，但它比典型的"不透明"要好一些，因为至少给出了明确入口与作者联系方式。这提示一个务实的立场：许可未公开不等于不可用，而等于需先确认。对学术研究，通常可以通过邮件获得默许；对商业使用，必须获得明示。

§10 补编：坑点的延伸讨论

10.1 关于"坑点 2"的补充：为什么细胞数会漂移

细胞数在论文内部出现四个口径，在预印本再出现第五个。这类漂移在大型二次整合语料中非常常见，原因通常是：

撰写摘要时的数字是早期版本；
结果段的数字在正文修订时更新，摘要未同步；
Methods 的数字是最终流水线输出；
门户首页数字是另一次统计（可能含后续新增样本）。

对读者而言，最稳妥的做法是一律采用 Methods 的精确值，并注明"其余为约数表述"。对想复现的人，更稳妥的做法是直接以门户当前清单为准，因为门户比论文更新。

10.2 关于"坑点 3"的补充：为什么不建议假设"论文开放 = 数据开放"

Nature Communications 是开放获取期刊，论文采用 CC BY-NC-ND 4.0。这一许可只覆盖文章本身（文本、图、表）。数据集可以完全独立于论文许可——很多论文声明"数据可向作者索取"，同时论文本身是 OA。因此"论文 OA"与"数据开放"之间没有逻辑蕴含关系，必须分开核查。

10.3 关于"坑点 5"的补充：样本数为什么不是患者数

在二次整合语料中，“样本"通常指一次测序文库或一个数据集条目，而不是一个人。一个患者的多个组织、多个时间点都可能产生多个样本。scT&P-4M 的 249 个样本来自不同研究的不同设计，患者层面的去重不可能完成——因为上游元数据本身就不统一。因此语料无法支持"人均细胞数”"患者级分布"这类分析。

10.4 关于"坑点 6"的补充：为什么 RMSE 比 PCC 更能说明问题

PCC 衡量的是线性相关，对系统性偏移不敏感；RMSE 衡量的是绝对误差，对偏移敏感。蛋白预测中常见的失败模式是"形状对、尺度错"——PCC 高但 RMSE 大。CAPTAIN 在个别数据集 PCC 略低但 RMSE 更低，说明它的预测更接近真实尺度，这对下游做阈值判断（如"某蛋白是否阳性"）比相关系数更有用。这也解释了为什么论文把 RMSE 放在与 PCC 并列的位置。

10.5 关于"坑点 8"的补充：组织数为什么难统一

“组织"与"组织系统"是两个层级：血液与骨髓可归为"造血系统”，乳腺与脾分属不同系统。不同作者在不同段落可能采用不同层级计数，门户的统计脚本又可能按标签去重而非按系统归并。三个数字（13、“>13”、14）因此都可能"正确"，只是口径不同。条目采用">13（门户 14）"，是在保留原文表述的同时给出可核查的上界。

10.6 坑点 10 的预告：一个尚未发生但高危的坑

若未来门户新增蛋白词表（如扩展到 400+），旧模型与新语料将出现版本错配：用新语料微调旧模型时，蛋白 token 维度不一致会直接报错；用旧模型推断新蛋白时，第 383 个蛋白无法被输出。目前未见版本号机制，这是本条目建议读者在论文中记录访问日期与词表规模的根本原因。

附录

附录 A：条目信息速查卡

项	值
官方名	scT&P-4M
slug	scpt-4m
类型	RNA-蛋白共测单细胞预训练语料
规模	4,260,545 细胞 / 249 样本 / 382 蛋白 / 19,264 基因
物种	人、小鼠
主要平台	CITE-seq（92.01%）
关联模型	CAPTAIN
论文	Nat Commun 17:6161 (2026)，doi:10.1038/s41467-026-72882-y
数据入口	sctp4m.aigenomicsyulab.com
代码	github.com/iamjiboya/CAPTAIN（MIT）
数据许可	未公开

附录 B：DAIMS 评估全表

DAIMS（Data and Analytics Interoperability Maturity Standard）用于评估数据资产在六个维度上的成熟度。本条目按 1-5 分制自评，"依据"列写明扣分理由。

