Tabula Sapiens — 人体单细胞跨组织细胞图谱 AI-Ready Wikipedia

覆盖 28 个器官、110 万细胞的人体单细胞转录组参考图谱

来源 Chan Zuckerberg Biohub（Tabula Sapiens Consortium） url: https://tabula-sapiens.sf.czbiohub.org/发布时间: 2026-09-13最后更新: 2026-09-25 阅读 51
Tabula Sapiens — 人体单细胞跨组织细胞图谱 AI-Ready Wikipedia

信息速览

数据集名称Tabula Sapiens — 人体单细胞跨组织细胞图谱 AI-Ready Wikipedia
数据类型约 14.44GB H5AD 压缩包（v1）,483,152 个细胞（v1）/110 万+（v2）,24 名正常供体（v2）,28 个器官/组织（v2）,CC BY 4.0 开放获取
规模24 名正常人体供体（v1 15 名 + v2 新增 9 名）
接入方式Chan Zuckerberg Biohub（Tabula Sapiens Consortium） url: https://tabula-sapiens.sf.czbiohub.org/
AI 就绪度

数据集封面

Tabula Sapiens — 人体单细胞跨组织细胞图谱 AI-Ready Wikipedia

INFOBOX
数据集名称 Tabula Sapiens
英文全称 Tabula Sapiens: A multiple-organ, single-cell transcriptomic atlas of humans
别名/简称 Tabula Sapiens v1.0、Tabula Sapiens 2.0（v2）、TS
疾病分类 健康成人正常组织参考（非疾病数据集；供体经器官获取网络筛查无重大疾病，下游研究覆盖呼吸 CA22/CA4Z、循环 CB4Z、消化 13 章等多系统疾病对照，详见 §2.2）
SNOMED CT 160245001 No current problems or disability（供体状态）/ 39607008 Lung structure / 80248007 Heart structure / 64033007 Kidney structure（详见 §2.2）
数据模态 单细胞 RNA 测序（10x Genomics droplet + SMART-seq2 plate）、16S rRNA 扩增子（肠道微生物组子集）
AI 任务类型 细胞类型注释与标签迁移、批次整合、跨组织比较、细胞构成去卷积、单细胞基础模型预训练/微调、RNA 剪接分析
样本总数 483,152 个细胞（v1，QC 后）/ 1.1M+ 个细胞（v2）；15 名供体（v1）→ 24 名供体（v2）；59 个 specimens（v1）
数据大小 v1 整包约 14.44 GB（H5AD ZIP）；按器官单文件 156 MB–3.8 GB；原始 fastq 托管于 AWS Open Data
数据格式 H5AD（AnnData）/ fastq / 基因计数矩阵（10x MTX、SMART-seq2 计数表）/ xlsx 元数据
许可证 CC BY 4.0（处理后数据）；原始 fastq 需签署 Data Use Agreement
访问级别 开放（处理后数据直接下载）+ 申请审核（原始 fastq）
DUO 标签 NRES, GRU
语言 英文
首发日期 2021-04-01（figshare v1.0 首次上线）/ 2022-05-13（Science 论文发表）
最后更新 2024-12-06（figshare v2 发布）；v2 论文 2026 年正式发表于 Cell
发布机构 Chan Zuckerberg Biohub（Tabula Sapiens Consortium）
官方主页 https://tabula-sapiens.sf.czbiohub.org/
下载地址 https://figshare.com/projects/Tabula_Sapiens/100973
DOI 10.1126/science.abl4896（v1 论文）/ 10.6084/m9.figshare.14267219（v1 数据）/ 10.6084/m9.figshare.27921984（v2 数据）
引用次数 1,100+（Google Scholar，截至 2026-09）
AI 就绪度评分 ⭐⭐⭐⭐（4/5）— 处理后 H5AD 开箱即用、含 scVI 整合 embedding/UMAP/专家注释、CELLxGENE 生态成熟；扣分项：无官方 train/test 划分、plate/droplet 双通道需自行协调、原始 fastq 受 DUA 限制
页面状态 published

§0 E-E-A-T 信任声明与免责声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（ICD-11 与 SNOMED CT 映射、正常组织参考概念、供体人群特征、临床任务定义、金标准描述）、§7 偏倚分析。

数据工程审核者：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。Tabula Sapiens 处理后数据以 CC BY 4.0 许可开放；原始 fastq 数据为受控访问，需提交申请签署 Data Use Agreement 且不得转交第三方；再分发数据须附完整数据使用政策文本。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 30 秒速览

这是什么？ Tabula Sapiens 是一张用单细胞 RNA 测序绘制的"人体细胞身份证总册"：研究团队与器官获取组织合作，从同一批供体身上同时取得多达 20 多种器官，把每个器官的活细胞逐个测序。v1 版本测了 15 名正常供体的 24 种组织、483,152 个细胞，定义了 475 种细胞类型；v2 版本扩到 24 名供体、28 个器官、超过 110 万个细胞。

为什么重要？ 在它之前，多数细胞图谱来自不同供体、不同地点、不同协议的拼盘，“肺的细胞和肠的细胞长得不一样"到底是器官差异还是供体差异说不清。Tabula Sapiens 把同一供体的多器官放进同一个"实验底盘”，第一次让大家能在控制遗传背景、年龄与环境的前提下做跨组织比较——T 细胞克隆在器官间共享、B 细胞突变率因组织而异、同一段基因在不同细胞里剪接方式不同，都是这张图谱第一次系统揭示的。

我能用它做什么？ 把它当作"参照字典"：给你的疾病样本、类器官或新测序数据中的每个细胞查身份（细胞类型注释/标签迁移）；测试你的批次校正算法好不好；把它当预训练语料喂给单细胞基础模型；或者研究剪接、免疫组库这些"附加题"。注意：它只含正常供体，不适合直接做疾病诊断。

§1.1 摘要

Tabula Sapiens 由 Chan Zuckerberg Biohub 协调、Tabula Sapiens Consortium（含 Stephen R. Quake、Angela Oliveira Pisco、Julia Salzman、Nir Yosef 等共同负责人）生产，与北加州非营利器官获取组织 Donor Network West 合作取材，实现同一供体多器官当日采集与处理（v1 共 59 个 specimens）。测序采用双通道混合策略：10x Genomics 3’ droplet 通道追求广度（每器官目标 10,000 个细胞），SMART-seq2 plate 通道追求深度（每器官目标 1,000 个细胞），在 Illumina NovaSeq 6000 上完成。比对与定量分别使用 CellRanger 与 STAR+HTSEQ（GRCh38/GENCODE 参考序列），环境 RNA 用 DecontX 校正，批次效应用 scVI 整合降维。细胞注释由各组织领域专家按细胞本体（Cell Ontology）术语统一执行，并用 PopV 共识工具做自动交叉验证（Science 376, eabl4896）。v2 版本新增 9 名供体与 4 种组织，规模翻倍至 110 万+ 细胞，并系统分析了 890 个细胞类型特异性转录因子与衰老相关程序（Cell, 2026）。数据以 H5AD 格式在 figshare 与 CZ CELLxGENE Discover 开放（CC BY 4.0）。

§1.2 战略价值分析

方法学范式维度：Tabula Sapiens 确立了"同一供体 × 多器官 × 双通道"的图谱设计范式。同一供体设计天然控制了遗传背景、年龄、环境暴露与表观遗传效应，使跨组织比较从"关联"升级为"受控对比"；plate+droplet 双通道则同时覆盖了注释深度（SMART-seq2 全长转录本）与细胞通量（10x），成为后来大规模人体图谱（含 Human Cell Atlas 相关项目）反复引用的设计模板。对方法开发者而言，它还是最常用的"整合算法试金石"之一——plate 与 droplet 深度差约一个数量级的通道差异，是检验 scVI/Scanorama/PopV 这类工具真实成色的天然压力测试。

AI 基础设施维度：作为 CC BY 4.0 开放、经专家注释并带 PopV 一致性评分的百万级标注语料，Tabula Sapiens 已成为单细胞 AI 的公共基础设施：细胞类型注释模型（如 PopV、CellTypist 类工作）把它当参考集；标签迁移工作流（scanpy、scArches）把它当标准底座；单细胞基础模型（scGPT、Geneformer 等）的研究者也用它做微调与零样本评估。其 figshare v1 页面记录了超过 57,000 次下载（截至 2026-09 检索），原始论文 Google Scholar 引用超过 1,100 次（截至 2026-09），生态活跃度在同代图谱中位居前列。

§1.3 同类数据集横向对比

数据集 物种/规模 组织覆盖 通道/模态 标注 与 Tabula Sapiens 的差异化
Tabula Sapiens v2 人，1.1M+ 细胞 / 24 供体 28 个器官 10x droplet + SMART-seq2 plate + 16S 专家 + PopV 共识 同一供体多器官受控比较；含剪接与微生物组附件
Tabula Muris（2018） 小鼠，~100,000 细胞 / 20 器官 20 个器官 10x + SMART-seq2 专家 Tabula Sapiens 的前驱方法学验证（小鼠版）
Human Cell Atlas 各项目 人，多项目汇总 全身（持续扩充） 多平台 项目自定 覆盖广但供体/协议异质性高；TS 提供同供体受控子集
CZ CELLxGENE Discover 集合 人，数千万细胞汇总 全身 多平台 各来源自带 聚合门户；TS 是其中标准化程度最高的旗舰集合之一
Human Lung Cell Atlas（HLCA） 人，~2.4M 细胞 肺及气道 多平台 专家 + 映射 单器官深潜 vs TS 全器官广覆盖
Gelatin/Census 类汇总基准 人+小鼠，亿级 全身 多平台 继承来源 面向基础模型的超大规模语料；TS 提供其中高质量受控子集

对比解读：如果你的任务是"给新数据注释细胞类型"，TS 的优势在于标签由领域专家经本体正则化并附带 PopV 一致性评分，噪声水平有据可查；如果你的任务是"验证批次校正算法"，TS 的 plate/droplet 双通道提供了多数数据集不具备的强通道结构；如果你的任务需要疾病状态，请改用疾病队列数据集并把 TS 仅作为正常对照臂——这是它与各类疾病图谱最本质的分工差异。

§1.4 版本时间轴

版本 关键日期 规模 载体与引用要求
v1.0（预印本） 2021-07-19 ~500,000 细胞 / 24 组织 / 15 供体 bioRxiv 2021.07.19.452956
v1.0（figshare 首发在线） 2021-04-01 同上（figshare release 1.0，此后迭代至 v5 版本记录） figshare DOI 10.6084/m9.figshare.14267219
v1.0（正式发表） 2022-05-13 483,152 QC 细胞 / 475 细胞类型 Science 376(6594), eabl4896
v2（预印本） 2024 1.1M+ 细胞 / 28 器官 / 24 供体 bioRxiv（2024）；官方数据政策要求 v2 数据引用该预印本
v2（figshare 发布） 2024-12-06 同上 figshare DOI 10.6084/m9.figshare.27921984
v2（正式发表） 2026 同上 Cell：“Tabula Sapiens 2.0”

§1.5 典型应用场景

  1. 细胞类型注释与标签迁移：把新测序的组织/疾病样本映射到 475 种参考细胞类型上（scanpy ingest、scArches、PopV 均提供现成工作流）。
  2. 批次整合算法基准测试：plate/droplet 双通道 + 多供体多器官的天然批次结构，是 scVI、Harmony、Scanorama、BBKNN 等整合方法的经典考场。
  3. 单细胞基础模型预训练/微调语料：百万级带高质量标签的正常人体细胞，适合作为 scGPT/Geneformer 类模型的生命科学评估与微调集。
  4. 细胞构成去卷积：以图谱作参考矩阵，从 bulk RNA 或细胞游离 RNA（cfRNA）中反推细胞类型构成（Vorperian et al., Nature Biotechnology, 2022 的 cfRNA 细胞来源解析即属此类工作）。
  5. 跨组织生物学发现：共享 T 细胞克隆追踪、B 细胞体细胞突变率的组织差异、细胞类型特异 RNA 剪接（SpliZ）、肠道微生物非均匀分布等原创分析均可基于本数据复现与扩展。

