信息速览
INFOBOX — SCEA 一屏速览
维度 内容 本质 单细胞 RNA-seq 的统一重处理库 维护机构 EMBL-EBI 功能基因组团队 实验数 384 细胞总数 15,370,362 物种 22 有细胞类型标签 119 个（31.0%） 双轨标签并存 93 个实验（作者标签 + 本体标签） 主力技术 10x 三代 241 个（62.8%）、Smart-seq 类 126 个（32.8%） 平台状态 2026-11 起迁往 FENIX Explorer，SCEA 将退役 迁移范围 仅带细胞类型标签的实验 许可 CC BY 4.0 与 bulk 关系 同机构独立站点，接口与编号不通用
§1 速览：它到底是什么
1.1 一句话定义
Single Cell Expression Atlas（下称 SCEA）是 Expression Atlas 的单细胞版本：把别人提交的单细胞原始数据重新跑一遍，只发布处理后的细胞×基因矩阵和细胞类型注释。
它的分工可以这样理解——单细胞数据的特点是"原始文件极大、处理极慢、结果极难对齐"。一个中等规模实验的 FASTQ 动辄几百 GB，跑完比对与定量要几天。如果每个研究者都自己重跑，重复劳动巨大，而且结果之间无法比较。SCEA 就是把这件事做一次。
1.2 它最不可替代的一件事
不是"细胞数多"（1,537 万这个数字在今天的单细胞领域已不算惊人），而是：
它是极少数对单细胞数据做「统一重处理 + 双轨细胞类型注释」并公开全部产物的资源。
三点合起来才构成独特性：
- 统一重处理——跨实验可比（同 §4 的 bulk 版逻辑）
- 双轨注释——同时给作者标签与本体标签，让使用者自己裁决
- 公开产物——矩阵、注释、聚类都能下载，不是只给个在线查看器
第三条尤其区别于门户类资源：很多单细胞平台只提供交互式浏览，要拿原始矩阵得走别的路。
1.3 但你必须先知道的一件事
这个平台正在退役。
打开任何一个 SCEA 页面，顶部都有一条橙色警告条：
Single Cell Expression Atlas is moving to FENIX Explorer, our new platform for discovering and exploring single-cell data. We are migrating eligible datasets in phases. SCEA remains available during the transition and will be retired once it is complete.
官方 About 页给出的细节：
| 事项 | 官方表述 |
|---|---|
| 新平台 | FENIX Explorer，是 FENIX（Functional Genomics Index）的第一个公开组件 |
| 公测时间 | 2026 年 11 月（public beta） |
| 定位 | FENIX 将统一功能基因组学的发现、探索与（未来）贡献 |
| 迁移对象 | 分批迁移，优先**CELLxGENE 尚未覆盖的物种**，以及 SCEA 访问量最高的一批 |
| 不迁移的 | 没有细胞类型标签的实验 |
| 空间数据 | 计划 2027 年初的后续版本支持 |
| 退役时间 | 未公布，将在 About 页提前公告 |
这不是"可能要变"，是有明确时间表的平台更替。它直接决定了本篇的写法：不能只介绍"它有什么"，必须同时说清"哪些东西会消失、什么时候、以什么方式"。
1.4 用一个真实实验把全文串起来
E-ANND-1 — Human Lung Cell Atlas
An integrated cell atlas of the human lung in health and disease
物种 Homo sapiens · 584,884 个细胞 · 项目 Human Cell Atlas - Data Portal
技术：10xv1 / 10xv2 / 10xv3 / 10x5prime（四代并存）
因素：organism part、sampling site、disease、两套细胞类型标签
加载 2024-09-04 · 更新 2024-09-13
它是人类肺细胞图谱的整合版。选它做案例，因为它一站齐了本篇要讲的四件事：
| 章节 | 看它的哪个侧面 | 回答什么问题 |
|---|---|---|
| §2.2 | 584,884 个细胞的量级 | 单细胞的"实验数"为什么不能和 bulk 比 |
| §3.2 | 四代 10x 技术并列 | 技术混杂到底长什么样 |
| §4.3 | 两套细胞类型标签 | 双轨注释怎么用、冲突怎么办 |
| §6.2 | 它是"迁移优先"的一类 | 什么样的实验能活到新平台 |
1.5 三十秒决策卡
| 你的处境 | SCEA 能帮你什么 |
|---|---|
| 要一批已统一处理的单细胞矩阵做训练 | 384 个实验可直接取，省掉比对与定量 |
| 要做细胞类型注释的方法研究 | 93 个实验天然带双轨标签，是现成的对照数据 |
| 想找某个非模式物种的单细胞数据 | 22 个物种里有果蝇、斑马鱼、拟南芥等 |
| 要在线看几个基因的细胞群分布 | 网站支持基因检索 + UMAP 浏览 |
| 需要一个长期稳定的数据源 | 不能，平台 2026-11 起迁移，退役时间未定 |
| 要空间转录组数据 | 不能，官方计划 2027 年初才支持 |
1.6 不适合谁
如果你的项目要求数据源在未来 3 年保持稳定，SCEA 不适合。它有明确的退役计划，退役后处理输出的保留安排官方明确写着"将在关闭前公布"——也就是说，现在还没有答案。
如果你需要空间转录组，现在没有。官方说空间数据探索在 2027 年初的后续版本。
如果你要找的是没有细胞类型标签的那些实验，即便它们今天还在，也不该作为长期依赖。265 个无标签实验（占 69%）不在迁移范围。
如果你要原始 FASTQ 重跑，这里不提供。官方明确：原始数据回原始存档库（ENA / GEO / ArrayExpress）取，按各库自己的访问安排。
如果你要全量而非精选，不行。384 个实验相对公共单细胞数据的体量是极小一部分。
§2 数据构成与规模
2.1 规模与 bulk 版的量级差异
| 维度 | bulk 版 | 单细胞版（SCEA） | 倍数关系 |
|---|---|---|---|
| 实验数 | 4,562 | 384 | bulk 是 SCEA 的 11.9 倍 |
| 计数单位 | assay（≈样本） | assay（≈细胞） | — |
| 计数单位总量 | 161,199 | 15,370,362 | SCEA 是 bulk 的 95.4 倍 |
| 物种数 | 67 | 22 | bulk 是 SCEA 的 3 倍 |
"实验少但量大"是单细胞库的固有形态。 一个单细胞实验动辄几十万细胞，所以按实验数看它很小，按细胞数看它很大。做数据集划分时要先决定按哪个口径抽样，否则会得出完全不同的结论。
2.2 细胞数的真实分布：极度集中
总数容易误导。看分布：
| 指标 | 数值 |
|---|---|
| 细胞数中位数 | 9,020 |
| 最小 | 26 |
| 最大 | 911,873 |
| 前 10 大实验占细胞总量 | 36.5% |
| 前 30 大实验占细胞总量 | 57.8% |
| 细胞数 < 1,000 的实验 | 97 个（25.3%） |
最大 5 个实验：
| 登录号 | 细胞数 | 物种 | 描述（节选） |
|---|---|---|---|
E-ANND-5 |
911,873 | Homo sapiens | Mapping the developing human immune system across organs |
E-GEOD-156455 |
857,347 | Drosophila melanogaster | Transcriptional programs of circuit assembly in the Drosophila… |
E-MTAB-8142 |
649,933 | Homo sapiens | Single cell RNA-seq of human breast skin cells |
E-HCAD-4 |
596,816 | Homo sapiens | Census of Immune Cells |
E-ANND-1 |
584,884 | Homo sapiens | Human Lung Cell Atlas |
三点实际含义：
第一，按"实验"抽样会严重低估大图谱的权重。 前 10 个实验只占实验数的 2.6%，却贡献了 36.5% 的细胞。等量抽实验，等于让一个 91 万细胞的图谱和一个 26 个细胞的实验平权。