维度	评分	依据
可发现性（Discoverability）	4	有专属门户与 DOI，论文正文可检索；但无统一数据集 DOI（数据集本体未单独注册），第三方聚合平台收录少
可访问性（Accessibility）	4	门户公开可访问、有检索字段；但格式与是否需注册未公开，未见 API 文档
互操作性（Interoperability）	3	基因侧对齐 HGNC 与 scGPT 词表，互操作性强；蛋白侧为自定义 382 词表，跨研究映射需人工；无统一 schema.org/DataCite 元数据
可重用性（Reusability）	3	明细表与代码齐备，可复用度高；但数据许可未公开、QC 阈值未公开，法律与技术两处不透明
数据质量（Quality）	4	统一命名、统一词表、细胞级质控；扣分在标签沿用上游、批次信息依赖原始记录
治理与合规（Governance）	2	无数据许可声明、无版本号、无更新日志、无撤稿/勘误机制说明；仅论文与 Zenodo 归档提供弱版本锚点
综合	3.3	技术可用、法务待明

附录 C：逐项证据链自证

事实	一级来源	二级来源
论文存在与 DOI	Europe PMC REST（PMC13365403）	Nature 搜索页条目
4,260,545 细胞 / 249 样本	Methods「Inclusion criteria…This curation process yielded…」	二手解读页转述"426 万"
92.01% CITE-seq	Results 2.1	bio.rodeo 模型页转述
门户首页数字 4.26M/382/11/14/5	sctp4m.aigenomicsyulab.com 首页	—
数据门户 URL	Data availability 段	GitHub README
代码 MIT	GitHub README	—
论文 CC BY-NC-ND	PMC license-ref 与版权段	Europe PMC license 字段
96.1% / 81.8% / 60,000 细胞	Results 3 与 Results 5	广州国家实验室通稿
作者与单位	Europe PMC 作者机构字段	PMC XML 作者列表
S100A9-CD36	Fig.5e/5f 图注	多家通稿

附录 D：数据获取决策树

需要 RNA+蛋白配对单细胞数据？
├─ 是 → 需要 382 表面蛋白统一词表？
│        ├─ 是 → 用 scT&P-4M（门户）
│        │        ├─ 商用/再分发？→ 先书面确认许可（未公开）
│        │        └─ 学术研究？→ 从门户下载 + 引用论文
│        └─ 否 → 直接用原始 CITE-seq 数据集（GEO/10x）
└─ 否 → 只需 RNA → 用 CELLxGENE Census / Tabula 系列

附录 E：382 蛋白词表使用的三条规范

以词表为单位建模，不要按基因名重建——多亚基受体在基因层无法唯一对应。
记录标准化映射：若把 382 词表映射回原始抗体标签，须保存映射表，否则不可逆丢失。
零样本结果必须标注"词表内推断"，不得表述为"发现了新蛋白表达"。

附录 F：复现骨架（SOP 模板）

1. 环境：python 3.10 / torch 2.1.2 / cuda 12.8；或 docker 镜像 captain_image
2. 权重：CAPTAIN_Base（通用）或 CAPTAIN_PBMC（外周血专用）放入 pretrained_models/
3. 数据：从门户下载目标样本 → 统一到 19,264 基因词表（缺失补 0）
4. 任务：蛋白填补 / 注释 / 整合 / 批次校正 / 通讯（通讯需先跑蛋白预测）
5. 结果：PCC + RMSE 双指标报告；注释报告整体准确率 + 每类 precision

附录 G：蛋白填补任务的最小代码骨架

# 伪代码：仅示意流程，非可运行脚本
import scanpy as sc
adata = sc.read_h5ad("query.h5ad")            # 仅含 RNA
adata = align_to_vocab(adata, genes=19264)     # HGNC 词表对齐，缺失补 0
model = load_captain("CAPTAIN_Base")
pred = model.impute_protein(adata, proteins=protein_vocab_382)
# 输出：cells x 382 的蛋白丰度矩阵 + 分位数区间

附录 H：评测口径对照表

任务	指标	报告方式	注意
蛋白预测	PCC、RMSE	逐数据集	正文无数值，查 Supplementary Data 10
细胞注释	overall accuracy、precision	整体 + 逐类	稀有类（Tem/MAIT/pDC）单独报告
细粒度注释	Macro-F1	13 亚型	0.73 为二手来源
整合	AvgBATCH、AvgBIO	双指标排序	防止单指标偏优
通讯	文献支持率	18/22	存在文献选择偏差