§2 医学背景

§2.1 组织系统与相关疾病编码映射

Tabula Sapiens 本身是正常人体组织参考数据集，不含疾病标签。它覆盖的组织系统与常见下游研究领域在 ICD-11 与 SNOMED CT 中的对应如下（编码用于帮助 AI 系统理解该图谱支撑的疾病研究语境，而非数据集自带标签）：

标签（组织/研究域） ICD-11（相关疾病章/典型码） SNOMED CT 术语说明
呼吸系统（肺、气管） CA22 支气管哮喘；CA4Z 肺炎（12 章呼吸系统疾病） 39607008 Lung structure（肺结构）
循环系统（心、血管） CB4Z 心力衰竭（11 章循环系统疾病） 80248007 Heart structure（心脏结构）
消化系统（小肠、大肠、肝） 13 章消化系统疾病（如结肠炎、肝病语境） 10200004 Liver structure（肝结构）
皮肤 14 章皮肤疾病（如湿疹、银屑病语境） 39937001 Skin structure（皮肤结构）
泌尿系统（肾、膀胱） 8B6Z 急性肾损伤（16 章泌尿生殖系统疾病） 64033007 Kidney structure（肾结构）
供体健康状态 24 章 Factors influencing health status（体检/筛查语境，无具体诊断） 160245001 No current problems or disability（目前无健康问题或残疾）

§2.1b SNOMED CT 映射补充

上述映射中，SNOMED CT 的形态学/解剖结构概念（Lung structure、Heart structure 等）用于描述组织来源，临床发现概念（No current problems or disability）用于描述供体状态。在 AI 训练场景中，推荐将 organ 字段通过 SNOMED 解剖概念对齐到统一术语层，避免 24/28 个器官名在自由文本与本体间漂移；细胞类型层面对齐的目标本体是 Cell Ontology（CL）——Tabula Sapiens 的注释即按 CL 术语正则化，GitHub 仓库随附标准 cl.obo.txt 文件。

§2.2 "正常对照"的医学定位与供体人群

现代医学 AI 的一个隐性瓶颈是"正常"缺定义：疾病组织样本永远与"不知道算不算正常的对照"比较。Tabula Sapiens 的供体均为经器官获取网络筛查的正常供体（HCA 平台记录的疾病状态为 normal），其多器官单细胞谱系为疾病研究提供了跨组织的健康基线——肺癌研究者可取其肺与气管细胞做正常对照，炎症性肠病研究者可取其小肠与大肠上皮与免疫细胞，如此类推。这也是为什么它常与疾病队列"配对食用"：图谱负责回答"正常长什么样"，疾病数据负责回答"病了以后什么变了"。

供体人群特征（v2，截至 2026-09 官方口径）：24 名供体年龄 22–74 岁（40 岁以下 7 人、40–60 岁 11 人、60 岁以上 6 人）；除生殖器官外所有组织在男性（n=11）与女性（n=13）供体中均有覆盖；供体来自多种族背景（v1 论文口径），由 Donor Network West 协调获取。v1 的 15 名供体平均年龄 51 岁。器官供体的取材场景意味着数据主要反映急性死亡后的成人组织状态，而非门诊健康人群。

在疾病研究的实操中，这份"正常基线"有三种典型用法：对照臂——差异表达/组成分析的健康参照组；背景率——某细胞类型在正常各器官的丰度区间，用于判断疾病样本中某群细胞是"扩增"还是"消失"；锚点——跨研究批次整合时把不同疾病研究映射回同一正常骨架，保证"疾病组之间的可比性"。三种用法都要求使用者清楚：器官供体组织的应激状态（缺血时间、获取流程）与门诊健康组织存在差异，作为背景率时宜保留余量。

§2.3 临床/AI 任务定义

任务 定义 在本数据集上的形态
细胞类型注释（标注） 为每个细胞分配本体化类型标签 参考集角色：475 种类型 × 六大功能隔室（内皮/上皮/生殖/免疫/神经元/基质）
标签迁移 将参考注释迁移到新数据集 PopV/scArches/scanpy ingest 以本图谱为 reference
批次整合 消除供体/器官/通道技术差异 10x 与 SMART-seq2 双通道联合嵌入（scVI）
去卷积 从混合信号反推细胞构成 以图谱作参考矩阵解 bulk/cfRNA
疾病对照 为疾病单细胞研究提供正常基线 疾病队列 × 正常图谱的差异分析
剪接与免疫组库分析 活细胞测序保留的附加模态 SpliZ 剪接评分、TRACER/BRACER 克隆型追踪

§2.4 供体人群表

维度 v1（Science 2022） v2（Cell 2026）
来源 Donor Network West（非营利器官获取组织）+ 合作医院网络 同 v1，新增 9 名供体
供体数 15 名正常供体 24 名正常供体
年龄 平均 51 岁 22–74 岁（<40: 7 人；40–60: 11 人；>60: 6 人）
性别 性别平衡（论文口径） 男 n=11 / 女 n=13（生殖器官除外）
种族 多种族背景 多种族背景
组织数 24 个器官/组织，59 个 specimens 28 个器官/组织（新增膀胱、耳、脂肪、气管等 4 种）
疾病状态 normal（器官供体筛查） normal

§2.5 临床与研究价值

对临床研究，本图谱的价值集中在三点。其一，正常基线的分子定义：475 种细胞类型的参考转录组让"这个基因在什么细胞的正常表达水平是多少"有据可查，直接服务于靶点安全性评估（一个候选药物的靶基因若在心脏神经细胞高表达，就是警戒信号）。其二，组织驻留免疫的受控比较：同一供体的 T/B 细胞克隆可跨器官追踪，为免疫治疗的组织分布效应提供参照。其三，液体活检解卷积参考：以本图谱为细胞类型参考，可解读血液中游离 RNA 的细胞来源，支撑无创筛查类研究的生物学解释。

从 v2 的最新分析看，图谱还在向"机制资源"延伸：890 个细胞类型特异转录因子为"细胞身份的分子指纹"提供了系统目录（如 T 细胞的 FOXP3/EOMES/IKZF 家族、肺泡 2 型成纤维细胞的 TCF21、肠道干细胞的 CDX1/CDX2），衰老相关程序分析（3,792 个 SAG × 48,114 个 CDKN2A+ MKI67− 细胞的 cNMF 分解）则把"正常衰老在每种细胞里长什么样"变成了可查询的定量问题。这些派生资源随论文补充表格发布，可直接用于靶点优先级排序与衰老标志物研究。

§2.6 金标准与参考标准描述

项目 内容
标注对象 每个单细胞（v1 483,152 个；v2 1.1M+ 个）
标签体系 细胞本体（Cell Ontology）正则化的 475 种细胞类型（v1 口径；HCA 平台记录 462 种，为注释版本差异）+ 广义隔室（免疫/上皮/内皮/基质/生殖/神经元）
标注方式 各组织领域专家人工注释（ CL 本体约束）+ PopV 七种自动注释方法共识交叉验证
标注者资质 Tabula Sapiens Consortium 内各器官 PI 与领域专家；自动层由 PopV（Nat Genet 2024）提供
一致性机制 donor 1–2：PopV 5 折交叉验证产出 predictability score；donor 3–15：PopularVote 草稿 + 人工复核迭代；donor 17–25：先补专家注释再以 PopV 清理
参考性质 专家共识参考（非病理诊断金标准）；标签可信度分层由 PopV 评分提供

§3 数据集规格

§3.0 版本抉择矩阵

Tabula Sapiens 有多个获取载体与版本，先选对再动手：

你的需求 推荐版本/载体 大小 理由
快速跑通注释/整合 Pipeline figshare v2 按器官 H5AD 单器官数百 MB 级 官方注释+embedding 齐全，直接 scanpy 读入
复现 Science 2022 论文结果 figshare v1（release 1.0） 约 14.44 GB（整包 ZIP） 与论文 483,152 细胞口径对应；引用 Science 2022
交互式浏览/无代码探索 CZ CELLxGENE Discover sessions 浏览器内 官方提供整图与六大隔室 session，零安装
重处理/从头比对 AWS S3 原始 fastq TB 级（受控访问） 需签 DUA；附 GENCODE v30/v41 参考与比对产物
最大规模跨性别/年龄分析 figshare v2 按器官分包 28 器官、24 供体、22–74 岁，男 11/女 13
只做某个隔室（如免疫） figshare v1 隔室打包 1–3 GB/隔室 endothelial/epithelial/stromal 单独打包

§3.1 模态详情

主模态：单细胞转录组（双通道）。10x Genomics 3’ droplet 通道：每器官目标 10,000 个细胞，覆盖广度，GEM-well 条码区分样本；SMART-seq2 plate 通道：每器官目标 1,000 个细胞，384 孔板全长度文库，含 ERCC spike-in，覆盖深度与剪接信息。两通道在 NovaSeq 6000 上测序，比对分别走 CellRanger（droplet）与 STAR + HTSEQ（plate），参考基因组为 GRCh38/GENCODE（v1 用 v30 注释、v2 用 v41）。活细胞（非细胞核）测序是该图谱的关键设计：完整保留成熟 mRNA 转录本，使细胞类型特异 RNA 剪接分析成为可能。

辅模态：16S rRNA 微生物组。对 2 名供体的肠道，从十二指肠、空肠、回肠、升结肠、乙状结肠 5 个区段各取 3–9 个样本，扩增测序 16S rRNA 基因，揭示肠道微生物在厘米尺度上的非均匀分布（Science 2022）。

双通道设计速查：

维度 10x droplet 通道 SMART-seq2 plate 通道
每器官目标细胞数 10,000 1,000
覆盖策略 广度优先 深度优先
文库类型 3’ 端计数 全长转录本
ERCC spike-in 无 有
定量工具 CellRanger STAR + HTSEQ
支撑的附加分析 通量型注释、组成分析 剪接（SpliZ）、异构体分析
主导偏倚 drop-out/环境 RNA 深度成本、板间效应

派生模态：免疫组库。对生成 SMART-seq2 文库的供体，官方在 AWS 上随附 TRACER（T 细胞受体）与 BRACER（B 细胞受体）的原始运行输出，支持跨组织克隆共享分析。

§3.2 按隔室/子集的样本数

v1 通过 QC 的 483,152 个细胞按四大隔室分布如下（论文口径）：

隔室 细胞数 占比（约）
免疫细胞（immune） 264,824 54.8%
上皮细胞（epithelial） 104,148 21.6%
基质细胞（stromal） 82,478 17.1%
内皮细胞（endothelial） 31,691 6.6%
合计（QC 通过） 483,152 100%

v2 扩展后超过 1,100,000 个细胞，覆盖 28 个器官；Cell 论文补充材料 Table S1 按供体/组织/广义细胞类/精细类型给出完整计数矩阵，droplet 子集含 175 种精细细胞类型。

§3.3 数据格式

格式 内容 载体
H5AD（AnnData） 注释矩阵（X 稀疏矩阵 + obs/var 元数据 + embedding + UMAP） figshare 按器官/隔室打包（ZIP）
MTX/计数表 10x 稀疏矩阵、SMART-seq2 基因计数表 figshare；AWS 基因计数目录
FASTQ 原始测序读段 AWS S3（受控访问）
XLSX 扩展供体元数据表 figshare / HCA 镜像
OBO cl.obo.txt 标准 Cell Ontology 文件 GitHub 仓库

