PRJEB27451：单细胞RNA测序数据中条形码交换的检测与去除

数据集获取

源站：https://ncbi.nlm.nih.gov/bioproject/PRJEB27451

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

条形码交换会导致在新图案化流动池Illumina测序仪上多重样本间的测序读段错误标记。这可能影响众多基因组检测的有效性，尤其是单细胞研究中，通常会将许多样本多重混合在一起。条形码交换对单细胞转录组研究的严重性和后果仍知之甚少。我们采用两种统计方法，稳健地量化了两个基于板式的单细胞RNA测序数据集中每个数据集的交换读段比例。我们发现，在HiSeq 4000机器上，样本间大约有2.5%的读段被错误标记，这一比例低于之前的报告。我们观察到交换读段比例与板间游离条形码浓度之间没有相关性。此外，我们还证明，条形码交换可能在基于液滴的单细胞RNA测序研究中产生复杂但人为的细胞文库。

为消除这些伪影，我们开发了一种算法，用于排除10X Genomics实验中在样本间发生交换的单个分子，利用数据中存在的组合复杂性。这使得基于液滴的实验得以继续使用尖端测序仪，同时避免条形码交换带来的混杂效应。该数据存储库包含与Griffiths等人（2018年）基于液滴的单细胞RNA测序数据集相关的测序文件。此处提供的数据应仅用于技术分析，其生物学动机简要描述如下：乳腺是一个独特的器官，因为其大部分发育发生在青春期和成年期。表征各种乳腺上皮细胞的层级结构及其在妊娠、哺乳和退化过程中的调控方式，对于理解乳腺癌的发生发展具有重要意义。近期研究已使用众多标志物来

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。