附录 I：双口径登记表

字段	口径 A	口径 B	口径 C	采用
细胞数	摘要"over four million"	结果"over 4.2 million"	Methods 4,260,545	Methods 值 + 注明约数
门户细胞数	4.26M	—	—	与 Methods 一致
预印本细胞数	4,531,996	—	—	仅存照
样本数	期刊 249	预印本 252	—	期刊版 249
组织数	贡献段 13	图注">13"	门户 14	“>13（门户 14）”
蛋白数	论文 382	README “382/387”	—	382
在线日期	2026-05-07	PMC 归卷 2026-08-18	—	两处并记
许可	代码 MIT	论文 CC BY-NC-ND	数据未公开	三者分开表述

附录 J：门户条目字段字典（抓取所见）

字段	示例	说明
样本编号	sctnp00036	打包单元标识
Cells	37,964	细胞数
Datasets	4	内含原始数据集数
Proteins	198	蛋白面板大小
Title	Blood and immune development in human fetal bone marrow and Down syndrome	原始研究标题
Tissues	Bone Marrow, Liver	组织
Technologies	CITE-seq	技术
Species	Human / Mouse	物种
Diseases	Healthy / Cancer	疾病背景
Modalities	mRNA & Cell surface protein	模态

附录 K：26 个高频检索错误

搜 scT&P-4M 不加引号 → & 被当布尔符。
搜 scT P 4M → 无结果。
用 scTP4M 搜中文站 → 命中率低。
把 CAPTAIN 当数据集 → 命中模型页。
搜 “4M single cell” → 命中大量无关数据集。
搜 “382 surface proteins” → 可能命中其他面板研究。
搜 “co-assay” → 命中 CITE-seq 方法论文。
搜 “COMBAT”/“TotalVI” → 命中方法论文而非语料。
认为 Zenodo 号就是数据集 → 实为资源归档。
用 Google Drive 链接当正式下载入口 → 那是权重不是数据。
搜 GEO 找 scT&P-4M → 不存在该 GEO 登录号。
把 GSE164378 当语料本体 → 那只是人 PBMC 基准集。
把 GSE193733 当语料本体 → 那只是鼠 PBMC 基准集。
认为 249 = 患者数。
认为 4,260,545 是去重后独立个体数。
认为 382 包含全部人类表面蛋白。
认为 92.01% 是样本占比（实为细胞占比）。
认为 13 个组织是全文统一口径。
认为 2026-08-18 是首发日。
认为预印本与期刊版数字相同。
把 bioRxiv 的 252 样本当最新值。
认为 CC BY-NC-ND 允许再分发整合语料。
认为 MIT 覆盖数据。
认为零样本可推断任意蛋白。
认为 S100A9-CD36 已获湿实验验证。
认为 96.1% 是跨所有数据集平均。

附录 L：与库内条目的差异化声明

库内已有 cellxgene-census（1035）、cellxgene（38）、Single Cell Portal（359）三个单细胞数据平台条目，均为 RNA 主导、以数据托管与查询为核心。scpt-4m 的差异在于：模态为配对双组学、定位为某模型的专属预训练语料、评价指标与模型下游任务强绑定。三者不构成同物重复。

附录 M：许可条款细读

论文 CC BY-NC-ND 4.0：允许非商业复制与分发，禁止演绎（adapted material）。把论文图表改绘进商业文档属演绎，需授权。
代码 MIT：允许商用、修改、再分发，需保留版权声明。
上游：GEO 条目本身不改变原研究的伦理与数据使用条款；10x Genomics 数据集受其使用条款约束。

附录 N：维护计划与触发点

触发	动作
论文发勘误或版本更新	复核细胞数、样本数、许可声明
门户改版或下线	更新 §6 入口，记录镜像或归档
新增蛋白词表版本	更新 §2.3 与坑点 4
数据许可正式发布	更新 frontmatter license 与 §6.3
出现第三方复现评测	更新 §7 与附录 H
模型权重迁移到 HuggingFace 镜像	更新 §6.1 资产表

附录 O：生产档案

项	值
代理	agent-a-scpt4m
开工	2026-10-17T12:31:54
锁	writing/scpt-4m/.lock
私有区	.parts_agent-a-scpt4m_1792211514_1592031
来源核验	Europe PMC REST 全文 XML、GitHub README、数据门户首页、广州国家实验室通稿、Nature 搜索页
查重	DB 0 行；writing/ 无同名