§3.4 存储大小

  • v1 整包 TabulaSapiens.h5ad.zip：14.44 GB；按器官单包 156 MB（肝）至 3.8 GB（epithelial 隔室包）；最大单器官文件为膀胱 713 MB、肺 1.38 GB、脾 980 MB 量级（figshare v1.0 release 3 页面口径）。
  • v2：figshare 按器官分包发布（2024-12-06 上线），整图规模随 1.1M+ 细胞相应增长。
  • 原始 fastq：AWS Open Data 桶 czb-tabula-sapiens（us-west-2），存储成本由 AWS Open Data Sponsorship Program 承担，用户下载免流量费。
  • 建议：本地预留 100 GB 以上磁盘 + 32 GB 以上内存（整包加载场景）。

§3.5 标注方式

三层混合标注体系。第一层（专家标注）：各器官由 Consortium 内领域专家按 Cell Ontology 术语注释，跨器官术语经本体正则化统一（共 475 种类型）。第二层（自动共识）：PopV 以 7 种自动注释方法（含 scVI/scANVI 系）投票产生共识标签，作为质量对照；donor 1–2 的所有器官运行 PopV 5 折交叉验证，为每个细胞生成 predictability score。第三层（迭代清理）：donor 3–15 先以 PopularVote 生成草稿注释再人工复核；donor 17–25 先补专家注释、再用 PopV 清理剩余未标注细胞（Cell 2026）。

§3.6 标注者资质与一致性

专家层由数十名器官领域 PI 及其实验室成员构成（论文作者列表覆盖斯坦福、UCSF、CZ Biohub 等机构的心、肺、肠、免疫、皮肤等领域专家）；自动层 PopV 发表于 Nature Genetics（Ergen, Xing, Xu et al., 2024），其在 Tabula Sapiens 上的 5 折交叉验证一致性分数随数据发布，可直接作为"标签可信度"权重使用。未提供 κ 一致性系数类的人人一致率统计，以 PopV 共识分数替代。

§3.7 采集周期

数据于 2021-04-01 在 figshare 首次在线（v1.0），2021-07 预印本发布，2022-05-13 正式发表于 Science；v2 数据 2024-12-06 于 figshare 发布，2026 年正式发表于 Cell。官方在 AWS Registry 声明预计每 1–2 年更新一次直至项目完成。同一供体的多器官经协调实现当日采集、当日处理（这是设计核心而非偶然）。

§3.8 地域覆盖

供体来自美国北加州的器官获取网络（Donor Network West，非营利 OPO），由 CZ Biohub（旧金山湾区）协调处理与测序。数据代表湾区成人器官供体人群，地理与人群多样性有限（详见 §7.1）。

§3.9 设备与实验规格

环节 规格
测序仪 Illumina NovaSeq 6000
droplet 通道 10x Genomics 3’ 化学方案，每器官目标 10,000 细胞
plate 通道 SMART-seq2，384 孔板，每器官目标 1,000 细胞，含 ERCC spike-in
比对/定量 CellRanger（droplet）；STAR + HTSEQ（plate）
参考基因组 GRCh38；GENCODE v30（v1）/ v41（v2），附 ERCC92 注释
微生物组 16S rRNA 基因扩增子测序
物流 数百样本、数千 384 孔板的追踪基础设施

§3.10 深度溯源链

供体（Donor Network West 协议）→ 器官 specimen（当日多器官采集，59 specimens/v1）→ 单细胞悬液 → 文库（10x GEM / SMART-seq2 板）→ NovaSeq 6000 测序 → FASTQ（AWS，受控）→ 比对定量（CellRanger / STAR+HTSEQ，GENCODE v30/v41）→ QC（DecontX 环境 RNA 校正、同供体跨样本 barcode 污染过滤）→ scVI 整合与 UMAP → 专家注释（CL 本体）+ PopV 共识 → H5AD 发布（figshare，CC BY 4.0）→ CELLxGENE/HCA/AWS 镜像。代码存档于 GitHub（czbiohub-sf/tabula-sapiens）与 Zenodo。

§4 数据结构

§4.0 目录树

figshare 处理后数据（解压后）：

tabula-sapiens-figshare/
├── TabulaSapiens.h5            # v1 整包（ZIP 内单个 H5AD，约 14.44 GB）
├── TS_Bladder.h5ad             # 按器官分包（H5AD）
├── TS_Blood.h5ad
├── TS_Bone_Marrow.h5ad
├── TS_Eye.h5ad
├── TS_Fat.h5ad
├── TS_Heart.h5ad
├── TS_Kidney.h5ad
├── TS_Large_Intestine.h5ad
├── TS_Liver.h5ad
├── TS_Lung.h5ad
├── TS_Pancreas.h5ad
├── TS_Salivary_Gland.h5ad
├── TS_Skin.h5ad
├── TS_Small_Intestine.h5ad
├── TS_Spleen.h5ad
├── ...                         # 其余器官同构
├── TS_endothelial.h5ad         # 按隔室分包（跨器官）
├── TS_epithelial.h5ad
└── TS_stromal.h5ad

AWS S3 原始数据（桶 czb-tabula-sapiens，受控访问）：

s3://czb-tabula-sapiens/
├── TabulaSapiens_v1_Science2022/
│   ├── Donor1/ ... Donor15/
│   │   ├── fastqs/
│   │   │   ├── 10X/            # 10x droplet 原始读段
│   │   │   └── smartseq2/      # SMART-seq2 板上读段
│   │   ├── alignment-gencode/  # 比对产物（按通道分子目录）
│   │   ├── gene-count-tables/  # SMART-seq2 基因计数表
│   │   └── immune-repertoire-analysis/
│   │       ├── bracer/         # BCR 克隆型
│   │       └── tracer/         # TCR 克隆型
│   └── reference/
│       └── cellranger/homo.gencode.v30.annotation.ERCC92.tgz
├── TabulaSapiens_v2/
│   ├── Donor1/ ... Donor24/
│   │   ├── fastqs/{10X,smartseq2}/
│   │   └── alignment-gencode/{smartseq2,...}/
│   └── reference/
│       ├── gencode_v41_cellranger.tar.gz
│       └── gencode_v41_ercc_star.tgz

§4.1 DAIMS 字段字典

H5AD 对象的核心 obs（细胞级元数据）字段如下。字段名以官方发布版本为准，不同器官包/版本间可能存在少量差异：

字段名 类型 说明 示例值 AI 用途 观测误差 信息性缺失编码 取值范围
obs_names（细胞 barcode） 文本 细胞唯一标识（10x 条码或板上 ID） AAACCCAAGAAACACT-1 主键/去重 同供体跨样本 barcode 重叠（见坑点 4） 无 全局唯一
donor 文本 供体编号 Donor1 按供体划分防泄漏 供体间生物异质性 无 Donor1–Donor24
organ 文本 器官/组织来源 Kidney 跨组织比较、分层评估 取材区域微观差异 无 24/28 个器官名
broad_class 文本 广义隔室 immune 分层抽样、粗标签 隔室边界双注细胞 无 immune/epithelial/endothelial/stromal/germ/neuronal 等
free_annotation 文本 专家精细细胞类型（CL 本体） CD8+ T cells 注释监督信号 PopV 分数低处标签可信度下降 无 475 种类型（v1 口径）
assay/method 文本 测序通道 10x 3' v1.1 / smartseq2 通道协变量校正 通道间深度差约 10 倍 无 双值
nCount_RNA（计数 UMI 总量） 整数 每细胞 UMI/读段计数总量 8,432 QC 过滤、size factor 深度≠RNA 量，勿作生物量 无 数百至数万
nFeature_RNA（检出基因数） 整数 每细胞检出非零基因数 2,417 QC 过滤 受深度驱动 无 数百至数千
age/sex（供体级） 整数/文本 供体年龄与性别 51 / F 公平性分析 自我报告/档案口径 无 22–74；M/F
X（表达矩阵） 稀疏矩阵 细胞 × 基因计数 — 模型输入 计数噪声/环境 RNA 残留 0 = 未检出（非真零） 非负整数

var（基因级）含 gene_id（ENSEMBL，GENCODE v30/v41）与 gene_symbol（HGNC）；obsm 内预置 scVI embedding 与 UMAP 坐标，可直接用于可视化与下游建模。

§4.2 标签分布

标签体系为两级：broad_class（约 6 个功能隔室）→ free_annotation（475 种精细类型，v1 口径）。分布高度长尾：免疫隔室贡献过半细胞（54.8%），内皮隔室仅 6.6%；精细类型层面，常见类型（如各类 T 细胞、内皮细胞）样本量以万计，而部分稀有类型仅数十个细胞。Cell 论文的 droplet 子集定义了 175 种精细类型并给出全量计数表（Table S1）。做分类模型时务必查看每个类型的样本量分布（见坑点 6）。

§4.3 关键统计

  • v1：483,152 个 QC 通过细胞；24 组织；15 供体；59 specimens；475 种细胞类型（HCA 镜像计 462 种，为注释版本差异）。
  • v2：1.1M+ 细胞；28 组织；24 供体；droplet 子集 175 种精细类型；4 名供体贡献多器官深度配对。
  • 通道构成：10x droplet 为主（每器官目标 10,000 细胞），SMART-seq2 plate 为辅（每器官目标 1,000 细胞）。
  • 剪接分析子集：SMART-seq2 通道全长转录本支撑 SpliZ 分析；v2 衰老分析覆盖 CDKN2A+ MKI67− 细胞 48,114 个 × 3,792 个衰老相关基因。
  • 转录因子：1,635/1,639 个人类 TF 在数据中检测到表达，890 个具细胞类型特异性（v2）。

§4.4 数据层级

供体（Donor1–24，含年龄/性别/种族档案）
└── 器官 specimen（v1 共 59 个；同供体多器官同日采集）
    └── 样本/文库（10x GEM-well 或 SMART-seq2 板孔）
        └── 细胞（barcode 唯一，obs 行）
            └── 基因（var 列，GENCODE v30/v41）

层级要点：供体是所有受控比较的顶层单位——同一供体的细胞共享遗传背景与生理状态，统计推断必须以供体为独立单元（见 §5.3）；器官与样本层携带批次信息（10x lane、板号）；细胞层是标签与表达矩阵的载体。

§4.5 缺失值与信息性缺失

情形 表现 处理建议
计数矩阵零膨胀 单细胞 RNA 剪接低效+drop-out，0 占绝对多数 0 是"未检出"而非"不表达"；用 scVI 类零膨胀模型或 pseudobulk
双通道基因检出差异 plate 深通道检出低丰度基因，droplet 检不出 分通道分析或以通道为协变量（坑点 3）
ERCC spike-in 仅 plate 有 droplet 细胞该列为空 分析前剔除 ERCC 特征；plate 可用作技术标尺
供体级元数据字段 部分扩展字段仅部分供体提供 按可用子集分析，勿插补供体级协变量
生殖器官组织 男/女供体集合不同（生殖器官除外才配对） 跨性别比较剔除生殖器官（坑点 8 相关）

§5 划分与使用建议

§5.1 官方划分

无官方 train/val/test 划分。Tabula Sapiens 是参考图谱而非监督基准：全量数据即"参考集"，官方工作流（PopV、scArches 预训练）把整张图谱当 reference 使用。PopV 开发中在 donor 1–2 上运行过 5 折交叉验证以校准 predictability score，可作为划分思想的官方示范，但未随数据发布固定划分文件。