第二，按"细胞"抽样会过度集中于少数几个图谱项目。 前 30 个实验占了近六成，这三十个里大部分属于 Human Cell Atlas 生态。
第三，四分之一实验的细胞数不足 1,000。 这类小实验适合方法验证、特定细胞类型的精细分析，不适合做跨实验整合。做整合分析前先用 numberOfAssays >= 10000 过滤一遍，收益通常很大。
2.3 项目归属：半数挂在 Human Cell Atlas 名下
experimentProjects 字段揭示了数据的组织来源：
| 项目 | 实验数 |
|---|---|
| Human Cell Atlas - Data Portal | 94 |
| Human Cell Atlas | 53 |
| COVID-19 | 22 |
| discovAIR | 4 |
| Malaria Cell Atlas | 2 |
| Fly Cell Atlas | 2 |
| Chan Zuckerberg Biohub | 1 |
| 无项目归属 | 其余 |
HCA 相关两个条目合计 147 个（38.3%）。这意味着：
- 想排除 HCA 生态做独立验证集，需要显式过滤
experimentProjects - 想研究"某个特定联盟的数据特征"，这个字段是最好的切片键
- 近四成实验来自同一个联盟，说明 SCEA 的收录与 HCA 的产出高度耦合
2.4 技术构成：两类根本不同的技术混在一起
| 技术 | 实验数 | 占比 |
|---|---|---|
| 10xv2 | 150 | 39.1% |
| smart-seq2 | 82 | 21.4% |
| 10xv3 | 71 | 18.5% |
| smart-like | 44 | 11.5% |
| drop-seq | 21 | 5.5% |
| 10x5prime | 20 | 5.2% |
| seq-well | 2 | 0.5% |
| 10xv1 | 1 | 0.3% |
10x 三代合计 241 个（62.8%），Smart-seq 类合计 126 个（32.8%）。
这两类技术的差别不是"版本新旧"，是测量原理不同：
| 维度 | 10x 系列（液滴法） | Smart-seq 类（板式法） |
|---|---|---|
| 通量 | 每run 数千至数万细胞 | 每板 96–384 细胞 |
| 每细胞测序深度 | 低（数千 reads） | 高（百万级 reads） |
| 基因检出数 | 少（常 1,000–3,000） | 多（常 5,000–10,000） |
| 适用 | 细胞类型普查、图谱构建 | 稀有细胞、转录本异构体、低表达基因 |
| 3′ 偏好 | 强（只测 3′ 端） | 弱（覆盖全长） |
混在一起做表达量比较会引入强烈技术偏倚。 一个基因在 Smart-seq 里检出、在 10x 里未检出，很可能不是生物学差异，而是深度差异。按 technologyType 分层是使用这个库的第一条纪律。
2.5 加载年代：2019–2021 是高峰，之后明显放缓
| 加载年份 | 实验数 |
|---|---|
| 2018 | 51 |
| 2019 | 80 |
| 2020 | 49 |
| 2021 | 103 |
| 2022 | 67 |
| 2023 | 9 |
| 2024 | 22 |
| 2025 | 2 |
| 2026 | 1 |
2021 年一年加载了 103 个，之后在 2023 年骤降到 9 个。2024 年有回升（22 个），但 2025–2026 只有 3 个。
这个走势与"要迁移到新平台"的时间线吻合：2023 年后策展投入明显转向了另一端。做数据新鲜度评估的话，这个库的内容主体是 2019–2022 年的产出。
§3 记录层：字段与接口
3.1 清单接口
curl -s -A "Mozilla/5.0" -o gxa_sc.json \
"https://www.ebi.ac.uk/gxa/sc/json/experiments"
约 190 KB，返回全部 384 条记录。注意这个端点与 bulk 版的 /gxa/json/experiments 是两套独立实现，返回结构不同（单细胞特有 experimentProjects，且无 numberOfContrasts、arrayDesigns）。
3.2 案例记录的完整字段
E-ANND-1 的清单对象：
{
"experimentAccession": "E-ANND-1",
"experimentDescription": "Human Lung Cell Atlas: An integrated cell atlas of the human lung in health and disease",
"species": "Homo sapiens",
"kingdom": "animals",
"loadDate": "04-09-2024",
"lastUpdate": "13-09-2024",
"rawExperimentType": "SINGLE_CELL_RNASEQ_MRNA_BASELINE",
"technologyType": ["10xv1", "10xv2", "10xv3", "10x5prime"],
"numberOfAssays": 584884,
"experimentalFactors": [
"organism part",
"sampling site",
"disease",
"inferred cell type - authors labels",
"inferred cell type - ontology labels"
],
"experimentProjects": ["Human Cell Atlas - Data Portal"],
"experimentType": "Baseline"
}
逐字段读法：
| 字段 | 值 | 怎么用 |
|---|---|---|
experimentAccession |
E-ANND-1 |
唯一键；E-ANND 前缀表示来自 Human Cell Atlas 的 Annotare 提交通道 |
numberOfAssays |
584,884 | 单细胞里这个数就是细胞数，不是样本数 |
technologyType |
四代 10x 并列 | 数组，不是单值。跨代整合的实验在这里就能看出来 |
experimentalFactors |
5 项 | 决定能做什么维度的分组分析 |
experimentProjects |
HCA Data Portal | 追溯数据来源联盟 |
rawExperimentType |
SINGLE_CELL_RNASEQ_MRNA_BASELINE |
单细胞目前以 baseline 为主 |
loadDate / lastUpdate |
04-09-2024 / 13-09-2024 | 格式 DD-MM-YYYY，与 bulk 版一致 |
两个容易踩的细节：
第一，numberOfAssays 在单细胞里是细胞数。 同一个字段名在两个库里语义完全不同（bulk 里是样本数）。如果写通用代码同时处理两边，这是最危险的混淆点——bulk 的 17 和单细胞的 584,884 放进同一个"样本量"列，会让统计全错。
第二，technologyType 是数组。 案例里一个实验就并列了四代 10x 技术，因为 Human Lung Cell Atlas 是整合多个研究得到的。按技术过滤时不能用等值匹配，要用"数组是否包含"。
3.3 登录号前缀是一层隐含的溯源信息
从清单里能看到多种前缀：
| 前缀 | 含义 | 典型来源 |
|---|---|---|
E-ANND- |
Annotare 提交（HCA 常用通道） | Human Cell Atlas 直投 |
E-HCAD- |
Human Cell Atlas Data Portal | HCA 生态产出 |
E-GEOD- |
GEO 序列号（GSE 转写） | 从 GEO 收录 |
E-MTAB- |
ArrayExpress 提交 | 欧洲侧直投 |
E-CURD- |
其他策展通道 | 少数 |
前缀能快速判断数据血缘：E-ANND/E-HCAD 是 HCA 生态原生数据，E-GEOD 是从 GEO 反收录的。做去重或来源分析时，这个前缀比读描述文字可靠。
§4 注释层：双轨细胞类型标签是它最独特的设计
4.1 一个数字先说明问题
| 有标签类型 | 实验数 | 占 384 |
|---|---|---|
| 有作者标签（authors labels） | 105 | 27.3% |
| 有本体标签（ontology labels） | 107 | 27.9% |
| 两套并存 | 93 | 24.2% |
| 任一种标签 | 119 | 31.0% |