附录 P：FAIR / AI-Ready 检查单

原则	状态	说明
Findable	部分	有 DOI 与门户，无数据集级 PID
Accessible	是	门户公开
Interoperable	部分	基因词表标准，蛋白词表自定义
Reusable	部分	明细与代码齐，许可不明
AI-Ready 加工度	高	已标准化、已对齐、可直接喂模型
训练/评测切分透明	未公开	评测集与语料重叠关系未声明

附录 Q：缩写速查

CSP 细胞表面蛋白；PCC 皮尔逊相关系数；RMSE 均方根误差；HGNC 人类基因命名委员会；CITE-seq 转录组与表位联合测序；ECCITE-seq 扩展 CITE-seq；TEA-seq 转录组-表位-可及性三测；DOGMA-seq 多组学共测；PBMC 外周血单个核细胞；BMMC 骨髓单核细胞；MALT 黏膜相关淋巴组织；pDC 浆细胞样树突状细胞；MAIT 黏膜相关恒定 T 细胞；Tem 效应记忆 T 细胞；DAIMS 数据互操作成熟度标准。

附录 R：基于本语料的研究检查清单（10 项）

是否引用了论文 DOI 与数据门户？
是否说明了所用样本编号（sctnpNNNNN）？
是否记录了词表版本（382 / 19,264）？
是否声明了数据许可状态？
是否区分了"词表内推断"与"新发现"？
是否报告了 PCC 与 RMSE 双指标？
是否对稀有细胞类型单独报告性能？
是否核查了评测集与训练语料的重叠？
若用于临床相关推断，是否标注了"未经湿实验验证"？
是否保留了上游数据集溯源信息？

附录 S：双口径与遗留疑点总表

编号	事项	状态
S1	数据集许可	未公开（门户未检出条款）
S2	门户下载格式	未确认（h5ad/CSV/矩阵，抓取未见）
S3	是否需注册/申请	未确认
S4	BMMC Macro-F1 0.73/0.61/0.04	二手来源，论文正文仅给图
S5	Zenodo 19547367 内容	未逐项核验
S6	评测集是否进入训练语料	论文未声明
S7	QC 阈值	未公开
S8	预印本 4,531,996 / 252 与期刊版差异原因	未说明
S9	382 vs 387	推断为有效词表 vs token 槽位
S10	组织数 13/14/“>13”	三处口径并存

附录 T：建议互链点（供主会话参考）

cellxgene-census（1035）：大规模型云化单细胞集合
cellxgene（38）：单细胞数据发现平台
single-cell-portal（359）：单细胞数据门户机制对照
tabula-sapiens（329）：人多组织图谱
tabula-muris（339）：小鼠多组织图谱
geo（42）：上游原料仓库
human-protein-atlas（404）：蛋白参考图谱
uniprot（37）：蛋白标识符权威
proteomexchange（389）：质谱蛋白质组路线对照
proteingym（813）：蛋白 AI 评测生态

13.5 一份可复用的"数据集评估七问"

无论评估 scT&P-4M 还是其他数据资产，以下七问可以快速定位风险：

它是什么层的资产：原始数据、加工语料、还是模型专用预训练集？层不同，用法不同。
规模数字的口径是什么：细胞、样本、患者、数据集条目——四个词不能混用。
配对/配对性是否硬约束：模型能用的前提是否被数据结构保证。
词表是开放还是封闭：封闭词表意味着能力上限可预测，也意味着扩展需重训。
许可是否明示：无声明不等于公有领域。
评测与训练是否切分：不切分则成绩不可信。
QC 与预处理是否可复现：不可复现则第三方数字无法对齐。

把七问套在 scT&P-4M 上，得到的答案是：加工语料层、口径为 249 样本/4,260,545 细胞、配对为硬约束、词表封闭 382、许可未公开、切分未声明、QC 未公开。七问中三条处于"未公开"状态——这本身就是一个值得记录的事实。

13.6 引文工程建议

若团队要长期基于该语料做研究，建议在内部维护一份 dataset_card.md，至少包含：

语料名称与版本（当前无版本号，用访问日期代替）；
细胞/样本/蛋白/基因四类计数及其口径；
下载来源与下载日期；
上游数据集清单与各自许可；
本地预处理步骤与参数；
已知问题（词表限制、稀有细胞性能、评测重叠疑点）。