§5.2 社区惯例划分

社区通行三种划分：其一，按供体留出（hold-out donors）——留 2–3 名供体做测试，模拟"新个体泛化"，是标签迁移论文的主流做法；其二，按器官留出——训练集不含某器官，测试该器官细胞能否仅靠参考集正确注释，考察跨组织迁移；其三，v1 作 reference、新数据作 query——直接把 v2 或第三方疾病数据当"测试集"跑标签迁移，这实际上是把整个数据集用于真实泛化评估。

§5.3 泄漏风险 ⭐

本数据集的泄漏风险比影像数据集更隐蔽：

  1. 同供体跨组织相关：同一供体的细胞共享遗传背景、免疫状态与表观谱，随机按细胞划分会让测试集"认识"训练集里的供体。跨供体泛化能力会被系统性高估。对策：所有泛化性结论必须以按供体划分为准。
  2. 同 lane/同板批次亲缘：同一 10x lane（GEM-well）或同一 384 孔板上机批次的细胞共享技术噪声，随机划分引入批次泄漏。对策：按 lane/板整组划分，或以批次为协变量显式建模。
  3. 标签面泄漏：免疫细胞克隆型（TRACER/BRACER）在器官间共享，若把克隆型信息当特征做细胞归类，跨组织的"同克隆"细胞会互相泄露。对策：克隆型仅用于免疫生物学分析，不作为注释特征。

§5.4 交叉验证建议

  • 注释模型调参：在训练供体内按供体分组做 GroupKFold（组 = 供体），勿按细胞分组。
  • 通道对比实验：在每器官内部按通道分层采样，报告分通道指标再加权汇总。
  • 稀有类型评估：以 macro-F1 为主指标，并对少于阈值（如 100 细胞）的类型单独汇报或合并为"稀有组"。

§5.5 外部验证建议

  • 疾病场景：肺→COVID/ILD 队列、肠道→IBD 队列、肿瘤→癌旁与肿瘤组织（注意恶性肿瘤细胞在正常图谱中无对应类型，注释会系统性归入"最接近的正常细胞"，解读需谨慎）。
  • 平台场景：跨平台标签迁移（SMART-seq2 参考 → 10x query 及反向），参考 PopV 论文的 20 器官预训练评估协议。
  • 建议指标：精确匹配率 + top-3 命中率 + 每类型 macro-F1，并附 PopV predictability score 分层结果。

§5.6 常见误用清单

结合官方设计与社区教训，以下用法应避免：

  1. 把 TS 当疾病数据集用——全部供体为正常器官供体，任何"疾病生物标志物"结论都无法在本数据内部成立。
  2. 按细胞随机划分训练/测试集——同供体/同 lane 泄漏会让指标虚高（§5.3）。
  3. 跨版本拼数据——v1 与 v2 的供体、注释版本、参考基因组均不同，直接 ad.concat 会产生假重复与标签错位（坑点 1）。
  4. 忽略通道字段比较基因表达——plate/droplet 深度差异会把技术差异读成生物学差异（坑点 3）。
  5. 用精细类型标签直接做临床推断——475 类是研究型本体标签，与临床诊断术语（ICD/SNOMED 临床发现）不在同一语义层（§2.1b）。
  6. 把 UMAP 坐标当特征训练模型——官方 UMAP 是 scVI 结果的可视化投影，信息量低于 latent 本身，建模应使用 X_scVI 或原始计数。

§6 AI 就绪指南 ⭐

§6.0 云端快速启动

零下载路径：打开官方数据页 whereisthedata，进入 CZ CELLxGENE Discover 的整图或六大隔室 session，浏览器内即可筛选供体/器官/细胞类型并导出子集。原始数据路径：数据已入 AWS Open Data（区域 us-west-2），在 us-west-2 的 EC2/SageMaker 上分析可享受免流量费，仅需为算力付费；但原始 fastq 下载前必须签署 DUA（见坑点 2）。

§6.1 快速上手

目录预期：下面代码假设你从 figshare 下载了 v1 的按器官分包，解压到 data/tabula_sapiens/ 目录：

data/tabula_sapiens/
├── TS_Kidney.h5ad          # 最小可用子集（约 319 MB）
├── TS_Lung.h5ad
└── ...

data_root 拼接关系：data_root = "data/tabula_sapiens"，文件名 = TS_{Organ}.h5ad， organ 名以下划线连接（Large_Intestine、Bone_Marrow），与 figshare 发布名一致。

最小可用子集：单个中等器官（如 TS_Kidney.h5ad，约 319 MB）即可跑通读取→QC→嵌入→注释全流程，总内存占用 8 GB 内。

# pip install scanpy anndata muon
import scanpy as sc
import anndata as ad
from pathlib import Path

data_root = Path("data/tabula_sapiens")   # 与上方目录结构一致

# 1) 读入最小子集：一个器官的 H5AD（官方已含 QC、embedding 与注释）
adata = sc.read_h5ad(data_root / "TS_Kidney.h5ad")

# 2) 查看核心元数据（不同版本字段名略有差异，先体检再建模）
print(adata.shape)                    # 细胞数 × 基因数
print(adata.obs.columns.tolist())     # donor/organ/broad_class/free_annotation/assay...
print(adata.obs["free_annotation"].value_counts().head(10))  # 标签分布（长尾检查）

# 3) 官方预置的 scVI embedding 与 UMAP 可直接可视化
sc.pl.embedding(adata, basis="X_umap", color=["broad_class", "free_annotation"])

§6.2 数据获取

渠道 内容 访问级别 大小 入口
figshare v1 注释 H5AD（整包/按器官/按隔室）+ 元数据 开放（CC BY 4.0） 14.44 GB 整包 figshare 14267219
figshare v2 v2 按器官 H5AD 开放（CC BY 4.0） 按器官分包 figshare 27921984
CZ CELLxGENE 交互式 session（整图+六大隔室） 开放 浏览器内 官方门户跳转
AWS S3 原始 fastq、比对产物、参考基因组、免疫组库 受控（签 DUA） TB 级 AWS Registry
GEO GSE201333 开放 — NCBI GEO
HCA 镜像 v1 项目矩阵与元数据 开放（CC BY 4.0） — HCA 项目页

figshare 直接下载：

# 用 figshare API 列出 v1 全部文件并按需下载（无需注册）
import requests

FS_API = "https://api.figshare.com/v2"
r = requests.get(f"{FS_API}/articles/14267219/files").json()
for f in r:
    print(f["name"], round(f["size"] / 1e9, 2), "GB",
          f["download_url"])   # 选择所需器官，requests.get 保存即可

AWS 原始数据流程：① 在官方数据页提交受控访问申请表单；② 签署 Data Use Agreement（承诺不转交第三方）；③ 获准后用 AWS CLI 浏览/同步：

aws s3 ls s3://czb-tabula-sapiens/TabulaSapiens_v1_Science2022/   # 浏览（登录 AWS 账号后）
aws s3 sync s3://czb-tabula-sapiens/TabulaSapiens_v1_Science2022/Donor1/fastqs/10X/ ./donor1_10x/

申请流程要点：处理数据（H5AD/矩阵）无需任何申请；原始 fastq 的 DUA 核心条款是"不得转交第三方 + 引用对应论文（v1 引 Science 2022；v2 引 biorxiv 2024）+ 再分发附数据使用政策全文"。咨询联系：tabula-sapiens-data@czbiohub.org。

免代码浏览路径：若目标只是确认某个细胞类型的标志基因或在图上"看一眼"，直接用官方门户的 CZ CELLxGENE Discover session（整图 + endothelial/epithelial/germ/immune/neuronal/stromal 六隔室），浏览器内即可按供体、器官、通道筛选并下钻单细胞表达；本地 cellxgene launch 亦可加载 figshare H5AD 自建 session（官方 GitHub 附运行说明）。

§6.3 预处理全流程

以下 Pipeline 从官方 H5AD 出发（官方已做基础 QC 与 DecontX 环境 RNA 校正），演示"继续清洗 → 通道协调 → 整合 → 注释评估"的标准路径。若从原始矩阵开始，还需自行补 barcode 污染过滤（见坑点 4）。

<details>
<summary><strong>完整预处理 Pipeline（scanpy + scVI，约 50 行，点击展开）</strong></summary>

import scanpy as sc
import anndata as ad
import numpy as np
import pandas as pd
from pathlib import Path

data_root = Path("data/tabula_sapiens")

# ---- 第 1 步：读入并拼接多器官（通道信息保留在 obs.assay/method）----
files = ["TS_Kidney.h5ad", "TS_Lung.h5ad", "TS_Spleen.h5ad"]
adatas = [sc.read_h5ad(data_root / f) for f in files]
adata = ad.concat(adatas, label="organ_file", merge="first")

# ---- 第 2 步：QC 过滤（阈值按器官用 MAD 自适应，此处给常用起手值）----
adata.var["mt"] = adata.var_names.str.startswith("MT-")     # 线粒体基因
sc.pp.calculate_qc_metrics(adata, qc_vars=["mt"], percent_top=None, log1p=False, inplace=True)

per_channel = adata.obs.groupby("assay")  # 双通道分别定阈值！
for ch, sub in per_channel:
    print(ch, sub["n_genes_by_counts"].median(), sub["pct_counts_mt"].median())

adata = adata[adata.obs["pct_counts_mt"] < 20, :]           # 线粒体比例过滤（plate 可更严）
adata = adata[adata.obs["n_genes_by_counts"] > 200, :]      # 低检出细胞过滤
sc.pp.filter_genes(adata, min_cells=3)

# ---- 第 3 步：剔除 ERCC（仅 SMART-seq2 通道有，防止进入 HVG 选择）----
adata = adata[:, ~adata.var_names.str.startswith("ERCC-")].copy()

# ---- 第 4 步：归一化与 HVG（log1p 用于分析；scVI 直接吃原始计数）----
adata.layers["counts"] = adata.X.copy()                     # scVI 需要原始整数计数
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=4000, batch_key="donor")

# ---- 第 5 步：scVI 整合（协变量 = 供体 + 通道 + 器官）----
import scvi
scvi.model.SCVI.setup_anndata(
    adata, layer="counts",
    batch_key="donor",
    categorical_covariate_keys=["assay"],   # 通道差异显式建模（坑点 3）
)
model = scvi.model.SCVI(adata, n_latent=30)
model.train(max_epochs=400, early_stopping=True)
adata.obsm["X_scVI"] = model.get_latent_representation()
sc.pp.neighbors(adata, use_rep="X_scVI")
sc.tl.umap(adata)

</details>

为什么协变量里必须有 assay：plate 与 droplet 的每细胞深度差约一个数量级，若不显式控制，整合结果会把"通道"错学成"组织"，跨通道比较全部失真（见坑点 3）。

§6.4 PyTorch DataLoader

<details>
<summary><strong>PyTorch Dataset/DataLoader 完整代码（约 50 行，点击展开）</strong></summary>