| 无任何标签 | 265 | 69.0% |
近七成实验没有细胞类型标签。 这个比例不是巧合，它直接对应 §1.3 里的那条迁移规则——官方明确说"SCEA datasets without cell type labels will therefore not be migrated"。
4.2 两套标签分别是什么
这是 SCEA 最值得单独讲的设计。
| 标签类型 | 字段名 | 谁给的 | 例子（示意） |
|---|---|---|---|
| 作者标签 | inferred cell type - authors labels |
原论文作者 | " alveolar type II cell “、” AT2 " |
| 本体标签 | inferred cell type - ontology labels |
映射到 Cell Ontology 等本体 | CL:0002063（type II pneumocyte） |
为什么要保留两套？ 因为单细胞的细胞类型命名长期不统一。同一群细胞，不同论文可能叫 “AT2”、“alveolar epithelial type II”、“type II pneumocyte”，甚至同一个缩写在不同组织里指不同细胞。
保留两套，等于同时提供了原始判断与标准化归类：
- 要复现作者的细胞群划分 → 用作者标签
- 要做跨实验聚合 → 用本体标签
- 要研究"注释一致性"本身 → 两个标签的差异就是研究对象
这在方法学研究里是现成的金矿。 93 个实验、每个都有两套标签，天然构成"人工标注 vs 本体映射"的对照数据集。做自动注释算法评估时，这类数据极难自己攒。
4.3 拆开案例的注释文件：两套标签差在哪里
E-ANND-1 的 cell_metadata.tsv 有 1,918 行 × 75 列。这不是细胞级文件（细胞级信息在 cells.txt 里），而是样本-注释块级别的元数据，每一行代表一个"样本 × 注释组合"的聚合单元。
里面直接放着我们要看的两套标签：
| 字段 | 唯一值数 | 前三个典型值 |
|---|---|---|
inferred_cell_type_-_authors_labels |
57 | alveolar macrophage、alveolar epithelium 2、suprabasal |
inferred_cell_type_-_ontology_labels |
38 | respiratory basal cell、alveolar macrophage、epithelial cell of alveolus of lung |
作者给出 57 类，本体映射后压到 38 类。 也就是说，19 个细分类别在映射过程中被合并了——这正是"标准化"必然的代价：粒度换来了可比性。
4.4 本体映射的覆盖率：两个差距悬殊的数字
这一步最值得看。文件里每套标签都配了一个 _ontology 后缀列，存放映射到的 CL（Cell Ontology）ID。统计空值率：
| 标签 | 无 CL 映射的条目 | 占比 |
|---|---|---|
本体标签（inferred cell type - ontology labels） |
343 / 1,918 | 17.9% |
作者标签（inferred cell type - authors labels） |
1,347 / 1,918 | 70.2% |
作者的原始命名，七成映不到标准本体上。
这个数字说明了两件事：
第一，本体标签确实做了额外的映射工作。 它把 70.2% 映射失败的局面压到了 17.9%，这是实打实的加工，不是简单转抄。
第二，仍有 17.9% 的本体标签无 CL 映射。 一个标为"本体标签"的字段自身还有近两成没映到本体，这是标准化无法覆盖到的尾部。剩下的多是被拆分得太细的亚群，或本体里尚无对应条目。
实用结论：做跨实验聚合时必须过滤掉无 CL 映射的行。这 17.9% 没有标准化身份，放进聚合会变成一堆无法对齐的标签。
4.5 一个更狠的字段：reannotation_type
E-ANND-1 还带了一个别的实验少见的字段——对原始标注的复核结论：
reannotation_type |
条目数 | 占比 |
|---|---|---|
| correctly annotated | 788 | 41.1% |
| underannotated, correct | 553 | 28.8% |
| misannotated | 327 | 17.0% |
| underannotated, incorrect | 250 | 13.0% |
含义拆开：
- correctly annotated（41.1%）：原始注释正确，无需改动
- underannotated, correct（28.8%）：粒度不够细，但方向没错——需要拆分，不需要推翻
- misannotated（17.0%）：标错了
- underannotated, incorrect（13.0%）：既太粗又标错
合起来，30.0% 的注释被判定为"错误"（misannotated + underannotated, incorrect）。 换句话说，图谱作者在整合 14 个原始数据集时，近三成的原始细胞类型注释需要实质修正。
这是本篇最有说服力的一个数字，因为它不是外部推断，是数据生产者自己给出的复核记录。
它至少说明三件事：
- 人工细胞类型注释的错误率并不低。 三成的实质修正率，远高于很多人对"专家标注"的预期。
- 这正是双轨标签存在的理由。 如果原始注释可靠，标准化映射就够了；正因为原始注释有争议，才需要保留两套让人自己判断。
- 做监督学习时，标签噪声是不可忽略的。 把作者的原始标注当作金标准训练分类器，会把这个 30% 的错误直接学进去。
判断方法：不是所有实验都有这个字段。有则说明该实验经过了复核，可以据此评估标签质量；没有则只能默认未复核。
4.6 案例里的技术混杂：5 种平台合在一个实验
cell_metadata.tsv 的 single_cell_platform 列给出了内部构成：
| 平台 | 条目数 |
|---|---|
| 10x_3’_v2 | 1,062 |
| 10x_5’_v1 | 457 |
| 10x_3’_v3 | 278 |
| 10x_5’_v2 | 114 |
| 10x_3’_v1 | 7 |
按链方向分：
| 类型 | 条目数 | 占比 |
|---|---|---|
| 3′ | 1,347 | 70.2% |
| 5′ | 571 | 29.8% |
五套平台、两种链方向、九个 Cell Ranger 版本（cell_ranger_version 唯一值 9 个，从 1.3.1 到 4.0.0），全部合在一个实验里。
这就把 §2.4 那句"技术混杂严重"变成了具体的画面：3′ 与 5′ 的捕获偏好不同（3′ 偏向转录本末端，5′ 偏向起始端），Cell Ranger 1.3 与 4.0 的默认参数也不同。一个基因在 3′ 数据里检出、在 5′ 数据里不检出，很可能只是捕获原理差异。
这也解释了为什么这类整合图谱必须做重处理：如果各数据集保留自己的处理结果，五套平台的差异会完全混进生物学信号里。统一流程至少把"处理方法"这一层差异消掉了，但平台差异本身还在，仍需在分析时作为协变量处理。
4.7 剩余 265 个无标签实验还有用吗
有用，但要清楚它的用途边界。
没有细胞类型标签，意味着：
- 不能直接用于细胞类型分类任务
- 不能享受 FENIX 的交互式探索（官方明确要求标签）
- 但表达矩阵本身仍是完整可用的
对这几类工作，无标签实验完全够：
| 用途 | 是否需要细胞类型标签 |
|---|---|
| 聚类算法比较 | 不需要（可拿标签实验当评测集） |
| 降维方法评估 | 不需要 |
| 批次效应校正 | 不需要 |
| 细胞类型注释算法训练 | 需要（但可以用有标签的 119 个） |
| 基因调控网络推断 | 不需要（但分层更细时有用） |
换句话说：69% 的无标签实验，对无监督方法仍完全可用；对监督方法则不可用。 这个区分很重要，否则会误判这个库"大部分数据没法用"。
4.8 与 scFAIR 标准的关系
官方宣布采用 scFAIR 社区标准，并为此调整处理管线与输出：
We are adopting the scFAIR community standard to improve interoperability between single-cell data resources. As part of the scFAIR community, we are adapting our processing pipelines and outputs so that eligible SCEA datasets can be explored in FENIX Explorer.