这份卡片的价值在一年后才会显现——当团队需要回答"我们当时用的是哪个版本"时，它几乎是唯一可靠的记录。

附录 U：语料与模型的对应关系表

模型资产	训练/来源语料	用途	获取
CAPTAIN_Base	scT&P-4M	通用预训练底座，跨组织跨物种	Google Drive
CAPTAIN_PBMC	scT&P-4M + PBMC 专项微调	外周血场景	Google Drive
下游任务数据	四个基准 CITE-seq 数据集	复现评测	Google Drive 六目录
代码	—	训练与推理	GitHub（MIT）

附录 V：与三类用户的使用建议

用户类型	推荐用法	风险提示
模型研究者	作为多模态预训练语料或对照基准	注意与 scGPT 语料的潜在重叠
免疫/临床研究者	用零样本推断补全缺失表面蛋白	结果为推断值，稀有细胞不可靠
数据工程师	学习命名标准化与词表对齐流程	QC 阈值未公开，无法完全复现
企业用户	先确认许可再评估	数据许可未公开，商用需书面授权

附录 W：语料相关的十条"不要"

不要把"可访问"当作"可商用"。
不要把 249 写成"249 位患者"。
不要把 4.26M 写成"426 万独立个体"。
不要把 382 当作全部表面蛋白。
不要把零样本推断值当作实测值发表。
不要把 CAPTAIN 的 RNA 能力全归功于 scT&P-4M。
不要把 S100A9-CD36 轴写成"已证实"。
不要把门户首页数字与论文数字混在同一句中却不注明。
不要把预印本数字当最新值。
不要把 Zenodo 号当数据集 DOI。

附录 X：检索式模板库

# 定位论文
"CAPTAIN" AND "co-assayed" AND "Nature Communications"
DOI:10.1038/s41467-026-72882-y

# 定位语料
"scT&P-4M" OR "scT & P-4M"
site:sctp4m.aigenomicsyulab.com

# 定位上游数据
GSE164378 CITE-seq PBMC
GSE193733 mouse PBMC CITE-seq
10x Genomics MALT tumor cell surface protein

# 定位代码与权重
github iamjiboya CAPTAIN
zenodo 10.5281/zenodo.19547367

附录 Y：时间线一览

时间	事件
2025-07-07	bioRxiv 预印本提交（10.1101/2025.07.07.663366）
2026-04-22	Nature Communications 收稿（据 PMC 日期串解析）
2026-05-07	论文在线发表（Europe PMC 首发日）
2026-05-07 前后	广州国家实验室发布中文通稿
2026-07-15	论文接收（据 PMC 日期串解析）
2026-08-18	论文归卷（Vol 17, Art 6161）
2026-10-17	本条目编写与核验日

§13 延伸阅读与引用规范

13.1 引用本语料的推荐格式

学术写作中引用 scT&P-4M，应同时给出论文与数据门户两个锚点：

论文：Ji B, Hu T, Wang J, et al. CAPTAIN: a multimodal foundation model pretrained on co-assayed single-cell RNA and protein. Nat Commun. 2026;17:6161. doi:10.1038/s41467-026-72882-y
数据：scT&P-4M data portal. https://sctp4m.aigenomicsyulab.com（访问日期自行填写）
代码：Ji B, et al. CAPTAIN. GitHub. https://github.com/iamjiboya/CAPTAIN

不推荐把 Zenodo 号 10.5281/zenodo.19547367 单独作为数据引用，因为它指向的是资源归档，具体内容需在引用前核实。

13.2 必须同时引用的上游数据集

若你的研究实际使用了特定样本，应追加上游原始研究的引用。论文的基准任务中明确点名的上游数据集包括：

GSE164378（人 PBMC CITE-seq，198 蛋白面板，预训练与评测两面都用到）
GSE193733（小鼠 PBMC CITE-seq，80 蛋白面板）
10x Genomics MALT 肿瘤数据集（人 MALT，10 蛋白面板）

其余样本的上游文献见 Supplementary Data 1 与论文参考文献列表。

13.3 相关工作阅读顺序建议

先读 scGPT（RNA 单模态基线，理解 CAPTAIN 的 RNA 编码器继承关系）。
再读 Geneformer 与 scFoundation（同代竞争模型，理解"规模竞赛"的背景）。
然后读 CITE-seq 原始方法论文（理解配对数据的物理含义与抗体偶联原理）。
最后读 TotalVI 与 sciPENN（蛋白推断的传统路线，即 CAPTAIN 的直接对手）。