# 最小可运行示例：从 AnnData 稀疏矩阵构建单细胞分类 DataLoader
# 任务：预测细胞类型（free_annotation → 类别 id）
import anndata as ad
import numpy as np
import scipy.sparse as sp
import torch
from torch.utils.data import Dataset, DataLoader

class TabulaSapiensDataset(Dataset):
    """按需物化稀疏行的单细胞数据集，避免整矩阵稠密化（见坑点 8）。

    目录预期：data/tabula_sapiens/TS_Kidney.h5ad（data_root 拼接）
    """
    def __init__(self, h5ad_path, label_key="free_annotation",
                 donor_key="donor", max_genes=20000):
        self.adata = ad.read_h5ad(h5ad_path)          # 稀疏 X，占用可控
        X = self.adata.X
        if not sp.issparse(X):
            X = sp.csr_matrix(X)
        self.X = sp.csr_matrix(X[:, :max_genes])      # 基因截断到前 20k（按需改 HVG）
        labels = self.adata.obs[label_key].astype("category")
        self.classes = labels.cat.categories.tolist()
        self.y = torch.tensor(labels.cat.codes.to_numpy(), dtype=torch.long)
        self.donors = self.adata.obs[donor_key].to_numpy()   # 供体分组信息（防泄漏）

    def __len__(self):
        return self.X.shape[0]

    def __getitem__(self, idx):
        row = torch.from_numpy(self.X[idx].toarray().ravel()).float()
        row = torch.log1p(row / max(row.sum(), 1) * 1e4)     # 与 §6.3 同口径归一化
        return row, self.y[idx]

ds = TabulaSapiensDataset("data/tabula_sapiens/TS_Kidney.h5ad")
# 按供体划分（关键：防同供体泄漏）
train_idx = np.where(~np.isin(ds.donors, ["Donor1"]))[0]     # 示例：留出 Donor1
test_idx  = np.where(np.isin(ds.donors, ["Donor1"]))[0]
from torch.utils.data import Subset
train_loader = DataLoader(Subset(ds, train_idx), batch_size=1024, shuffle=True)
test_loader  = DataLoader(Subset(ds, test_idx),  batch_size=4096)
xb, yb = next(iter(train_loader))
print(xb.shape, yb.shape, len(ds.classes))   # 检查 batch 形状与类别数

</details>

§6.5 坑点清单 ⭐（8 个真实失败模式）

⚠️ 坑点 1：v1 与 v2 版本混用，规模与引用口径全对不上（分类：工程陷阱）

问题：Tabula Sapiens 有两个并存版本——v1（Science 2022）：483,152 细胞/24 器官/15 供体/475 细胞类型；v2（Cell 2026）：1.1M+ 细胞/28 器官/24 供体。网上资料（含部分镜像站点）把两个版本的数字互相串写，研究者常把 v2 的"110 万细胞/28 器官"错记为 Science 2022 论文结论，或把两版文件混入同一分析。
症状：细胞总数对不上论文（差一倍）；"某器官细胞数"与同事对不齐；审稿人指出引用版本与数据版本不符。
解决：

  1. 简单方法：下载时只从单一来源取数（v1 → figshare 14267219；v2 → figshare 27921984），并在项目 README 记录 figshare DOI 版本号。
  2. 进阶方法：加载后断言规模——assert adata.n_obs in EXPECTED_RANGE（v1 整包约 48 万；v2 单器官按官方 Table S1 校验）；器官集合校验（v1=24，v2=28）。
  3. SOTA 方法：在 DVC/LakeFS 级数据版本管理中绑定 figshare DOI 作为数据源指纹；引用管理按"数据版本→论文"映射表自动生成（v1 数据引用 Science 376, eabl4896；v2 数据按官方政策引用 biorxiv 2024 预印本，正式版 Cell 2026）。
    参考：官方数据页；Science 2022；Cell 2026

⚠️ 坑点 2：原始 fastq 不是"开放下载"，DUA 条款有硬约束（分类：工程陷阱）

问题：处理数据 CC BY 4.0 开放，但原始 fastq 在 AWS 上是受控访问：必须提交申请、签署 Data Use Agreement 才能下载，且不得转交任何第三方；再分发数据须附完整数据使用政策文本。许多团队误以为"AWS Open Data = 直接拉取"，导致合规瑕疵或项目复现链断裂。
症状：aws s3 sync 匿名访问报 Access Denied；论文投稿被要求补充数据使用合规说明；合作方"顺手拷贝"了 fastq 造成协议违约。
解决：

  1. 简单方法：优先使用处理后数据（figshare/H5AD），绝大多数下游任务不需要 fastq。
  2. 进阶方法：确需 fastq 时，在官方数据页提交受控访问表单→签署 DUA→获得访问权；在 AWS us-west-2 区域拉取（Open Data Sponsorship Program 免存储与下载费）；团队内部建立"谁签的 DUA、谁能访问"台账。
  3. SOTA 方法：把重处理步骤放在云端（EC2/SageMaker in us-west-2）原地计算，只输出矩阵结果，物理上避免数据再分发；官方附 GENCODE v30/v41 参考包保证重处理可比。
    参考：AWS Registry 条目；数据发布政策

⚠️ 坑点 3：plate 与 droplet 双通道深度差一个数量级，直接混算出伪结论（分类：预处理陷阱）

问题：SMART-seq2 plate（每器官约 1,000 细胞，全长转录本，含 ERCC）与 10x droplet（每器官约 10,000 细胞，3’ 端计数）在深度、基因检出率与转录本覆盖上系统性不同。把两通道细胞当同一分布做差异表达、细胞比例统计或基因检出率比较，会得到"通道伪影"结论——例如 plate 细胞"更复杂"、某基因"plate 特异表达"。
症状：UMAP 上两通道各占一翼而不是按细胞类型混合；差异基因列表被通道主导；跨通道的细胞类型比例比较随深度漂移。
解决：

  1. 简单方法：分通道做全部分析与报告，仅在结论层合并比较。
  2. 进阶方法：scVI 整合时把通道加入协变量（categorical_covariate_keys=["assay"]），并在 HVG 选择时按通道分层（batch_key 同时含供体与通道）；比例类分析改用 pseudobulk 按通道内比较。
  3. SOTA 方法：对 plate 子集单独做剪接层分析（SpliZ/全长覆盖），对 droplet 子集做通量层分析，两层的"共同结论"才进入主报告——这正是官方论文的做法；深度敏感性用下采样曲线（downsampling curve）量化。
    参考：Science 2022 方法部分；GitHub scvi-tools 配置

⚠️ 坑点 4：同一供体多样本共享 10x lane，barcode 重叠造成跨样本污染（分类：预处理陷阱）

问题：为提高通量，同一供体的多个样本被加载到同一 10x 文库条（strip）中，不同样本可能出现相同 barcode；官方在 v2 分析中专门实现了"同供体跨样本重叠 barcode 剔除"的污染校正过滤器。使用原始计数矩阵的用户若不做此过滤，会把污染细胞当成嵌合/双联体或错误类型。
症状：极少量细胞在两个样本的计数矩阵中出现同 barcode；某些细胞表达谱呈现"两个组织的混合"伪影；doublet 比例异常偏高且集中在特定样本对。
解决：

  1. 简单方法：直接使用官方发布的 H5AD（已完成该过滤）。
  2. 进阶方法：自建过滤器——按供体分组，对组内所有 10x 样本的 barcode 集合求交集，出现在 ≥2 个样本的 barcode 全部剔除（与官方口径一致）；再用 Scrublet/DoubletDetection 常规 doublet 检测兜底。
  3. SOTA 方法：把污染校正与 DecontX 环境 RNA 校正串成统一 QC 链（先 barcode 过滤、后环境 RNA、再 doublet），对每步的细胞剔除量做记录并在论文/报告中披露；对高污染样本对（重叠 barcode 比例异常）整组降权。
    参考：Cell 2026 污染校正章节

⚠️ 坑点 5：ERCC spike-in 混入特征空间 + GENCODE 版本错位（分类：预处理陷阱）

问题：SMART-seq2 通道含 ERCC 对照转录本（参考注释包为 gencode.v30.annotation.ERCC92），droplet 通道没有；同时 v1 用 GENCODE v30、v2 用 v41 注释。把 ERCC 当作普通基因进入 HVG/模型，或跨版本直接按行索引对齐矩阵，都是常见错误。
症状：HVG 列表出现 ERCC-xxxxx；跨版本合并 AnnData 后行数多于基因数或全部错位；基因 ID（ENSEMBL 版本号后缀）对不上外部数据。
解决：

  1. 简单方法：读入后立即剔除 var_names.str.startswith("ERCC-")；仅使用官方 H5AD 时不跨版本合并。
  2. 进阶方法：跨版本对齐用 ENSEMBL ID 去版本号后内连接（gene_id.str.split(".").str[0]），以 HGNC symbol 仅作人工核对；ERCC 仅在 plate 内部用作技术变异标尺。
  3. SOTA 方法：建立统一的 gene mapping 表（ENSEMBL↔HGNC↔符号，附版本列），所有外部数据先映射到该表再进模型；版本转换用 pyliftover/生物本体注册表存档，保证可复现。
    参考：GitHub 参考基因组结构；figshare v1.0 release 说明

⚠️ 坑点 6：475 类标签高度长尾，稀有类型把准确率"骗"上去或"压"下来（分类：标签理解）

问题：标签分布极度长尾——免疫隔室占 54.8% 细胞，内皮仅 6.6%；精细类型中常见类型以万计、稀有类型仅数十个细胞。用整体 accuracy 评估会由大类主导（稀有类做错也看不出）；而 macro 平均又会被几十个样本的稀有类剧烈波动。
症状：accuracy 高达 95%+ 但稀有类型召回为 0；macro-F1 在不同随机种子间抖动巨大；模型把所有稀有细胞都预测成"最像的常见类型"。
解决：

  1. 简单方法：报告 macro-F1 + 每类样本量，把 <100 细胞的类型合并为 “rare” 组评估。
  2. 进阶方法：分层抽样按供体×类型交叉分层；稀有类用 class-weighted loss 或 focal loss；评估时按 PopV predictability 分层报告。
  3. SOTA 方法：采用 top-k 命中率 + 开放集识别（open-set）协议——允许模型输出"参考集中不存在"的能力，这对把图谱用于疾病 query 至关重要；参考 PopV 的共识置信框架给稀有类预测附加可信区间。
    参考：PopV, Nat Genet 2024；Cell 2026 Table S1（类型级计数）

⚠️ 坑点 7：并非所有标签都是"终审专家标注"，PopV 分数低处要降权（分类：偏倚陷阱）

问题：标注是多轮混合流程——donor 1–2 经 PopV 5 折交叉验证产出 predictability score；donor 3–15 先 PopularVote 草稿再人工复核；donor 17–25 先补专家注释再以 PopV 清理。把它们当同等可信的"金标签"全量训练，等于把自动注释的系统误差蒸馏进模型。
症状：模型在特定供体/器官上错误率异常集中；用标签训出的注释器把 PopV 的系统性偏好放大；人工抽查发现部分类型边界细胞标签与专家直觉不符。
解决：

  1. 简单方法：以 broad_class（隔室级）为高可信目标训练粗模型，精细类型只取 PopV 分数高的细胞。
  2. 进阶方法：按 predictability score 阈值（如前 80%）过滤训练集；对分数低的细胞改用弱监督（软标签/伪标签加权）。
  3. SOTA 方法：把 PopV 多方法分歧度当作标签噪声建模（noisy-label robust loss 或标签后验化）；对关键子集做小规模专家重标，估计标签错误率后做校正矩阵（confusion-matrix calibration）。
    参考：PopV 方法论文；Cell 2026 注释流程

⚠️ 坑点 8：整包 H5AD（14.44 GB）一次读入即爆内存，稠密化更是灾难（分类：工程陷阱）

问题：v1 整包 TabulaSapiens.h5ad.zip 约 14.44 GB（稀疏矩阵），sc.read_h5ad 后叠加转换/合并操作常把内存推向 64 GB+；初学者把稀疏矩阵 .toarray() 或用 pandas 读取，48 万 × 6 万的稠密浮点矩阵远超单机内存。
症状：Jupyter 内核直接被杀（OOM）；toarray() 卡死；swap 疯涨后系统假死；多进程 DataLoader 各自复制一份 AnnData 造成内存翻倍。
解决：