这解释了迁移的技术前提：FENIX 要求数据符合 scFAIR schema，而 scFAIR 要求细胞类型注释。 所以"无标签不迁移"不是随意决定，是标准要求的结果。
官方还提到，符合标准后可以纳入其他资源的数据——公测版会包含 CELLxGENE 的精选数据集，未来计划扩到 Bgee。同时提供了 ASAP compliance tool 供研究者自查数据集是否符合 scFAIR。
对使用者的含义：未来的 FENIX 会是一个跨资源聚合层，SCEA 只是其中一个来源。这也意味着SCEA 的独特性会被稀释——它的数据会成为新平台的一部分。
§5 检索与取数
5.1 三条路径
| 路径 | 适用 | 说明 |
|---|---|---|
| 网站检索 | 探索、看几个基因 | 支持基因搜索 + UMAP/热图浏览 |
| 清单接口 | 筛选、统计 | /gxa/sc/json/experiments |
| FTP | 批量取矩阵与注释 | ftp.ebi.ac.uk/pub/databases/microarray/data/atlas/sc_experiments/ |
5.2 一个可用的筛选脚本
import json, urllib.request
UA = {"User-Agent": "Mozilla/5.0 (research script; contact: you@example.org)"}
def load_scea():
req = urllib.request.Request(
"https://www.ebi.ac.uk/gxa/sc/json/experiments", headers=UA)
with urllib.request.urlopen(req, timeout=60) as r:
return json.load(r)["experiments"]
def has_celltype(e):
f = e.get("experimentalFactors", [])
return ("inferred cell type - ontology labels" in f
or "inferred cell type - authors labels" in f)
def select(exps, tech=None, min_cells=10000, need_label=True, exclude_projects=()):
out = []
for e in exps:
if need_label and not has_celltype(e):
continue
if int(e.get("numberOfAssays", 0)) < min_cells:
continue
if tech and tech not in e.get("technologyType", []):
continue
projs = set(e.get("experimentProjects", []))
if projs & set(exclude_projects):
continue
out.append(e)
return out
if __name__ == "__main__":
exps = load_scea()
# 只要 10x、带细胞类型标签、去掉 HCA 生态做独立验证集
picked = select(exps, tech="10xv3", min_cells=10000,
exclude_projects=("Human Cell Atlas",
"Human Cell Atlas - Data Portal"))
print(f"{len(picked)} / {len(exps)} 入选")
for e in picked[:10]:
print(e["experimentAccession"], e["numberOfAssays"], e["species"])
exclude_projects 那个参数是为做独立验证集准备的：如果模型训练在 HCA 数据上，验证集再抽 HCA 就等于自测。
5.3 一个实验在 FTP 上是什么样子
E-ANND-1 的目录下有 12 个文件，可分为四组：
| 类别 | 文件 | 用途 |
|---|---|---|
| 表达矩阵 | *.aggregated_filtered_normalised_counts.mtx（+ .gz） |
稀疏矩阵本体（Matrix Market 格式） |
*.mtx_rows / *.mtx_cols（+ .gz） |
行名（基因）与列名（细胞） | |
*.mtx_rows.decorated |
行名附注释 | |
*.project.h5ad |
AnnData 格式，Python 生态直接读 | |
| 细胞与聚类 | *.cells.txt |
细胞清单 |
*.clusters.tsv |
聚类结果 | |
*.cell_metadata.tsv |
样本-注释块元数据（§4.3 用到的就是这个） | |
| 样本注释 | *.condensed-sdrf.tsv / *.sdrf.txt |
标准 SDRF 样本注释 |
| 溯源 | *.idf.txt、*.software.tsv、*-zoomifications-log.tsv |
原始提交信息、软件版本、本体映射日志 |
这张表回答了一个常见疑问：它给的是"能直接用的数据"还是"半成品"。 答案是前者——.h5ad 是单细胞领域的标准容器，scanpy 一行就能读：
import scanpy as sc
# 直接读 SCEA 发布的 h5ad（下载后本地读取）
adata = sc.read_h5ad("E-ANND-1.project.h5ad")
print(adata)
# 观察矩阵、细胞数、基因数、obs（细胞级注释）、var（基因注释）
.mtx 那一组是给 R/Seurat 用户的，Matrix Market 是稀疏矩阵的通用格式。两种容器同时提供，说明它照顾了两个生态。
还有两处细节值得注意：
*.software.tsv 记录了软件版本。 这是可复现性的关键——知道用了哪个版本的哪个工具，才可能在别处复现。
*-zoomifications-log.tsv 是本体映射的审计日志。 “Zoomify” 是 EBI 把自由文本映射到本体的术语，这个日志记录了每条映射是怎么做的。做注释质量研究时，这份日志比结果本身更有价值——它告诉你哪些映射是自动的、哪些是人判的。
5.4 取数时的两点注意
第一，批量下载前先看迁移公告。 官方明确"处理输出在退役后的访问安排与保留期限尚未公布"。现在取到的是能取到的全部，不能假设以后还能取到同样的东西。这条对任何依赖 SCEA 的项目都是硬约束——取数即存档。
第二，原始数据的路径是分开的。 官方原文：
The raw data for these datasets will remain available from the archives where they were deposited, under those archives’ access arrangements.