13.4 与库内条目的阅读搭配

想理解"单细胞数据如何被组织成可用语料"：对照 cellxgene-census（1035）的版本化策略。
想理解"数据门户的检索设计"：对照 Single Cell Portal（359）的 study/gene/cluster 三层检索。
想理解"蛋白层面的参考标准"：对照 Human Protein Atlas（404）与 UniProt（37）。
想理解"跨模态数据的另一种模态"：对照 ProteomeExchange（389）的质谱路线。

§14 结语：一份语料的两种命运

scT&P-4M 的价值有两种可能的命运。

第一种命运是"模型燃料"。它的绝大部分关注度来自 CAPTAIN 的性能数字：96.1% 的注释准确率、81.8% 的通讯验证率、S100A9-CD36 轴。在这种叙事里，语料只是模型成绩单背后的"训练数据"，可替换、可忽略。这是当下大多数二手报道采取的视角。

第二种命运是"公共基础设施"。如果这份语料被后续团队当作 RNA-蛋白配对任务的共同基准，像 ImageNet 之于视觉、CITE-seq 之于单细胞那样持续被微调、被挑战、被扩展，那它的意义会远超一篇论文。要实现这一命运，缺的不是技术，而是三件治理层面的事：明确的许可、版本化的门户、以及评测集与训练集的公开切分。

本条目更愿意押注第二种命运，也因此把"许可未公开"“评测集与语料重叠未声明”"QC 阈值未公开"这三条写进局限而不是脚注。一份语料能走多远，往往不取决于它有多大，而取决于后来者能不能放心地在它上面盖房子。

对读者而言，最实际的三条行动建议是：

用之前先问许可——一封邮件比一次返工便宜。
报结果时分清"词表内推断"与"生物学发现"。
做第三方评测时先核对训练/评测重叠，避免把泄漏当成本事。

尾注

版本与核验说明：本条目于 2026-10-17 依据 Europe PMC 全文（PMC13365403）、GitHub 仓库 README、官方数据门户首页与中文机构通稿编写。Nature 主站正文页在核验时返回反爬挑战页，未能直接抓取，全部论文正文引用以 Europe PMC 版本为准。凡正文未直接给出而被二手来源补充的数字（如 BMMC Macro-F1 0.73/0.61/0.04）均已标注为二手并列入附录 S 遗留疑点。

数字采用原则：同一事实存在多个口径时，正文优先采用论文 Methods 的精确值，并在括注中给出约数口径；预印本数字仅作存照，不作为条目主张。

免责声明：本条目为数据集的百科式整理，不构成法律意见。数据许可状态以官方最新声明为准，商用前请自行取得书面授权。

条目维护：维护触发点见附录 N；如发现门户下线、许可更新或论文勘误，应同步修订 §6 与 frontmatter 的 license 字段。

致谢：感谢论文作者公开数据门户与代码仓库，使本条目得以在缺少数据许可声明的条件下仍能完成技术与元数据层面的核验。

维度	内容
本质	CAPTAIN 模型预训练用的人/鼠 RNA-蛋白共测单细胞语料（二次整合，非新测序）
官方名	scT&P-4M（原文排版 “scT & P-4M”）
团队	广州医科大学 + 广州国家实验室（通讯于福龙）；湖南大学；广东省人民医院；中南大学
论文	Nat Commun 2026;17:6161（doi:10.1038/s41467-026-72882-y；在线 2026-05-07）
规模	约 426 万细胞（Methods 4,260,545）/ 249 样本 / 382 表面蛋白 / 人+小鼠
平台	92.01% CITE-seq；余为 ECCITE-seq、TEA-seq、DOGMA-seq 等兼容共测平台（门户计 5 类技术）
覆盖	13 组织系统（门户 14）、11 疾病类型
基因词表	19,264 个蛋白编码+线粒体基因（HGNC，对齐 scGPT）
下游	蛋白填补/扩展、细胞注释（96.1%）、批次校正、多组学整合、细胞通讯（81.8% 文献验证）
标志发现	COVID-19 重症中血小板→单核细胞 S100A9-CD36 轴渐进激活
获取	专属门户 sctp4m.aigenomicsyulab.com；代码 GitHub（MIT）；Zenodo 10.5281/zenodo.19547367
许可	数据未公开｜代码 MIT｜论文 CC BY-NC-ND 4.0
库内互链	cellxgene-census（1035）、cellxgene（38）、Single Cell Portal（359）、Tabula Sapiens（329）、Tabula Muris（339）、GEO（42）