  1. 简单方法：改用按器官/隔室的分包文件（156 MB–3.8 GB），按需加载所需组织。
  2. 进阶方法：sc.read_h5ad(path, backed="r") backed 模式按行切片；全程保持 scipy.sparse.csr_matrix；PyTorch Dataset 里逐行物化（见 §6.4 代码）；DataLoader 用 num_workers>0 时注意 AnnData 不可 pickle 整个对象，改为 worker 内懒加载或预转 dense mini-batch 张量。
  3. SOTA 方法：用 anndata 的 on-disk 规格（H5AD backed / zarr）+ 多模态读取（dask 批处理）；或预计算成 scvi-tools 的 AnnDataLoader 流式训练；云端路径直接在 S3/CELLxGENE Census 上切片拉取。
    参考：figshare v1 文件列表；scanpy backed 文档

§6.6 数据增强

增强方式 适用性 说明
✅ 基因掩码（gene masking） 安全 随机置零少量非零基因，模拟 dropout，是 scBERT/scGPT 类预训练的标准做法
✅ 计数下采样 安全 按 binomial 下采样 UMI 总量模拟浅测序，可作深度敏感性分析
✅ Mixup（latent 空间） 安全 在 scVI latent 上做同类型插值，扩充稀有类
❌ 直接加高斯噪声到计数 危险 破坏计数分布与零膨胀结构，破坏 scVI 输入假设
❌ 跨通道混合增强 危险 plate/droplet 分布不同，插值会产生生物学上不存在的细胞
❌ 旋转/翻转类图像增强 无意义 对非空间计数矩阵无定义（官方发布为非空间解析，勿臆造空间坐标）

§6.7 模型推荐

任务 推荐模型/工具 理由
批次整合 + 嵌入 scVI（官方同款） 数据发布即用 scVI 整合，协变量建模最贴合双通道结构
参考注释/标签迁移 PopV、scANVI、scArches PopV 即为此图谱的官方共识注释器，支持 20 器官预训练迁移
快速探索与基线 scanpy（Leiden + Wilcoxon markers） 与 CELLxGENE 口径一致，基线必备
基础模型微调 scGPT / Geneformer 类 以 TS 作微调/评估语料；注意先剔除 ERCC 并锁定基因面板
去卷积 CIBERSORTx / MuSiC 类 + TS 参考矩阵 以 broad_class/free_annotation 签名矩阵作参考
剪接分析 SpliZ（官方方法） SMART-seq2 子集全长覆盖专用

§6.8 硬件需求

场景 CPU 内存 GPU 磁盘
单器官探索（约 30 万细胞内） 4 核 16 GB 可无 10 GB
多器官 scVI 整合（50 万+ 细胞） 16 核 64 GB 单卡 16 GB（如 A100/T4 均可） 100 GB
全图谱训练/基础模型微调 32 核 128 GB 单卡 40 GB+ 500 GB（含原始矩阵）
AWS 云端（us-west-2 免流量费） 按 EC2 规格伸缩 同上 g5/p 系列按需 EBS 100–500 GB

§6.9 评估指标

# 注释任务标准评估：总体 + 按供体 + 按类型样本量分层
import numpy as np
import pandas as pd
from sklearn.metrics import f1_score, top_k_accuracy_score, classification_report

def evaluate_annotation(y_true, y_pred, donors, classes):
    report = {
        "accuracy": float((np.asarray(y_true) == np.asarray(y_pred)).mean()),
        "macro_f1": f1_score(y_true, y_pred, average="macro", labels=range(len(classes))),
    }
    # 按供体分组（泄漏正确的体现）
    df = pd.DataFrame({"y": y_true, "p": y_pred, "donor": donors})
    report["per_donor_acc"] = df.groupby("donor").apply(
        lambda g: (g["y"] == g["p"]).mean(), include_groups=False
    ).to_dict()
    # 稀有类型单独汇总（<100 细胞类型组）
    counts = pd.Series(y_true).value_counts()
    rare = counts[counts < 100].index.tolist()
    if rare:
        mask = pd.Series(y_true).isin(rare)
        report["rare_group_recall"] = float((df.loc[mask, "y"] == df.loc[mask, "p"]).mean())
    return report

# top-3 命中率（labels 需按类别得分排序传入，此处示意接口）
# top3 = top_k_accuracy_score(y_true, y_score, k=3, labels=range(len(classes)))

整合质量另用 scIB 套件（生物保守性 LISI/silhouette + 批次混合 kBET/iLISI）双轴评估；剪接分析以 SpliZ 分布的细胞类型间差异检验为准。指标选择的经验法则：按供体分组后不塌掉的指标才算数——若 accuracy 在 hold-out donor 上骤降而 pooled accuracy 虚高，说明模型学到的是供体身份而非细胞身份。

§6.10 MLOps 笔记

  • 数据版本绑定：以 figshare DOI（10.6084/m9.figshare.14267219 / 27921984）+ 版本号作为数据指纹写入实验跟踪（MLflow/W&B），v1/v2 不混轨（坑点 1）。
  • 合规审计：DUA 签署记录、fastq 访问台账纳入合规清单；对外发布物附数据使用政策链接。
  • 可复现：固定 scvi-settings(seed=42) 与 torch.use_deterministic_algorithms；scVI 训练轮数、HVG 数、协变量列表写入配置文件。
  • 标签演化：注释存在版本差异（475 vs 462 口径），训练集标签快照随模型版本一起归档，避免"模型 v2 配标签 v1"的隐性漂移。
  • 成本控制：raw fastq 重处理放 us-west-2（Open Data 免下载费）；常规迭代只用处理后 H5AD 子集。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型 描述 严重程度 缓解措施
供体选择偏倚 全部为正常器官供体（死亡后取材），不含门诊健康人群与疾病状态 高 仅用于正常基线；疾病结论必须配外部疾病队列
地理/人群局限 供体来自美国北加州单一器官获取网络，人群多样性有限 高 跨人群应用前做标签迁移验证；报告 per-donor 指标
年龄结构偏倚 v2 覆盖 22–74 岁，但 40 岁以下仅 7 人，青年代表性弱 中 年龄分层分析；避免对 <40 岁人群外推
通道/深度偏倚 plate 与 droplet 深度差约 10 倍，plate 子集系统性检出更多基因 高 以 assay 为协变量（坑点 3）；分通道报告
隔室覆盖偏倚 免疫细胞占 54.8%，内皮仅 6.6%；器官间取材细胞数不均 中 分层抽样；稀有隔室用 macro 指标
标注主观性 专家注释存在 annotator 间惯例差异；donor 3–15 部分标签来自草稿+复核 中 PopV 共识分数降权（坑点 7）；隔室级粗标签更稳
性别-器官混淆 生殖器官仅在对应性别供体中存在，跨性别比较含结构差异 中 剔除生殖器官做性别比较（§4.5）

§7.2 标注质量

专家层：各器官由领域 PI 团队按 Cell Ontology 正则化注释，跨器官术语统一。自动层：PopV（7 种注释方法共识）为每个细胞提供一致性证据，donor 1–2 的 5 折交叉验证给出 predictability score 随数据发布——这是本图谱相对同类资源的独特优势：标签自带可信度分层。局限：未发布人人一致率（κ）统计；475 类精细标签中低频类的共识分数方差大；HCA 镜像与论文口径的类型计数差异（462 vs 475）提示注释仍在演化。

§7.3 泛化性

目标场景 失效风险 证据与建议
疾病组织注释（肿瘤/炎症） 高——恶性/激活态细胞在正常图谱无对应类型，会被强行归入最近正常细胞 与疾病队列配对使用；开放集协议（坑点 6 SOTA）
跨平台标签迁移（plate→droplet 及反向） 中——深度与转录本覆盖差异 PopV 官方支持 20 器官预训练迁移；用 scArches 映射
非北欧/亚裔等非供体人群 中高——人群多样性有限 先做 per-donor 验证；关注免疫基因（如 HLA）单倍型差异
儿童组织 高——最年轻供体 22 岁 不建议直接外推至儿科
空间转录组去卷积 中——非空间解析 用 broad_class 签名降低误配；解读保留空间不确定性

§7.4 伦理

供体经 Donor Network West（非营利器官获取组织）标准化知情同意流程获取，用于研究目的的组织采集与处理由 Consortium 各机构 IRB/伦理审查覆盖。数据发布不含直接标识符（18 项 HIPAA 标识符均不存在）；供体元数据限于年龄、性别与粗粒度族群信息。原始 fastq 因理论上可推断生殖系变异而设受控访问（DUA + 禁止第三方转交），体现了"处理后开放 + 原始受控"的分层伦理设计。

§7.5 公平性

性别维度：v2 除生殖器官外实现男 11/女 13 全组织配对，是少数支持全器官性别对照的公开图谱。年龄维度：22–74 岁三段覆盖但中年集中。人群维度：多种族背景但未给出逐族群计数，少数族群代表性有限——用其训练的临床相关模型（如疾病对照基线）应在目标人群中复检类型比例与标志基因表达。

§7.6 数据漂移

v1（2022）→ v2（2024 figshare/2026 Cell）的演化包括：新增 9 供体与 4 组织、注释协议迭代（先 PopularVote 后补专家注释的流程变化）、参考基因组升级（GENCODE v30→v41）。持续使用需注意：官方声明预计每 1–2 年更新直至项目完成；跨版本合并前必须统一基因空间与标签体系；实验室长期项目应锁定单一 figshare 版本并监控官方更新日志。

实操层面的漂移监控建议：① 在数据加载层断言 obs 列集合与标签值集合，任何新增/缺失标签立即告警；② 对模型输入的特征空间（基因面板）做哈希指纹，版本变化触发重训练评估；③ 注释体系的演化（如 475 vs 462 口径）意味着跨时间比较论文结果时要先对齐"标签版本"，否则性能差异可能只是标签颗粒度差异。

§7.7 DAIMS 数据质量自检（24 项）

# 检查项 状态 说明
1 宽格式支持 ✅ AnnData/H5AD 即宽格式细胞 × 基因矩阵，pandas 可转
2 唯一标识 ⚠️ 细胞 barcode 全局唯一，但原始数据中同供体跨样本可能重叠（官方已过滤，自处理需重做）
3 特殊字符处理 ✅ 字段名与标签均为标准 ASCII；器官名含下划线（Bone_Marrow）
4 重复行 ✅ 官方 QC 后无重复细胞；自合并多文件时需按 barcode+organ 去重
5 缺失编码 ✅ 计数 0 = 未检出（非缺失）；元数据字段无占位缺失
6 标签标识 ✅ free_annotation + broad_class 双层标签，CL 本体正则化
7 罕见类分组 ⚠️ 475 类长尾显著，官方未提供稀有类分组建议，需自行合并评估
8 偏倚评估 ✅ 论文与 §7.1 系统记录供体/通道/隔室偏倚
9 数据字典 ✅ 官方 portal 文档 + GitHub + HCA 元数据 schema
10 信息性缺失解释 ✅ ERCC 仅 plate 有、生殖器官仅对应性别有，均有明确机制解释
11 设备记录 ✅ NovaSeq 6000、10x 3’ 化学方案、SMART-seq2、384 孔板均记录
12 共线性检查 ⚠️ 未发布官方共线性分析；基因间相关性分析需自行处理
13 编码映射 ✅ ENSEMBL/HGNC 双 ID + CL 本体 + GENCODE v30/v41 参考包
14 时间戳处理 ⚠️ 单细胞快照数据无纵向时间戳；采集日期未逐细胞提供
15 划分建议 ✅ 本条目 §5 给出按供体/器官划分与泄漏对策（官方无固定划分）
16 泄漏讨论 ✅ 同供体/同 lane/克隆型三条泄漏路径均有讨论（§5.3）
17 标签分布 ✅ 隔室级计数官方发布（§3.2）；类型级见 Cell 2026 Table S1
18 测量偏倚 ✅ 双通道深度差、环境 RNA、barcode 污染均有官方校正方案
19 外部验证建议 ✅ PopV 协议 + §5.5 场景清单
20 版本记录 ✅ figshare 版本史（v1.0 2021-04 起）+ v1/v2 对照（§1.4）
21 预处理脚本 ✅ 官方 GitHub + Zenodo 代码存档；本条目 §6.3 提供可运行 Pipeline
22 合规要求 ✅ CC BY 4.0（处理数据）+ DUA（fastq）+ 引用要求，§6.2 详列
23 多模态对齐 ⚠️ 转录组-免疫组库-16S 三模态共存但对齐接口未统一打包，需按供体/样本自行关联
24 去标识化 ✅ 无直接标识符；fastq 受控访问兜底生殖系风险

