技术路线使用FASTQ用统一Cell Ranger重比对Harmony消批次Allen图谱做两级注释最后网页加API一起放出。文献解读这篇发在Nucleic Acids ResearchIF 16.6的数据库论文我读完第一反应是方法上一点都不新但活儿干得真细。也就是把别人发过的 PBMC 单细胞数据重新、统一、一模一样地再跑一遍好让我们能跨研究比较。如果我们的目的是找新靶点看新机制来的这篇不太适合。它就是个基础性的工作费力不讨好但是真用上的时候又离不开。文献信息英文标题PBMCpedia: a harmonized PBMC scRNA-seq database with unified mapping and enhanced celltype annotation中文标题PBMCpedia一个统一映射并增强细胞类型注释的协调化PBMC单细胞RNA测序数据库DOI10.1093/nar/gkaf1245时间2025年11月杂志Nucleic Acids Research团队德国萨尔大学临床生信团队 通讯作者Keller 和 Grandke网址 https://web.ccb.uni-saarland.de/pbmcpedia/为什么要做有这个库我刚做单细胞那会儿也干过蠢事——从 GEO 上下载几个数据集合并出图觉得自己挺牛。然后被批次效应教做人。A 研究和 B 研究的细胞混一起 UMAP 上硬是分两堆。是生物学差异还是人家比对用的参考基因组版本都不一样根本分不清。公开的 PBMC 数据有不少。Allen 做了 1600 万细胞的人类免疫图谱但只收健康人的数据。Jiménez-Gracia 的炎症图谱 356 个患者数据却不开放下载。Connolly 的衰老图谱 280 万细胞流程不统一没有统一入口。CancerSCEM 2.0 有一千多个数据集但是重心在肿瘤微环境他们每个都只关注一个重心。PBMCpedia 的想法特别朴素既然各算各的比不了那我把原始数据全整理到一块儿用一条线重做。如何做一抓原始数据。SRA Toolkit 从 SRA 拉 FASTQprefetch、vdb-validate、fasterq-dump连 index reads 都留着。提交格式乱七八糟需要手动比对。二统一比对。全部 Cell Ranger v9.0.0比对 GRCh38-2024-A。很多不可比的病根就在这。比对版本都不一样后面怎么调都救不回来。他们直接确定版本。三清除背景 RNA。CellBender v0.3.2去掉液滴背景噪声。四找双细胞。Scrublet有 CITE-seq 的把表面蛋白也算上。五质控。去除基因数少于 200 基因/UMI 数超过 98 分位。六去批次。Harmony按 project 和 sample ID在 15 个 PC 上做UMAP 上看表达的怎么样。七注释。Allen 的 cell_type_mapper包括L1 大谱系L2 细亚群参考 Human Immune Health Atlas再用已知 marker 人工核对。八差异和富集。pseudobulk 差异用 Scanpy 加 limmaGSEA 用 GSEApy按性别年龄分层。九多模态。TCR/BCR 用 Cell Ranger vdj 加 scirpy75 个样本CITE-seq 表面蛋白 56 个样本。三种模态分开存不硬塞一个 embedding留给自己决定怎么用。分工网页是 Django 搭的Plotly 画图DataTables 做表还开了 API 可以直接读取数据。顺手连接了 CellMarker、PanglaoDB、MSigDB、Human Protein Atlas 用来做注释。结果解读图0图形摘要。一张图把上面那条线压扁了左边原始数据进来中间重处理加两级注释右边网页能查基因、查 marker、做富集。我看到它第一反应不是又发库了是这条重处理的路子能直接使用。如果是有几个散装数据集想合并照这个流程处理能少踩一半坑。这张图建议存下来当模板。图1A、1B规模和样本构成。:519 样本4293193 个高质量细胞覆盖 14 类不同背景的队列感染、自免疫、神经退行这些方向都有加健康对照图1B 是性别分布。作者把 sex 分成男、女、未知三类因为原始报告本来就不齐。很多库假装标签是干净的它直接把不知道标出来反而增加可信度。图1C和四大库的重叠。:这张适合做整合工作 的人参考。PBMCpedia 跟 Allen、炎症图谱、衰老图谱、CancerSCEM 画了重叠关系结果它跟其中两个只共享一小类研究其余基本不重叠。也就是说它补充的是前面没覆盖的样本不是重复工作。选库之前先看一眼这张图能省不少事儿。图1D质控的代价。:这张流程图容易被忽略但它是整篇最该收藏的一张。严苛质控下来超过一半5625609 个最初抓到的细胞被扔了。作者特意讲他们没用死板的线粒体比例卡线——PBMC 里不同免疫细胞线粒体本底本来就不一样一刀切会误杀特定细胞类型。这个取舍做过 PBMC 质控的人会懂。他们只打了个 10% 线粒体的标记可以自主筛选。图2网页实操。光有数据不行得能使用。图2 是查 CD4、CD8A 的效果点图里点大小是表达该基因的细胞比例颜色深浅是平均表达热图按大谱系排。我试了下那个 API拉取某个基因跨细胞类型的表达比自己从头读 h5ad 省事太多。没算力又想快点出图的组这个平台基本能把复现一张图压缩到几分钟。不足之处这篇的亮点在于统一重新分析、透明 QC、两级注释、多模态并存——单拎出来哪个都不新鲜但是就能串成一条能复现的线原因在于比前面的库多走了一步。短板部分队列肿瘤、罕见病方向代表性还不足批次校正再强残留的队列差还在作者提醒要小心看拿 metadata 。其实说白了就是公开数据的再加工能覆盖多广则受限于已经发表的研究。但是作者说下一版会增加继续更新空间转录组、细胞互作网络。点评乔粒站在工作的角度有几处能直接借鉴①统一重处理的魄力。大多数人拿到 GEO 的 count 矩阵就开始分析但是本文偏偏回到退回 FASTQ 重新分析。可太费劲了但换来的是高可比性。②死线粒体阈值不卡死。这是 PBMC 特有的缺陷文档里写得明白这个判断直接借鉴比套通用流程稳。③两级注释能迁移。L1 给大方向L2 给细亚群新手老手都能使用。自己搭注释流程时这个分层思路能够直接套用。④网页加 API 的复用价值库发出来能不能被低成本的使用一半要看接口。API等于把复现的门槛砍到最低。想发类似资源的团队这是一条捷径。最后再啰嗦一句它是计算调和出来的资源最后的生物学意义还得靠自己的课题去验证。正所谓工具是工具问题是问题。乔粒科研工坊 以解牛之法析生信观微雀之形览科研今天的文献分享就到这里啦欢迎批评指正