也就是说：处理结果（SCEA 产物）未来存续不确定，原始数据（ENA/GEO/ArrayExpress）长期可用。 这是两条不同的路，不要混。
§6 迁移：这是本篇最重要的部分
6.1 迁移的完整规则
把官方表述拆成可执行的判据：
| 判据 | 官方原文 | 含义 |
|---|---|---|
| 是否要迁 | “SCEA datasets without cell type labels will therefore not be migrated” | 无标签 = 不迁移 |
| 迁移顺序 | “prioritising datasets from species not currently represented in CELLxGENE, alongside some of the most frequently accessed SCEA datasets” | 非 CELLxGENE 物种优先 + 高访问量优先 |
| 部分物种延后 | “subject to necessary schema extensions for some species” | 某些物种需先扩 schema，会晚 |
| 公测内容 | “prioritised single-cell RNA-seq datasets from SCEA alongside compatible datasets available through CELLxGENE” | 公测是 SCEA + CELLxGENE 混合 |
| 空间数据 | “Spatial data exploration is planned for a subsequent release early 2027” | 2027 年初 |
| 处理输出 | “We will publish arrangements for access after retirement, including any retention limits, on this page before SCEA closes” | 保留期限未知，待公布 |
| 原始数据 | “The raw data … will remain available from the archives where they were deposited” | 原始数据不受影响 |
6.2 三类实验的命运不同
把判据套到 384 个实验上，能算出一个粗分：
| 类别 | 规模 | 前景 |
|---|---|---|
| 有标签 + 物种不在 CELLxGENE | 见下 | 最优先迁移 |
| 有标签 + 物种已在 CELLxGENE | 剩余部分 | 迁移，但优先级靠后 |
| 无标签 | 265 个 | 不迁移，仅原始数据长期可用 |
按清单统计，有标签的 119 个里，物种分布是：
| 物种 | 有标签实验数 |
|---|---|
| Homo sapiens | 57 |
| Drosophila melanogaster | 21 |
| Mus musculus | 21 |
| Arabidopsis thaliana | 9 |
| Gallus gallus | 2 |
| Anopheles gambiae | 1 |
果蝇 21 个、拟南芥 9 个、按蚊 1 个——这些正是 CELLxGENE 覆盖薄弱的物种，也就落在"优先迁移"那一档。 案例 E-ANND-1 是人肺图谱，属于"高访问量"那一档。
这条规则有一个反直觉的后果：越是冷门物种的好数据，越可能活得久。 因为它补了 CELLxGENE 的空白。
6.3 现在该做什么：三条行动建议
（一）如果你已经在用 SCEA，立刻盘点依赖。
# 给自己用到的实验做一次存续性核查
exps = load_scea()
by_acc = {e["experimentAccession"]: e for e in exps}
for acc in my_used_accessions:
e = by_acc.get(acc)
if e is None:
print(acc, "已不在清单中")
continue
print(acc, "有标签" if has_celltype(e) else "无标签（不迁移）",
e["numberOfAssays"], e["lastUpdate"])
无标签的那些，处理结果要有心理准备会失去来源。
（二）把用过的数据完整存档。
不只是矩阵，要包括：清单 JSON、实验元数据、处理产物、以及取数日期。因为 lastUpdate 会变，而旧版本不留快照。
（三）如果要做长期项目，考虑直接把底座换到更稳定的资源上。
库内已有的 cellxgene-census 是另一个选择：它是 CELLxGENE 的 Census 版本，体量更大、更新更规律，且已经是 FENIX 公测的数据来源之一。SCEA 的独特性在"双轨注释"和"非主流物种"，不在"数据量"。
6.4 迁移背后的更大图景
官方解释 FENIX 的目标：
Future phases of FENIX will improve the pathways through which functional genomics data are submitted, archived and made available for exploration. Our aim is to connect raw-data archiving, structured metadata and interactive visualisation more closely.
这是一个野心不小的整合计划：把"原始存档 → 结构化元数据 → 交互可视化"三段打通。
对使用者的实际含义有三层：
- 短期（现在到 2026-11）：SCEA 照常可用，但不要新建长期依赖
- 中期（2026-11 到退役）：两套并存，需要跟踪哪些实验已完成迁移
- 长期（退役后）：FENIX 成为统一入口，SCEA 成为它的一部分来源
这也是一个值得注意的趋势：生物数据基础设施正在从"一个个独立数据库"走向"统一索引 + 多来源聚合"。SCEA 的退役不是失败，是这类整合的代价。
6.5 对三类实际工作的不同影响
迁移对不同使用场景的冲击差别很大，值得分开算：
| 使用场景 | 冲击程度 | 原因 | 应对 |
|---|---|---|---|
| 教学与探索（看几个基因、演示 UMAP） | 低 | FENIX 的交互界面功能更强（Vitessce 驱动、四视图） | 直接等 FENIX |
| 论文复现实验（用 SCEA 产物算了结果） | 高 | 处理输出存续未定，且无版本快照 | 立刻存档全部用过的文件 |
| 生产管线（把 SCEA 当固定输入源） | 很高 | 数据源会消失，且消失时间未定 | 换底座到 CELLxGENE Census，或自建镜像 |
第二、三类是真正需要行动的人。第一类几乎不受影响——新平台的交互能力反而更强。
对第三类还有一层隐性成本：换源意味着重跑全流程。不同来源的处理口径不同（SCEA 一套流程，CELLxGENE 另一套），表达量数值会变，模型要重训。这个成本应该现在就计入项目计划，而不是等平台关站时才发现。
6.6 一个判断：哪些实验值得优先抢救
按 §6.2 的判据，可以排出一个优先级：
| 优先级 | 判据 | 理由 |
|---|---|---|
| 最高 | 无细胞类型标签 + 细胞数大 | 不在迁移范围，且体量大，损失最重 |
| 高 | 无标签 + 有独特物种或组织 | 无迁移，且替代品难找 |
| 中 | 有标签 + 物种已在 CELLxGENE | 会迁移，但 CELLxGENE 已有类似数据 |
| 低 | 小规模 + 有标签 + 常见物种 | 迁移后会保留，风险最小 |
按清单统计，落在"最高"这一档的典型是 E-MTAB-7407（317,788 细胞，人胎肝/皮肤/肾）、E-MTAB-10283（302,844 细胞，子宫内膜类器官）、E-GEOD-180759（194,181 细胞，慢性活动性多发性硬化）——都是十万级细胞量、而清单里没有细胞类型标签字段。
如果你在用这类数据，现在就该下载。 它们不会出现在 FENIX 里。
还有一个更隐蔽的风险：清单里的 experimentalFactors 字段并不总是完整反映文件内容。 E-ANND-1 的清单只列了 5 个因素，但它的 cell_metadata.tsv 有 75 列，包含性别、种族、吸烟状态、BMI、年龄、Cell Ranger 版本等大量字段。判断一个实验"有没有注释"应以清单为准（那是迁移判据），但判断"能做什么分析"必须看文件实际列。 这两个口径不一致，是迁移风险评估里最容易出错的地方。
§7 质量评估与局限性
7.0 阅读本节前需要知道的一件事
评价 SCEA 时，最容易的框架错位是：用一个"长期稳定数据库"的标准要求它。
如果按长期基础设施看，它现在有明显问题：正在退役、69% 数据不迁移、处理输出保留期限未定。
但换个角度：一个主动公告退役计划、逐条说明哪些数据会迁哪些不会、并把原始数据与处理结果分开交代的资源，比一个悄悄关站的要可靠得多。 评价它应该同时看两点：当下的数据质量，与过渡期的信息透明度。
还有一个容易被忽略的维度：它为何存在的那个理由，是否已经消失。 如果存在理由仍然成立，退役就是损失；如果理由已被别人接走，退役只是交接。§8.3 会专门回答这个问题。下面先按"当下质量 + 过渡透明"评估。
7.1 优点一：双轨细胞类型注释，方法学研究的现成对照
93 个实验同时有作者标签与本体标签（§4.2）。这在单细胞方法学评估里价值很高——人工标注与本体映射的差异，正是自动注释算法要学习的对象。
自己攒这样的对照数据，需要找论文原文、解析补充材料、映射本体，工作量以人月计。
7.2 优点二：统一重处理，跨实验可比
与 bulk 版同源的方法论（§4）。对单细胞而言可比性更难得，因为单细胞的批次效应比 bulk 严重得多，各家处理流程差异也更大。
7.3 优点三：迁移信息透明
官方给了明确的时间（2026-11 公测）、明确的判据（无标签不迁）、明确的优先序（非 CELLxGENE 物种 + 高访问量），并且承诺"退役前在本页公布处理输出的访问安排"。
对一个将要退役的资源，这种透明度本身就是质量的一部分。 它让使用者可以做出有依据的规划，而不是被动等待。
7.4 优点四：非主流物种的覆盖
22 个物种里有果蝇、斑马鱼、拟南芥、按蚊、鸡。这些正是主流单细胞资源覆盖薄弱的区域，也是它们会被优先迁移的原因。
7.5 局限性一：69% 的数据不在迁移范围
这是最硬的一条。265 个实验的处理结果，在 SCEA 退役后没有官方承诺的获取渠道。
官方只承诺了两件事：原始数据回存档库取；处理输出的安排"将在关闭前公布"。后者是一个未兑现的承诺，不是一个保障。
7.6 局限性二：技术混杂严重
§2.4 的表说明问题：10x 三代 + 5prime + Smart-seq2 + smart-like + Drop-seq + Seq-Well，共 8 类技术。其中液滴法与板式法的测量原理根本不同。
跨技术直接比较表达量会出错。这条在 bulk 版里也存在，但在单细胞里更严重——因为单细胞的基因检出率对测序深度极度敏感。
7.7 局限性三：细胞数分布极端不均
前 10 个实验占 36.5% 的细胞量，同时有 97 个实验的细胞数不足 1,000（§2.2）。这个库不能当作一个均质的"细胞池"来抽样。
7.8 局限性四：无版本快照，且这次是整站级的不确定
单篇内的刷新问题与 bulk 版一致（lastUpdate 变化不留旧版）。但这里的风险更大一层：不是单条记录刷新，而是整个平台会消失。
7.9 DAIMS 24 项数据就绪度评估
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 数据集目的明确 | ✅ | About 页明示：跨物种单细胞表达 |
| 2 | 数据来源可溯 | ✅ | 登录号前缀可判来源；experimentProjects 标注联盟 |
| 3 | 采集方法说明 | ✅ | 与 bulk 版共用处理管线文档 |
| 4 | 标注者信息 | ⚠️ | 说明由团队策展，不披露具体人员 |
| 5 | 标注一致性 | ✅ | 统一流程 + 双轨标签 + 本体映射 |
| 6 | 版本控制 | ❌ | 无版本号，且平台级退役使版本连续性中断 |
| 7 | 许可明确 | ✅ | CC BY 4.0，与 bulk 版一致 |
| 8 | 访问方式 | ✅ | 网站 + JSON 清单 + FTP |
| 9 | 数据格式规范 | ✅ | 与 bulk 版一致的 TSV 体系 |
| 10 | 机器可读 | ✅ | 公开 JSON 清单端点 |
| 11 | 术语标准化 | ✅ | 细胞类型映射到 Cell Ontology 等本体 |
| 12 | 缺失值处理 | ⚠️ | 未检出基因的处理方式未集中说明 |
| 13 | 样本量披露 | ✅ | numberOfAssays 即细胞数，精确可查 |
| 14 | 偏倚说明 | ⚠️ | 未系统讨论技术混杂与 HCA 占比偏高 |
| 15 | 局限性声明 | ⚠️ | 无集中式局限说明，散见 FAQ |
| 16 | 伦理声明 | ⚠️ | 依赖原始研究伦理审查 |
| 17 | 隐私保护 | ✅ | 仅公开已发表数据 |
| 18 | 使用建议 | ✅ | 有 Help、FAQ、教程 |
| 19 | 引用规范 | ✅ | 与 bulk 版同一 NAR 文献 |
| 20 | 维护承诺 | ❌ | 官方已公告退役，长期维护承诺不成立 |
| 21 | 社区治理 | ⚠️ | 有 helpdesk 与 GitHub，无公开治理 |
| 22 | 错误报告机制 | ✅ | helpdesk + GitHub issue |
| 23 | 下游兼容 | ✅ | 采用 scFAIR 标准，可与 CELLxGENE 等互通 |
| 24 | 可复现性 | ❌ | 无版本快照，且退役后处理输出存续未知 |
评估总结：24 项中 12 项满足、9 项部分满足、3 项不满足（版本控制、维护承诺、可复现性）。
三项不满足全部指向同一个根源：这是一个正在退役的资源。 就数据本身而言，它的文档化程度与 bulk 版相当，甚至更好（双轨标签、scFAIR 合规）；但"维护承诺"与"可复现性"这两项，在退役计划面前无法给分。
这是本轮评估第一次出现"数据质量合格但生命周期不合格"的情况。 评价框架里必须承认这种组合是可能的，不能因为"要退役"就否定数据本身，也不能因为"数据好"就忽略退役。
7.10 外部验证矩阵
| 验证维度 | 外部依据 | 结论 |
|---|---|---|
| 机构权威 | EMBL-EBI，欧洲生物信息学核心机构 | ✅ |
| 学术记录 | 与 bulk 版共用 2025-12-10 NAR 数据库专文 | ✅ |
| 标准合规 | 采用 scFAIR，可与 CELLxGENE / Bgee 互通 | ✅ |
| 领域采纳 | Human Cell Atlas 生态的主要重处理出口（HCA 相关占 38.3%） | ✅ |
| 独立性 | EBI 独立于原始作者重算 | ✅ |
| 生命周期 | 官方公告迁往 FENIX Explorer，SCEA 将退役 | ❌ 明确的终止时间表 |
| 过渡透明度 | 判据、优先序、时间点均公开，承诺关闭前公布保留安排 | ✅ |
最后两行必须并列看：生命周期终止是事实，过渡透明也是事实。 两者同时成立。
§8 版本与生态
8.1 时间线
| 时间 | 事件 |
|---|---|
| 2018 | 最早一批实验加载 |
| 2021 | 加载高峰（103 个实验） |
| 2023 | 加载降至 9 个，投入开始转向 |
| 2024-09 | 案例实验 E-ANND-1 加载 |
| 2025-12-10 | 与 bulk 版共用的 NAR 数据库专文发表 |
| 2026-10 | 页面已挂迁移公告；清单 384 个实验 |
| 2026-11 | FENIX Explorer 公测 |
| 2027 年初 | 计划支持空间数据探索 |
| 待公布 | SCEA 退役时间 |
8.2 为什么它存在过：一个具体的重复劳动
单细胞数据处理成本远高于 bulk。一个实验：原始 FASTQ 几十到几百 GB，比对加定量要数小时到数天，跑完还要聚类、注释。如果 384 个实验各做一遍，是巨大的重复劳动。
SCEA 的解法与 bulk 版一致：由中心机构做一次，所有人共享结果。
但单细胞多了一层复杂度：细胞类型的命名与判定主观性更强。 §4.5 那个 30% 的复核修正率就是证据——连原始作者之间都未必一致。这就是为什么它要做双轨标签：不是做不到统一，而是统一本身有争议，索性两套都给。
8.3 为什么它没能继续存在下去
这是一个必须诚实回答的问题，因为 SCEA 确实在退役。官方没有解释原因，但公开信息里能读出三条线索。
第一，单细胞数据的增长彻底超出了人工策展的产能。
| 年份 | 加载实验数 |
|---|---|
| 2021 | 103 |
| 2022 | 67 |
| 2023 | 9 |
| 2024 | 22 |
| 2025 | 2 |
| 2026 | 1 |
2025–2026 两年合计只加载了 3 个实验。这不是"放缓"，是事实上的停止。 人工策展的能力上限摆在那里，而公共单细胞数据的产出是它的百倍量级。这个缺口无法靠加人补上。
第二，生态位被更上层的聚合层占走了。
CELLxGENE 已经提供了大规模、更新规律的单细胞数据聚合，且它直接对接上游提交而不是人工逐条策展——产能模型不同，可扩展性不同。SCEA 剩下的优势只有两点：双轨注释、非主流物种。这两点不足以支撑一个独立平台的运营成本。
第三，标准统一之后，独立平台的必要性下降了。
官方采纳 scFAIR 是一个信号：当数据本身可以按统一 schema 在平台间流动时，平台的价值从"我存了什么"变成"我能连到什么"。FENIX Explorer 就是这个逻辑的产物——它不止收 SCEA 的数据，还收 CELLxGENE 的、未来收 Bgee 的。
所以 SCEA 的退役不是失败，是它所处的那一层被更上面的整合取代了。 这与 §7.0 的判断一致：它的数据质量合格，但产品形态过时了。
这个案例值得记住，因为它揭示了生物数据基础设施的一条规律："统一重处理"曾经是稀缺能力，现在是基础设施的标配功能。 一旦它变成标配，独立平台的存在理由就只剩下数据本身——而数据是可以迁移的。
8.4 在生态中的位置与被替代关系
原始数据（ENA / GEO / ArrayExpress）
↓ 人工策展 + 统一重处理
【Single Cell Expression Atlas】 ← 本条目（正在退役）
↓
老界面：SCEA 自带可视化
新界面：FENIX Explorer（2026-11 公测）← 替代者
↑
同时聚合 CELLxGENE、Bgee 等来源
关键变化在于箭头的方向：SCEA 曾是数据的终点（你在这里看、在这里下），未来 SCEA 只是 FENIX 的一个数据来源。
8.5 与库内五条相邻条目的边界
库内已有五条相关条目，边界必须说清：
| 条目 | 关系 | 一句话边界 |
|---|---|---|
expression-atlas（rid 1367） |
同一机构的 bulk 版 | 基因级、样本级；本篇是细胞级 |
human-cell-atlas(rid 319) |
上游数据来源联盟 | HCA 是数据生产方，SCEA 是加工方；HCA 相关占本篇 38.3% |
cellxgene / cellxgene-census |
平级替代者 | CELLxGENE 体量更大、更新更规律，且是 FENIX 公测的另一个来源 |
single-cell-portal(rid 359) |
门户层 | 提供浏览与轻量分析，本篇提供可下载的成对注释 |
inflammation-cell-atlas(rid 1189) |
特定主题 | 单一主题的深度图谱；本篇是通用收录 |
一句话判断规则：
要公开数据的权威聚合与大规模 → CELLxGENE；
要带双轨细胞类型标签的成对注释 → SCEA（但要尽快存档）；
要原始合作方门户与可视化 → Single Cell Portal / HCA；
要基因级、跨实验可比的 bulk 表达 → Expression Atlas。
§9 使用指引
9.1 三种角色的路径
| 你是 | 建议路径 |
|---|---|
| 单细胞分析者 | 清单筛带标签实验 → FTP 取矩阵与注释 → 按技术分层做整合 |
| 方法学研究者 | 取 93 个双轨标签实验，做"作者标签 vs 本体标签"一致性研究 |
| 数据工程师 | 先盘点迁移风险 → 全量存档 → 长期项目改用 CELLxGENE |
9.2 一个含存续性检查的筛选流程
1. 拉清单（/gxa/sc/json/experiments）
2. 检查有无细胞类型标签
└ 无标签 → 可用但不迁移，只适合无监督方法
3. 按技术分层（technologyType 是数组，用"包含"判断）
└ 10x 与 Smart-seq 不要混在一个批次
4. 按细胞数过滤（numberOfAssays >= 10000 是个好起点）
5. 视需要排除 HCA 项目（做独立验证集时）
6. 取数后立即存档
└ 记录取数日期与 lastUpdate
7. 跟踪迁移状态
└ 2026-11 后每季度核对一次，看目标实验是否已迁
第 2 步与第 7 步是本篇特有的：其他库的筛选流程里没有"存续性"这一环。
9.3 许可合规检查清单
| # | 检查项 | 说明 |
|---|---|---|
| 1 | 是否署名 | CC BY 4.0 要求署名 |
| 2 | 引用哪篇 | 与 bulk 版同一 NAR 文献（2025-12-10） |
| 3 | 是否商用 | 允许 |
| 4 | 是否修改 | 允许，须标明修改 |
| 5 | 原始数据 | 回 ENA/GEO 取，适用其各自条款 |
| 6 | 未来可得性 | 无承诺，处理输出保留期限待公布 |
9.4 在 AI 数据准备五段流程中的位置
| 阶段 | SCEA 的作用 |
|---|---|
| 1 采集 | 部分作用：省去从原始库挑料的环节 |
| 2 归一 | 主要作用：计数矩阵已生成 |
| 3 质检 | 部分作用：有质控产物，无统一评级 |
| 4 标注 | 主要作用：双轨细胞类型标签，这是最独特的一环 |
| 5 训练 | 不涉及 |
集中在第 2、4 段，与 bulk 版相同。但第 4 段的贡献比 bulk 版更独特——bulk 的注释是样本级的，单细胞的注释是细胞级的且自带两套口径。
9.5 常见误区与纠正
| 常见做法 | 问题 | 正确做法 |
|---|---|---|
把 numberOfAssays 当样本数 |
单细胞里它是细胞数 | 与 bulk 版分开处理 |
| 用等值匹配筛技术 | technologyType 是数组 |
用"包含"判断 |
| 把无标签实验用于监督学习 | 69% 无标签 | 只用 119 个有标签的 |
| 假设数据长期可取 | 平台在退役 | 取数即存档 |
拿整合图谱的 authors labels 当原始标注 |
已是二次统一的结果 | 看描述有无 integrated/atlas |
| 把液滴法与板式法混在一个批次 | 测序深度与检出率根本不同 | 按技术分层 |
| 以为退役后什么都没有 | 原始数据长期可用 | 处理结果存续未知，原始数据有保障 |
§10 AI 使用声明
| 项目 | 声明 |
|---|---|
| 数据性质 | 单细胞重处理产物：细胞×基因计数矩阵 + 双轨细胞类型注释 |
| 可否直接用于训练 | 可以（有标签的 119 个实验） |
| 建议用途 | 细胞类型注释方法评估（93 个双轨对照）、聚类/降维评测、非主流物种研究 |
| 不建议用途 | 长期生产依赖；空间分析（2027 年前不支持）；把无标签实验当监督数据 |
| 伦理注意 | 仅含已发表公开数据；样本元数据含年龄、性别、疾病 |
| 引用要求 | 引用 NAR 文献（2025-12-10），标注取数日期与 lastUpdate |
| 存续风险提示 | 平台 2026-11 起公测迁移，退役时间未定；处理输出保留期限未公布 |
| 页面状态 | published |
常见误读（避坑清单）
| 常见说法 | 实际情况 | 证据 |
|---|---|---|
| “SCEA 是一个稳定的长期数据库” | 官方已公告迁往 FENIX Explorer，SCEA 将退役 | 站内顶部橙色警告条 + About 页 |
| “退役后所有数据都会迁过去” | 只有带细胞类型标签的迁移，占比 31.0% | “datasets without cell type labels will not be migrated” |
| “384 个实验都能用于细胞类型分类” | 仅 119 个（31.0%）有标签 | 清单 experimentalFactors 统计 |
“numberOfAssays 是样本数” |
在单细胞里是细胞数（如 584,884） | E-ANND-1 记录 |
| “技术类型是单值” | 是数组，E-ANND-1 并列四代 10x |
"technologyType": ["10xv1","10xv2","10xv3","10x5prime"] |
| “作者标签就是原始论文的标注” | 整合图谱里已被图谱作者统一过 | 描述含 integrated / atlas |
| “10x 与 Smart-seq 可以混着比” | 测序深度与基因检出率差一个量级 | §2.4 技术对比表 |
| “细胞数总量大，可以均匀抽样” | 前 10 个实验占 36.5% 细胞量 | §2.2 分布统计 |
| “退役后原始数据也会没有” | 原始数据回 ENA/GEO，长期可用 | “raw data will remain available from the archives” |
| “处理输出退役后还能下载” | 保留安排尚未公布 | “We will publish arrangements … before SCEA closes” |
FAQ
Q1：SCEA 和 Expression Atlas 是什么关系？
同一机构（EMBL-EBI 功能基因组团队）的两个独立产品。SCEA 是单细胞的，站点在 /gxa/sc，接口与编号体系都独立。
Q2：它真的会关掉吗？
官方公告明确会退役，但退役时间未公布（“will be announced in advance on this page”）。公测时间是 2026 年 11 月。
Q3：哪些实验会迁到 FENIX？
带细胞类型标签的，且优先迁 CELLxGENE 尚未覆盖的物种与高访问量实验。按清单统计，有标签的是 119 个（31.0%）。
Q4：无标签的 265 个实验就废了？
处理结果在退役后存续未知，但原始数据长期可用（回 ENA/GEO/ArrayExpress）。另外，无标签实验对无监督方法（聚类、降维、批次校正）仍然可用。
Q5：能不能现在就把要用的数据全下下来？
可以，也建议这么做。注意连同清单 JSON 与 lastUpdate 一起存，因为旧版本不留快照。
Q6：两套细胞类型标签冲突怎么办？
自己定规则。一般建议：做跨实验聚合用本体标签（标准统一），复现原作者细胞群划分用作者标签。
Q7：10x 和 Smart-seq 能合并吗？
技术上可以，统计上要分层。两者的基因检出率差一个量级，混在一起会把"技术差异"读成"生物学差异"。
Q8：有 API 吗？
有一个公开的清单 JSON 端点，没有查询型 API。单实验数据走 FTP 或网站下载。
Q9：细胞数最多的实验是哪个？
E-ANND-5，911,873 个细胞（发育中的人免疫系统跨器官图谱）。
Q10：为什么这个库只有 22 个物种，bulk 版有 67 个？
单细胞实验集中在少数模式生物与人类。22 个已是相当广的覆盖，且其中果蝇、拟南芥、按蚊等正是 CELLxGENE 的空白区。
Q11：FENIX Explorer 现在能用了？
还不能，计划 2026 年 11 月公测。官方提供 beta 意向登记表。
Q12：空间转录组什么时候有？
官方说 2027 年初的后续版本。
术语表
| 术语 | 含义 |
|---|---|
| SCEA | Single Cell Expression Atlas，本文条目 |
| FENIX | Functional Genomics Index，EBI 的统一功能基因组学平台 |
| FENIX Explorer | FENIX 的第一个公开组件，将替代 SCEA 的探索界面 |
| scFAIR | 单细胞数据的 FAIR 社区标准，FENIX 采纳 |
| CELLxGENE | CZI 的单细胞数据聚合平台，FENIX 公测的另一数据来源 |
| Bgee | 基因表达数据库，FENIX 计划纳入 |
| assay | 单细胞里指一个细胞（或一个液滴） |
| authors labels | 原论文作者（或图谱作者）给出的细胞类型命名 |
| ontology labels | 映射到 Cell Ontology 等本体的细胞类型标签 |
| 10x 系列 | 液滴法高通量单细胞技术，含 v1/v2/v3/5prime |
| Smart-seq | 板式法低通量深测序技术 |
| UMAP | 常用的降维可视化方法 |
| Vitessce | FENIX Explorer 使用的交互式可视化框架 |
| ASAP | 用于检查数据集是否符合 scFAIR schema 的工具 |
| Annotare | EMBL-EBI 的数据提交工具，E-ANND 前缀来源 |
| HCA | Human Cell Atlas，人类细胞图谱计划 |
| DAIMS | 数据集文档化框架，本文用于评估 |
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| 名称 | Single Cell Expression Atlas |
| 缩写 | SCEA |
| 维护机构 | EMBL-EBI 功能基因组团队 |
| 地址 | https://www.ebi.ac.uk/gxa/sc |
| 清单接口 | https://www.ebi.ac.uk/gxa/sc/json/experiments |
| 实验数 | 384 |
| 细胞总数 | 15,370,362 |
| 物种数 | 22 |
| 有标签实验 | 119（31.0%） |
| 双轨标签实验 | 93（24.2%） |
| HCA 相关实验 | 147（38.3%） |
| 许可 | CC BY 4.0 |
| 平台状态 | 迁往 FENIX Explorer，2026-11 公测，SCEA 将退役 |
| 空间数据 | 计划 2027 年初 |
附录 B：技术类型分布
| 技术 | 实验数 | 占比 | 类别 |
|---|---|---|---|
| 10xv2 | 150 | 39.1% | 液滴法 |
| smart-seq2 | 82 | 21.4% | 板式法 |
| 10xv3 | 71 | 18.5% | 液滴法 |
| smart-like | 44 | 11.5% | 板式法 |
| drop-seq | 21 | 5.5% | 液滴法 |
| 10x5prime | 20 | 5.2% | 液滴法 |
| seq-well | 2 | 0.5% | 板式法 |
| 10xv1 | 1 | 0.3% | 液滴法 |
附录 C：迁移判据速查
| 判据 | 规则 | 受影响的实验数 |
|---|---|---|
| 有细胞类型标签 | 迁移 | 119 |
| 无细胞类型标签 | 不迁移 | 265 |
| 物种不在 CELLxGENE | 优先迁移 | 果蝇 21、拟南芥 9、按蚊 1 等 |
| 访问量高 | 优先迁移 | 官方未公布排序依据 |
| 需扩 schema 的物种 | 延后 | 官方未列明具体物种 |
| 空间数据 | 2027 年初支持 | 当前无 |
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：
- 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
- cellxgene-census — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- adrenal-gland-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- expression-atlas-legacy — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- expression-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- kpmp — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- inflammation-cell-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
- nmsc-spatial-atlas — 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。