DAIMS 评分：19.5 / 24

评分解读：作为单细胞图谱，Tabula Sapiens 在"数据字典、设备溯源、合规、去标识化、官方预处理脚本"等结构性维度接近满分，主要扣分点集中在三处：跨样本 barcode 唯一性依赖官方过滤（自处理用户需重实现）、475 类长尾标签缺乏官方稀有类处理指引、以及三模态（转录组/免疫组库/16S）没有统一对齐接口。这些都是"高级用户会遇到"的问题，不影响常规注释/整合任务的可靠性。

对你意味着什么：① 若你的任务是细胞注释或整合基准，直接用官方 H5AD + §6.3 Pipeline，预期开箱即用；② 若你从原始矩阵自建流程，必须复刻 barcode 污染过滤（坑点 4）与 ERCC 处理（坑点 5），否则质量下降且难以察觉；③ 若你的模型依赖精细类型标签，务必利用 PopV predictability 分数做样本加权（坑点 7），并把稀有类合并为独立评估组；④ 若你要做多模态研究（免疫组库/微生物组），预算额外的关联工程时间，官方没有提供一键对齐表。

§7.8 外部验证矩阵

外部数据集/场景 来源机构 评估任务 性能指标 相对内部变化 关键发现
PopV 基准（20 器官参考→新数据迁移） CZ Biohub / UC Berkeley 跨数据集细胞注释 精确匹配数、无匹配数 — PopV 共识在精确匹配上优于任何单一注释方法；scVI/scANVI 可对全部 20 器官预训练（Ergen et al., 2024, Nat Genet. DOI: 10.1038/s41588-024-01993-3）
cfRNA 细胞来源解析 Stanford / CZ Biohub 以图谱作参考反卷积血液游离 RNA 类型贡献占比 — 证明 TS 参考可解释液体活检中细胞类型来源（Vorperian et al., 2022, Nat Biotechnol）
跨组织剪接程序 Stanford / CZ Biohub SMART-seq2 子集剪接分析 SpliZ 分数分布 — 剪接具有细胞类型与组织双重特异性，独立于表达量（Olivieri et al., 2021, eLife 10:e70692；SpliZ 方法 Olivieri et al., 2022, Nat Methods 19:307–310）
COVID 肺组织病毒接管分析 Stanford 等 肺正常参考 × 疾病队列 间质巨噬细胞病毒摄取富集 — 以 TS 肺参考定位病毒敏感细胞类型的体内证据（Wu et al., 2024, J Exp Med 221:e20232192）

§8 基准性能与生态

§8.1 基准结果与"排行榜"

Tabula Sapiens 不是固定答案的竞赛型基准，而是参考型基准：排行榜形态为"注释/整合方法在 TS 参考上的对比研究"。目前最系统的对比来自 PopV 论文（8 种自动注释方法 × 共识）：

排名 方法 任务表现（定性） 年份 关键技术 完整引用 代码
1 PopV（共识） 精确匹配数最优，优于全部单一方法 2024 7 种注释方法共识投票 + scArches 预训练 Ergen, C., Xing, G., Xu, C., et al., 2024, Nature Genetics 56:2731–2738. DOI: 10.1038/s41588-024-01993-3 CZ Biohub GitHub（popV）
2 scVI/scANVI 系 共识主成员；预训练覆盖全部 20 器官 2024 深度生成模型 + 半监督注释 同上（作为 PopV 成员方法评估） scvi-tools
3 Scanorama/BBKNN 等 参与对比；因需联合嵌入不支持全器官预训练 2024 批次校正 + 图构建 同上（成员方法） scanorama

⚠️ 上表"排名"仅反映 PopV 论文内协议下的相对结论，不同论文的 query 集合、指标与预处理差异极大，数值不可跨论文直接比较；本表因此仅收录定性结论与协议要点，未转载具体百分比。

§8.2 SOTA 总结与选型建议

单细胞注释任务的当前共识：带参考迁移（reference mapping）优于从头聚类，而多方法共识优于单方法——PopV 在 TS 上的评估正式确立了这两点。选型建议：新数据注释首选 PopV（官方口径、自带置信分数）；需要自定义模型结构选 scANVI；仅需快速探索用 scanpy 基线；把 TS 当微调语料的基础模型研究则建议在 broad_class 粗标签上先验证，再上精细类型。

§8.3 评测协议

复现 PopV 协议要点：① reference = TS（按器官预训练 scVI/scANVI embedding，scArches 映射 query）；② 指标 = 精确匹配（exact match）与无匹配（no match）计数双报告；③ 划分 = 5 折交叉验证（donor 1–2 官方示范）；④ 报告 = 附 predictability score 分层。社区通用补充指标：scIB（生物保守性 + 批次混合双轴）、macro-F1、稀有类召回。

标准标签迁移工作流的四步：预训练（在 TS 上按器官训练 scVI/scANVI）→ 映射（scArches 把 query 数据投影到参考 latent）→ 标注（kNN/PopV 投票给 query 细胞打标签并输出置信度）→ 手术式更新（发现新类型时只对局部子图增量训练，不推翻全图）。该协议的价值在于"参考不动、query 适配"，天然规避了对参考数据的重复训练成本，也使跨实验的结果可直接对齐到同一参考坐标系。

数据集 物种 规模 与 TS 关系 获取
Tabula Muris 小鼠 ~100,000 细胞 / 20 器官 方法学前身（同 Consortium） figshare / Zenodo
Tabula Muris Senis 小鼠（全年龄） ~350,000+ 细胞 前身 + 衰老维度 figshare
Human Cell Atlas 各发布项目 人 持续增长 TS 为其受控子集，HCA 平台提供镜像 data.humancellatlas.org
CZ CELLxGENE Discover 全库 人为主 数千万细胞 TS 在其中为旗舰集合之一 cellxgene.cziscience.com
Human Lung Cell Atlas 人（肺） ~2.4M 细胞 单器官深潜，可与 TS 肺/气管互补 HCA / CELLxGENE

§8.5 关键论文 Top 8

  1. The Tabula Sapiens Consortium*, Jones, R.C., Karkanias, J., Krasnow, M.A., Pisco, A.O., Quake, S.R., Salzman, J., Yosef, N., et al., 2022, The Tabula Sapiens: A multiple-organ, single-cell transcriptomic atlas of humans, Science 376(6594):eabl4896. DOI: 10.1126/science.abl4896 —— v1 数据集原始论文：同一供体多器官图谱设计、475 种细胞类型定义与双通道策略。
  2. The Tabula Sapiens Consortium, Quake, S.R., et al., 2026, Tabula Sapiens 2.0: A comprehensive transcriptomic atlas of human cell types, Cell（文章号 S0092-8674(26)00937-2）—— v2 正式发表：28 器官/24 供体、890 个细胞类型特异转录因子、衰老与性别特异分析。
  3. Ergen, C., Xing, G., Xu, C., et al., 2024, Consensus prediction of cell type labels in single-cell data with popV, Nature Genetics 56:2731–2738. DOI: 10.1038/s41588-024-01993-3 —— 官方共识注释器与 TS 标注 QC 的方法学论文。
  4. Olivieri, J.E., Dehghannasiri, R., et al., 2021, RNA splicing programs define tissue compartments and cell types at single-cell resolution, eLife 10:e70692 —— 基于 TS 活细胞测序的跨组织剪接程序图谱。
  5. Olivieri, J.E., Dehghannasiri, R., Salzman, J., 2022, The SpliZ generalizes ‘Percent Spliced In’ to reveal regulated splicing at single-cell resolution, Nature Methods 19:307–310 —— 单细胞剪接评分方法（TS plate 子集的核心分析工具）。
  6. Vorperian, S.K., Moufarrej, M.N., Tabula Sapiens Consortium, Quake, S.R., 2022, Cell types of origin of the cell-free transcriptome, Nature Biotechnology —— 以 TS 为参考解析血浆游离 RNA 的细胞来源，打通图谱→液体活检。
  7. Wu, T.T.H., Travaglini, K.J., et al., 2024, Interstitial macrophages are a focus of viral takeover and inflammation in COVID-19 initiation in human lung, Journal of Experimental Medicine 221(6):e20232192 —— TS 肺参考在疾病队列中的外部验证应用。
  8. Tabula Muris Consortium, 2018, Single-cell transcriptomics of 20 mouse organs creates a Tabula Muris, Nature 562:367–372 —— 同一 Consortium 的方法学前身，建立 plate+droplet 双通道范式。

§8.6 社区活跃度

figshare v1 页面记录 35,802 次浏览、57,244 次下载、17 次数据引用（截至 2026-09 检索）；原始论文 Google Scholar 引用 1,100+（截至 2026-09）。官方 GitHub 仓库（czbiohub-sf/tabula-sapiens）2025 年仍持续维护（README 与 paper2 目录 2025 年下半年有更新）。CZ CELLxGENE Discover 提供常驻交互 session；PopV/scvi-tools 生态保持活跃迭代。综合判断：属于"稳定维护、生态成熟"的第一梯队公开图谱。

对使用者的信号：数据获取零门槛（处理数据）、工具链官方化（scVI/PopV 同源）、答疑渠道明确（tabula-sapiens-data@czbiohub.org 与仓库 issue）——三者叠加意味着遇到问题的平均解决成本显著低于同类学术数据集；唯一需要提前规划的是原始 fastq 的 DUA 周期（人工签署，建议在项目排期中预留数个工作日）。

§8.7 生态快照

资源 类型 链接 Star/热度（截至 2026-09） 推荐理由
官方门户 数据门户 https://tabula-sapiens.sf.czbiohub.org/ — 版本、出版物、隔室 session 总入口
figshare v1 数据发布 https://figshare.com/articles/dataset/Tabula_Sapiens_release_1_0/14267219 57,244 下载 v1 注释 H5AD 官方载体（CC BY 4.0）
figshare v2 数据发布 https://figshare.com/articles/dataset/Tabula_Sapiens_v2/27921984 新发布 v2 按器官分包
AWS Open Data 原始数据 https://registry.opendata.aws/tabula-sapiens/ — fastq/比对产物/参考基因组（受控）
GitHub 代码与文档 https://github.com/czbiohub-sf/tabula-sapiens 维护中 标准本体文件、处理脚本、paper 目录
PopV 注释工具 官方门户/GitHub 检索 popV（CZ Biohub） 活跃 官方共识注释器（Nat Genet 2024）
CZ CELLxGENE 可视化平台 官方门户内跳转 — 零代码浏览整图与六大隔室
GEO GSE201333 存档 https://www.ncbi.nlm.nih.gov/geo/（检索 GSE201333） — 论文配套存档编号

§9 相关资源与引用

§9.1 官方资源

  • 官方门户：tabula-sapiens.sf.czbiohub.org —— 项目总入口：版本介绍、出版物链接、六大隔室 CELLxGENE session 入口。
  • 数据获取指引：whereisthedata —— 数据发布政策、引用要求、figshare/AWS/CELLxGENE 三渠道导航。
  • figshare 项目主页：figshare.com/projects/Tabula_Sapiens —— v1/v2 全部数据文件列表。
  • AWS Open Data 条目：registry.opendata.aws/tabula-sapiens —— 原始数据桶信息、更新频率承诺、联系方式。
  • GitHub 仓库：github.com/czbiohub-sf/tabula-sapiens —— 标准本体文件（cl.obo.txt）、scvi-tools 环境配置、两篇论文的产物目录。
  • HCA 项目镜像：HCA 项目页 —— Human Cell Atlas 平台的项目矩阵与元数据。
  • 扩展供体元数据查询：官方门户 ChatTS 工具（README 指引），可检索扩展供体信息。

§9.2 BibTeX 完整引用

<details>
<summary><strong>BibTeX 全量引用块（8 条，点击展开）</strong></summary>

@article{tabula_sapiens_2022,
  title   = {The Tabula Sapiens: A multiple-organ, single-cell transcriptomic atlas of humans},
  author  = {{The Tabula Sapiens Consortium} and Jones, Robert C. and Karkanias, Jim and
             Krasnow, Mark A. and Pisco, Angela Oliveira and Quake, Stephen R. and
             Salzman, Julia and Yosef, Nir and others},
  journal = {Science},
  volume  = {376},
  number  = {6594},
  pages   = {eabl4896},
  year    = {2022},
  doi     = {10.1126/science.abl4896}
}

@article{tabula_sapiens_v2_2026,
  title   = {Tabula Sapiens 2.0: A comprehensive transcriptomic atlas of human cell types},
  author  = {{The Tabula Sapiens Consortium}},
  journal = {Cell},
  year    = {2026},
  note    = {Article S0092-8674(26)00937-2}
}

@article{popv_2024,
  title   = {Consensus prediction of cell type labels in single-cell data with popV},
  author  = {Ergen, Can and Xing, Galen and Xu, Chenling and others},
  journal = {Nature Genetics},
  volume  = {56},
  pages   = {2731--2738},
  year    = {2024},
  doi     = {10.1038/s41588-024-01993-3}
}

@article{olivieri_2021_splicing,
  title   = {RNA splicing programs define tissue compartments and cell types at single-cell resolution},
  author  = {Olivieri, Julia Eve and Dehghannasiri, Roozbeh and others and Salzman, Julia},
  journal = {eLife},
  volume  = {10},
  pages   = {e70692},
  year    = {2021},
  doi     = {10.7554/eLife.70692}
}

@article{spliz_2022,
  title   = {The SpliZ generalizes ``Percent Spliced In'' to reveal regulated splicing at single-cell resolution},
  author  = {Olivieri, Julia Eve and Dehghannasiri, Roozbeh and Salzman, Julia},
  journal = {Nature Methods},
  volume  = {19},
  number  = {3},
  pages   = {307--310},
  year    = {2022}
}

@article{tabula_muris_2018,
  title   = {Single-cell transcriptomics of 20 mouse organs creates a Tabula Muris},
  author  = {{Tabula Muris Consortium}},
  journal = {Nature},
  volume  = {562},
  pages   = {367--372},
  year    = {2018},
  doi     = {10.1038/s41586-018-0590-4}
}

@misc{ts_data_v1,
  title  = {Tabula Sapiens release 1.0},
  author = {Pisco, Angela Oliveira and {Tabula Sapiens Consortium}},
  year   = {2021},
  doi    = {10.6084/m9.figshare.14267219},
  url    = {https://figshare.com/articles/dataset/Tabula_Sapiens_release_1_0/14267219}
}

@misc{ts_data_v2,
  title  = {Tabula Sapiens v2},
  author = {Pisco, Angela Oliveira and {Tabula Sapiens Consortium}},
  year   = {2024},
  doi    = {10.6084/m9.figshare.27921984},
  url    = {https://figshare.com/articles/dataset/Tabula_Sapiens_v2/27921984}
}

</details>

引用指南：使用 v1 数据引 tabula_sapiens_2022（官方政策原文要求 “The Tabula Sapiens Consortium, Science 376, eabl4896 (2022)”）；使用 v2 数据按官方政策引用其预印本（2024），正式版可用 tabula_sapiens_v2_2026；使用注释共识工具引 popv_2024；剪接分析引 olivieri_2021_splicing 与 spliz_2022；数据集本体同时给出 figshare DOI 以便版本追溯。

§10 AI 使用声明卡

§10.1 AI 模型列表

本条目撰写使用了以下 AI 系统：千方病案写作 Agent（底座：fast-model 大语言模型）。检索增强阶段使用 WebSearch 工具获取并核实外部事实（2026-09-13 执行，共 7 次检索，全部关键数字均有来源）。

§10.2 AI 参与范围

AI 负责初稿撰写（结构生成、代码示例编写、表格整理、BibTeX 整理）；事实核查由 AI 检索并由编辑部复核流程兜底；医学/数据工程审核声明见 §0；三段免责声明为编辑部固定模板。所有规模数字、日期、DOI、引用数均绑定检索来源，无法核实的信息已整行省略。

边界说明：AI 未对任何医学结论做独立临床判断，未引入检索来源之外的数字或 DOI；检索快照日期（2026-09-13）晚于页面审核日期（2026-09-05）的情形下，正文以审核日期口径为准，引用计数等动态指标标注"截至"月份；若官方后续发布新版本（官方口径为每 1–2 年更新一次），本条目按编辑部更新流程迭代。

§10.3 输入来源列表

  1. The Tabula Sapiens Consortium et al., 2022, The Tabula Sapiens: A multiple-organ, single-cell transcriptomic atlas of humans, Science 376(6594):eabl4896. DOI: 10.1126/science.abl4896
  2. The Tabula Sapiens Consortium et al., 2026, Tabula Sapiens 2.0: A comprehensive transcriptomic atlas of human cell types, Cell（文章号 S0092-8674(26)00937-2）
  3. The Tabula Sapiens Consortium, 2024, Tabula Sapiens v2 数据发布描述（figshare DOI: 10.6084/m9.figshare.27921984）
  4. Pisco, A.O. & Tabula Sapiens Consortium, 2021, Tabula Sapiens release 1.0（figshare DOI: 10.6084/m9.figshare.14267219）
  5. Ergen, C., Xing, G., Xu, C., et al., 2024, Consensus prediction of cell type labels in single-cell data with popV, Nature Genetics 56:2731–2738. DOI: 10.1038/s41588-024-01993-3
  6. Olivieri, J.E., Dehghannasiri, R., et al., 2021, RNA splicing programs define tissue compartments and cell types at single-cell resolution, eLife 10:e70692
  7. Olivieri, J.E., Dehghannasiri, R., Salzman, J., 2022, The SpliZ generalizes “Percent Spliced In” to reveal regulated splicing at single-cell resolution, Nature Methods 19(3):307–310
  8. Vorperian, S.K., Moufarrej, M.N., Tabula Sapiens Consortium, Quake, S.R., 2022, Cell types of origin of the cell-free transcriptome, Nature Biotechnology
  9. Wu, T.T.H., Travaglini, K.J., et al., 2024, Interstitial macrophages are a focus of viral takeover and inflammation in COVID-19 initiation in human lung, J Exp Med 221(6):e20232192
  10. Tabula Muris Consortium, 2018, Single-cell transcriptomics of 20 mouse organs creates a Tabula Muris, Nature 562:367–372
  11. Tabula Sapiens 官方门户（https://tabula-sapiens.sf.czbiohub.org/），2026-09-13 检索
  12. Tabula Sapiens 数据发布政策页（https://tabula-sapiens-portal.ds.czbiohub.org/whereisthedata），2026-09-13 检索
  13. AWS Registry of Open Data：Tabula Sapiens 条目（https://registry.opendata.aws/tabula-sapiens/），2026-09-13 检索
  14. GitHub 仓库 czbiohub-sf/tabula-sapiens（README、目录结构、LICENSE 记录），2026-09-13 检索
  15. Human Cell Atlas 项目页（https://data.humancellatlas.org/explore/projects/10201832-7c73-4033-9b65-3ef13d81656a），2026-09-13 检索
  16. PubMed 摘要页 PMID 35549404（作者与出版元数据），2026-09-13 检索
  17. Science 官网论文页（https://spj.science.org/doi/10.1126/science.abl4896），2026-09-13 检索
  18. News-Medical 报道（2022-05-16）与澎湃新闻报道（v2 Cell 发表解读），2026-09-13 检索
  19. Google Scholar 作者页（引用计数：1,165 / 1,210 两个快照），2026-09-13 检索

§10.4 人工校验表

内容模块 审核者 审核方式 审核状态
§0 E-E-A-T 与免责声明 千方病案医学编辑部 模板逐字核对 ✅ 已通过/已验证
§2 医学背景（ICD-11/SNOMED 映射） 千方病案医学编辑部 编码手册比对 ✅ 已通过/已验证
§3 规格 / §4 数据结构（规模数字溯源） 千方病案医学编辑部 逐数字对照 FACTS.md 来源 ✅ 已通过/已验证
§6 代码示例可运行性 千方病案医学编辑部 沙箱环境试运行+静态审查 ✅ 已通过/已验证
§6.5 坑点清单（8 项真实失败模式） 千方病案医学编辑部 论文/官方文档交叉验证 ✅ 已通过/已验证
§7 DAIMS 24 项与评分 千方病案医学编辑部 双人独立评分取均值 ✅ 已通过/已验证
§8 基准与生态（引用完整性） 千方病案医学编辑部 引用逐条核实 ✅ 已通过/已验证
§9 BibTeX 与引用指南 千方病案医学编辑部 DOI 解析验证 ✅ 已通过/已验证

§10.5 AI 生成章节标注

本条目全部章节的初稿由 AI 生成（范围见 §10.2），其中：§0 免责声明为编辑部固定模板（非 AI 生成）；§10.3 输入来源列表由 AI 依据检索记录整理、编辑部复核。无纯 AI 决策发布的医疗结论章节。

§10.6 最后人工审核日期

2026-09-05（与 §0 审核日期一致）。

页面状态：published（全部内容已完成审核并发布）

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：

  • 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
  • kpmp — 共享标签：基因组学与多组学 / 单细胞基因组学 / 转录组
  • metabolights — 共享标签：基因组学与多组学 / 转录组
  • metabolomics-workbench — 共享标签：基因组学与多组学 / 转录组
  • immport — 共享标签：基因组学与多组学 / 转录组
  • geo — 共享标签：基因组学与多组学 / 转录组
  • fantom5 — 共享标签：基因组学与多组学 / 转录组
  • tcga — 共享标签：基因组学与多组学 / 转录组
  • cellxgene — 共享标签：基因组学与多组学 / 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。

相关数据集

HCL — 人类细胞景观单细胞图谱 AI-Ready Wikipedia基因组学与多组学, 单细胞基因组学, 转录组Single Cell Portal — 单细胞基因组学开放数据门户 AI-Ready Wikipedia基因组学与多组学, 单细胞基因组学, 转录组
返回 AI-Ready 数据集

数据定制

标注服务

欢迎联系咨询

客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn