这个基因在哪个器官里表达高bulk RNA-seq54个组织位点Human Cell Atlas人体所有细胞类型的完整目录多中心联盟项目数据分散在各门户SCEA这个基因在某个研究的哪些细胞类型里是统一重处理的scRNA-seq实验集进行一下类比, 关于这个类比的失效边界可查看第七节, GTEx是一栋楼里面每间房屋各自电表读取出来的总数, SCEA是每间房屋之内每一盏灯的开关所处状态。二、家底盘点2026年8月24日实测SCEA给出一个官方JSON清单端点, 一回返回全部实验元讯息。当天抓取结果:C:///curl.exe -s -o .json指标实测数值说明实验总数384个全部为正常/参照态表达细胞总数合计15,370,362约1537万个细胞/文库物种数22种动物359 / 植物21 / 原生生物3 / 真菌1人/鼠实验160 / 125个果蝇41个排第三Fly Cell Atlas贡献最大实验E-ANND-5911,873 cells发育期人体免疫系统跨器官图谱HCA关联实验99个标记为Human Cell Atlas项目COVID相关实验22个2020-2021疫情期的集中收录数据更新跨度2018-05 至 2026-04最近一次更新2026年4月几个值得记住的点SCEA 是只进行操作而不单单是做, 疾病与正常的差异分析实验归属 Atlas 主库bulk 侧 , 此处收纳的是“正常态 / 参照态”的单细胞表达 , “assay”同细胞类似 , 但严格来讲是单个细胞构建的一个测序文库, 个别实验中一个细胞测两次会存在轻微重复计数 , 在量级方面可忽略不计 , 规模上它并非最大的单细胞数据库HCA 、体量更大 , 但它是唯一由 EBI 运用同一套流程统一重新处理的 , 这便正是它的核心价值 , 下一节展开 , 三是为何需要”统一重处理”? ——SCEA存在的根本理由设想一下, 你从GEO那儿下载了5篇有关乳腺上皮的scRNA-seq研究, 打算进行合并分析, 是如此吧。SCEA将这些通通消除, EBI团队在获取原始数据之后, 运用自身的统一流程, 也就是先进行比对, 接着开展定量, 随后实施质控过滤, 再予以聚类, 之后进行基因检测, 最后进行细胞类型注释, 重新走上一遍, 然后:也要知晓代价: SCEA进行重处理后所形成的结果给出的是“一份观点”, 并非属于唯一性的真理。原作者要是选用了另外一套参数, 那么就有可能聚集出数量不一样的亚群。在进行引用的时候, 写上“经SCEA统一管线重处理”, 相较于写上“SCEA证实了XX”, 会显得更为准确。四、采取三种用法, 先是网页, 接着进行下载, 然后是 API4.1 网页交互, 此为零代码的情形。首页的搜索框之中输入基因名, 像KRT8这样的, 选择物种之后, 所得到的是这样的结果列表, 即“哪些实验之中这个基因存在有表达或者记录的”。点击进入任何一个实验:适合快速看一眼、截个图放PPT。4.2 文件下载推荐给要做正式分析的读者在每个实验页面的右上角位置, 有按钮能够给出标准文件包。需要注意此项, 即这个地方的URL模式, 是网上教程出错频率最高的所在之处。具体而言, 路径呈现的是单数这种情况, 而非复数的状况。并且, 源码作者特意撰写了一条注释, 用来提醒关于这一点的相关内容。当日实测以E-CURD-7人乳腺上皮为例BASEC盘斜线斜线curl.exe, 以静默方式, 使用“$BASE/?-”这个内容, 输出到.tsv文件。C盘根目录斜线斜线curl.exe, 以静默模式运行, 请求指向$BASE斜线zip问号等于号负号genes的链接, 将结果输出到点zip文件。的全部合法值实测自官网下载菜单内容格式-每细胞一行供体、组织、细胞类型标签等TSV-raw过滤后的raw 矩阵MTX三件套zip-进一步过滤版MTX zip归一化后的表达矩阵MTX zip-genes每个一个TSVTSV zip-实验级说明文件zip细胞→对应关系TSVMTX三件套乃稀疏矩阵, 此稀疏矩阵以(.mtx)为标识, 包含行名也就是基因, 还附带列名即细胞, 这些都能够直接进行读取。经过真实测试, 在E-CURD-7中, 存在25,155个基因与631个细胞, 这是经过质量控制之后的数据, 其raw包大小约为20 MB。4.3 一条龙官方封装内置了SCEA下载函数两行拿到对象as scadata sc..(E-CURD-7)# 返回 X , obs细胞元数据, var基因它在内心里就是捣鼓拼接上面那两个URL, 也就是.tsv加上 -raw.zip, 所以同样会受到”单数”URL的限禁制的约束。不想进行安装其部件这一行为动作和操作的人, 使用4.2版本的裸curl加上自己动手去展开、组装起来, 也完全是具有等价性、等同性的。4.4 JSON查询端点本文实测的重点索尼电脑娱乐美国分公司没有具备正式性质的REST API文档, 然而前端进行调用的JSON服务能够直接加以使用。# 全部实验元信息curl -s # 某实验的基因热图数据按聚类curl -s # 某基因在某实验的逐细胞表达UMAP坐标叠加用curl -s # 基因名自动补全curl -s 实测踩坑实录都是2026-08-24当天撞上的JSON端点速度极其慢, 其中全库基因检索超过120秒都没有响应, 说明这是服务端所出现的问题, 并非是操作姿势有误。对于批量任务而言应当改用4.2下载文件接着在本地进行处理。cell - plots必须携带维度参数, 当等于UMAP时若不携带等于20会报错。这些默认参数隐藏在实验页面的HTML里的字段中, 需先抓取页面才能够调用API。k值不可以随意猜测, 因为每个实验的预聚类k值是不一样的, 例如E - CURD - 7是。2,4,5,7,11,17,22,26传错k报Index 0超出范围。k列表也在页面HTML里。基因只有ID, 没有其他内容: 需自我获取端点或转换见第五节实战相关内容。这些JSON端点属于前端内部接口, 不存在稳定性承诺, 在生产环境中要谨慎依赖。五、十分钟的实战描述: 从实验到“哪个表达KRT8最高”。场景: 你想晓得, 于乳腺上皮研究E-CURD-7之时, 8KRT8, : ENSG主要处于哪一群细胞当中。Step 1 — 拿设计文件看每细胞元数据as pd pd.(.tsv, sep\t)print(.Shape), (867, 25), 注意, 包含全部867个assay, 然而矩阵仅仅保留经过QC之后的631个细胞。Step 2 — 拿归一化矩阵抽KRT8那一行, numpy as npfrom scipy.ioz .(norm.zip)mtx (z.open(n for n in z.() if n.(.mtx))) # 25155 x 631要留意, _rows/_cols文件呈现的是IDID这样的双列格式情况, 从中选取的是第一列。genes 把n赋值给n, 对于在z的括号里的n而言, 如果n有“_rows”这个属性。cells l.().split(\t) for l in z.open(请你提供的内容有误, 这看起来不像是正确的代码片段。请修正后再让我进行改写。krt8 mtx若numpy数组中的基因等于“ENSG”采用np.where函数, 冒号。.().()Step 3 — 对比各的平均表达clu pd.(,sep 等于\t, # 第一列, sel.K 等于 TRUE 的那一行, 就是默认聚类。row clu.iloc dict(zip(clu., row.))df pd.({:for c in cells, KRT8:krt8})试验实测得出的输出结果是, 4 的平均表达处于最高水平, 大约为 557 CPM, KRT8 在此次实验里 75%的细胞当中被检测到出现, 这一情况是符合乳腺腔上皮的生物学预期的。步骤4, 进行交叉验证基因表, 要下载-genes包, 查看KRT8是不是出现在某的高logFC名单之中实际测量它处于k17聚类情况下17的第9位, logFC等于4.86, 这与步骤3的结果是一致的, 接着随机抽查排名靠前的比如1榜首ENSG为MGP, logFC是7.08前去文献核对查看其生物学合理性。整个流程, 不安装任何单细胞软件, 纯粹借助scipy, 在笔记本上便可运行。这恰恰就是SCEA的价值所在, 它把那些繁重的工作预先完成了, 并留给你的仅仅是查询以及小规模的计算。六、什么时候别用它诚实地说出边界帮你省时间场景该用SCEA吗替代方案快速查基因的细胞类型分布、找首选教学演示、截图入门首选需要疾病vs对照的差异分析只收/ 原始GEO需要最新最大的人类图谱如 全量️ 部分收录HCA Data /需要自己重聚类、改参数️ 可以下载MTX重跑但要尊重原设计直接下原始数据需要蛋白水平验证只有RNA层Human Atlas还有一个隐性的限制, 那就是SCEA的收录存在选择性, 何为选择性? 是需要经过人工筛选以及质量把关的那般过程, 并非所有的GEO scRNA-seq数据都在其中。另外要注意, 查完之后没有找到相关数据, 并不等同于实际上数据不存在。七、类比的失效边界认真版第一节讲“GTEx是房间电表总读数, SCEA是每盏灯的开关”, 这般阐述有着不恰当性, 这番类比存在误导性, 此比喻会在三处地方误导你:不是开关, 单细胞表达是连续谱。在同一个细胞类型当中, KRT8的表达量存在高低差别呈对数正态分布, 并非亮或灭的二值情况。更确切的图像是, 每一盏灯都设有一个亮度调节旋钮, 并且该旋钮在同类灯之间的位置也并非完全相同。细胞类型自身是聚类的结果, 并非天然的实体。k等于7时聚出的3, 和k等于26时聚出的3, 有可能完全属于不同的细胞集合。SCEA给出的细胞类型标签, 是基于这套流程以及这组参数所生成的一份注释, 并非柏拉图理念中真正的细胞类型。类比将问题给掩盖了, 单细胞捕获效率存在着限度, 真实表达的基因存在着相当大的概率被测到为0, 也就是假阴性, “灯灭”这种情况, 有可能是真的没开启, 还有可能是灯已经开启了, 然而却没有人看见, 在解读低表达或者零表达的时候, 需要留好这个心眼, 八, 横向对比的那个速查表。维度SCEAGTExHCA数据层级单细胞()bulk单细胞(含疾病)单细胞(图谱级)重处理EBI统一管线官方管线️ 收录即用为主各团队自有体量384实验/1537万细胞~2万样本数千万细胞千万级物种22种人为主人为主模式动物上手难度适合入门/快查/教学组织层定位大规模整合分析权威图谱引用九、FAQ问题1: SCEA跟Atlas存在着怎样的关系呢。它们是来自同一个团队也就是EMBL - EBI的Atlas组的两个不同模块, 其中主库gxa负责管理bulk以及蛋白表达方面, 而SC子库gxa/sc负责管理单细胞相关内容。在文献引用的时候要留意进行区分, 旗舰论文共同使用“Acids数据库特刊”, 这种特刊每年会有一篇, 是一个系列的。问句二: 数据可不可以用于商业用途? SCEA自身是依据EBI开放政策来提供的, 然而每一个实验另外都有着原始来源许可大多数属于CC - BY类别, 在下游使用之前要前往实验页面去确认相关的来源条款。问题3: 怎样进行引用行为呢? 资源本体引用NAR系列论文内容2020年为创刊号、2024年有更新、2026年为最新状态, 具体的发现情况还需要引用原始研究内容实验页面均给出了原文对应的链接。Q4: 为何我所搜索的基因于某个实验当中查找不到呢? 存在三种可能性: 其一, 该一实验未曾测到该基因基因panel以及物种相互不匹配这一情况其二, 致使表达量成为零其三, SCEA重处理之际的质控将其过滤掉了。应当先于别的实验进行交叉确认之后再得出结论。Q5: 是否能够拿到原始的fastq呢? 答案是否定的。SCEA所给予的是重新处理之后的产物, 具体为矩阵以及聚类等方面。原始的序列需要从实验页面的链接进行跳转, 从而到源库当中去另外获取。这里的源库是GEO以及EGA。而涉及到人类供体的那一部分, 通常是需要进行dbGaP或者EGA的受控申请的。
Single Cell Expression Atlas（SCEA）： 从网页点到代码拉数据
这个基因在哪个器官里表达高bulk RNA-seq54个组织位点Human Cell Atlas人体所有细胞类型的完整目录多中心联盟项目数据分散在各门户SCEA这个基因在某个研究的哪些细胞类型里是统一重处理的scRNA-seq实验集进行一下类比, 关于这个类比的失效边界可查看第七节, GTEx是一栋楼里面每间房屋各自电表读取出来的总数, SCEA是每间房屋之内每一盏灯的开关所处状态。二、家底盘点2026年8月24日实测SCEA给出一个官方JSON清单端点, 一回返回全部实验元讯息。当天抓取结果:C:///curl.exe -s -o .json指标实测数值说明实验总数384个全部为正常/参照态表达细胞总数合计15,370,362约1537万个细胞/文库物种数22种动物359 / 植物21 / 原生生物3 / 真菌1人/鼠实验160 / 125个果蝇41个排第三Fly Cell Atlas贡献最大实验E-ANND-5911,873 cells发育期人体免疫系统跨器官图谱HCA关联实验99个标记为Human Cell Atlas项目COVID相关实验22个2020-2021疫情期的集中收录数据更新跨度2018-05 至 2026-04最近一次更新2026年4月几个值得记住的点SCEA 是只进行操作而不单单是做, 疾病与正常的差异分析实验归属 Atlas 主库bulk 侧 , 此处收纳的是“正常态 / 参照态”的单细胞表达 , “assay”同细胞类似 , 但严格来讲是单个细胞构建的一个测序文库, 个别实验中一个细胞测两次会存在轻微重复计数 , 在量级方面可忽略不计 , 规模上它并非最大的单细胞数据库HCA 、体量更大 , 但它是唯一由 EBI 运用同一套流程统一重新处理的 , 这便正是它的核心价值 , 下一节展开 , 三是为何需要”统一重处理”? ——SCEA存在的根本理由设想一下, 你从GEO那儿下载了5篇有关乳腺上皮的scRNA-seq研究, 打算进行合并分析, 是如此吧。SCEA将这些通通消除, EBI团队在获取原始数据之后, 运用自身的统一流程, 也就是先进行比对, 接着开展定量, 随后实施质控过滤, 再予以聚类, 之后进行基因检测, 最后进行细胞类型注释, 重新走上一遍, 然后:也要知晓代价: SCEA进行重处理后所形成的结果给出的是“一份观点”, 并非属于唯一性的真理。原作者要是选用了另外一套参数, 那么就有可能聚集出数量不一样的亚群。在进行引用的时候, 写上“经SCEA统一管线重处理”, 相较于写上“SCEA证实了XX”, 会显得更为准确。四、采取三种用法, 先是网页, 接着进行下载, 然后是 API4.1 网页交互, 此为零代码的情形。首页的搜索框之中输入基因名, 像KRT8这样的, 选择物种之后, 所得到的是这样的结果列表, 即“哪些实验之中这个基因存在有表达或者记录的”。点击进入任何一个实验:适合快速看一眼、截个图放PPT。4.2 文件下载推荐给要做正式分析的读者在每个实验页面的右上角位置, 有按钮能够给出标准文件包。需要注意此项, 即这个地方的URL模式, 是网上教程出错频率最高的所在之处。具体而言, 路径呈现的是单数这种情况, 而非复数的状况。并且, 源码作者特意撰写了一条注释, 用来提醒关于这一点的相关内容。当日实测以E-CURD-7人乳腺上皮为例BASEC盘斜线斜线curl.exe, 以静默方式, 使用“$BASE/?-”这个内容, 输出到.tsv文件。C盘根目录斜线斜线curl.exe, 以静默模式运行, 请求指向$BASE斜线zip问号等于号负号genes的链接, 将结果输出到点zip文件。的全部合法值实测自官网下载菜单内容格式-每细胞一行供体、组织、细胞类型标签等TSV-raw过滤后的raw 矩阵MTX三件套zip-进一步过滤版MTX zip归一化后的表达矩阵MTX zip-genes每个一个TSVTSV zip-实验级说明文件zip细胞→对应关系TSVMTX三件套乃稀疏矩阵, 此稀疏矩阵以(.mtx)为标识, 包含行名也就是基因, 还附带列名即细胞, 这些都能够直接进行读取。经过真实测试, 在E-CURD-7中, 存在25,155个基因与631个细胞, 这是经过质量控制之后的数据, 其raw包大小约为20 MB。4.3 一条龙官方封装内置了SCEA下载函数两行拿到对象as scadata sc..(E-CURD-7)# 返回 X , obs细胞元数据, var基因它在内心里就是捣鼓拼接上面那两个URL, 也就是.tsv加上 -raw.zip, 所以同样会受到”单数”URL的限禁制的约束。不想进行安装其部件这一行为动作和操作的人, 使用4.2版本的裸curl加上自己动手去展开、组装起来, 也完全是具有等价性、等同性的。4.4 JSON查询端点本文实测的重点索尼电脑娱乐美国分公司没有具备正式性质的REST API文档, 然而前端进行调用的JSON服务能够直接加以使用。# 全部实验元信息curl -s # 某实验的基因热图数据按聚类curl -s # 某基因在某实验的逐细胞表达UMAP坐标叠加用curl -s # 基因名自动补全curl -s 实测踩坑实录都是2026-08-24当天撞上的JSON端点速度极其慢, 其中全库基因检索超过120秒都没有响应, 说明这是服务端所出现的问题, 并非是操作姿势有误。对于批量任务而言应当改用4.2下载文件接着在本地进行处理。cell - plots必须携带维度参数, 当等于UMAP时若不携带等于20会报错。这些默认参数隐藏在实验页面的HTML里的字段中, 需先抓取页面才能够调用API。k值不可以随意猜测, 因为每个实验的预聚类k值是不一样的, 例如E - CURD - 7是。2,4,5,7,11,17,22,26传错k报Index 0超出范围。k列表也在页面HTML里。基因只有ID, 没有其他内容: 需自我获取端点或转换见第五节实战相关内容。这些JSON端点属于前端内部接口, 不存在稳定性承诺, 在生产环境中要谨慎依赖。五、十分钟的实战描述: 从实验到“哪个表达KRT8最高”。场景: 你想晓得, 于乳腺上皮研究E-CURD-7之时, 8KRT8, : ENSG主要处于哪一群细胞当中。Step 1 — 拿设计文件看每细胞元数据as pd pd.(.tsv, sep\t)print(.Shape), (867, 25), 注意, 包含全部867个assay, 然而矩阵仅仅保留经过QC之后的631个细胞。Step 2 — 拿归一化矩阵抽KRT8那一行, numpy as npfrom scipy.ioz .(norm.zip)mtx (z.open(n for n in z.() if n.(.mtx))) # 25155 x 631要留意, _rows/_cols文件呈现的是IDID这样的双列格式情况, 从中选取的是第一列。genes 把n赋值给n, 对于在z的括号里的n而言, 如果n有“_rows”这个属性。cells l.().split(\t) for l in z.open(请你提供的内容有误, 这看起来不像是正确的代码片段。请修正后再让我进行改写。krt8 mtx若numpy数组中的基因等于“ENSG”采用np.where函数, 冒号。.().()Step 3 — 对比各的平均表达clu pd.(,sep 等于\t, # 第一列, sel.K 等于 TRUE 的那一行, 就是默认聚类。row clu.iloc dict(zip(clu., row.))df pd.({:for c in cells, KRT8:krt8})试验实测得出的输出结果是, 4 的平均表达处于最高水平, 大约为 557 CPM, KRT8 在此次实验里 75%的细胞当中被检测到出现, 这一情况是符合乳腺腔上皮的生物学预期的。步骤4, 进行交叉验证基因表, 要下载-genes包, 查看KRT8是不是出现在某的高logFC名单之中实际测量它处于k17聚类情况下17的第9位, logFC等于4.86, 这与步骤3的结果是一致的, 接着随机抽查排名靠前的比如1榜首ENSG为MGP, logFC是7.08前去文献核对查看其生物学合理性。整个流程, 不安装任何单细胞软件, 纯粹借助scipy, 在笔记本上便可运行。这恰恰就是SCEA的价值所在, 它把那些繁重的工作预先完成了, 并留给你的仅仅是查询以及小规模的计算。六、什么时候别用它诚实地说出边界帮你省时间场景该用SCEA吗替代方案快速查基因的细胞类型分布、找首选教学演示、截图入门首选需要疾病vs对照的差异分析只收/ 原始GEO需要最新最大的人类图谱如 全量️ 部分收录HCA Data /需要自己重聚类、改参数️ 可以下载MTX重跑但要尊重原设计直接下原始数据需要蛋白水平验证只有RNA层Human Atlas还有一个隐性的限制, 那就是SCEA的收录存在选择性, 何为选择性? 是需要经过人工筛选以及质量把关的那般过程, 并非所有的GEO scRNA-seq数据都在其中。另外要注意, 查完之后没有找到相关数据, 并不等同于实际上数据不存在。七、类比的失效边界认真版第一节讲“GTEx是房间电表总读数, SCEA是每盏灯的开关”, 这般阐述有着不恰当性, 这番类比存在误导性, 此比喻会在三处地方误导你:不是开关, 单细胞表达是连续谱。在同一个细胞类型当中, KRT8的表达量存在高低差别呈对数正态分布, 并非亮或灭的二值情况。更确切的图像是, 每一盏灯都设有一个亮度调节旋钮, 并且该旋钮在同类灯之间的位置也并非完全相同。细胞类型自身是聚类的结果, 并非天然的实体。k等于7时聚出的3, 和k等于26时聚出的3, 有可能完全属于不同的细胞集合。SCEA给出的细胞类型标签, 是基于这套流程以及这组参数所生成的一份注释, 并非柏拉图理念中真正的细胞类型。类比将问题给掩盖了, 单细胞捕获效率存在着限度, 真实表达的基因存在着相当大的概率被测到为0, 也就是假阴性, “灯灭”这种情况, 有可能是真的没开启, 还有可能是灯已经开启了, 然而却没有人看见, 在解读低表达或者零表达的时候, 需要留好这个心眼, 八, 横向对比的那个速查表。维度SCEAGTExHCA数据层级单细胞()bulk单细胞(含疾病)单细胞(图谱级)重处理EBI统一管线官方管线️ 收录即用为主各团队自有体量384实验/1537万细胞~2万样本数千万细胞千万级物种22种人为主人为主模式动物上手难度适合入门/快查/教学组织层定位大规模整合分析权威图谱引用九、FAQ问题1: SCEA跟Atlas存在着怎样的关系呢。它们是来自同一个团队也就是EMBL - EBI的Atlas组的两个不同模块, 其中主库gxa负责管理bulk以及蛋白表达方面, 而SC子库gxa/sc负责管理单细胞相关内容。在文献引用的时候要留意进行区分, 旗舰论文共同使用“Acids数据库特刊”, 这种特刊每年会有一篇, 是一个系列的。问句二: 数据可不可以用于商业用途? SCEA自身是依据EBI开放政策来提供的, 然而每一个实验另外都有着原始来源许可大多数属于CC - BY类别, 在下游使用之前要前往实验页面去确认相关的来源条款。问题3: 怎样进行引用行为呢? 资源本体引用NAR系列论文内容2020年为创刊号、2024年有更新、2026年为最新状态, 具体的发现情况还需要引用原始研究内容实验页面均给出了原文对应的链接。Q4: 为何我所搜索的基因于某个实验当中查找不到呢? 存在三种可能性: 其一, 该一实验未曾测到该基因基因panel以及物种相互不匹配这一情况其二, 致使表达量成为零其三, SCEA重处理之际的质控将其过滤掉了。应当先于别的实验进行交叉确认之后再得出结论。Q5: 是否能够拿到原始的fastq呢? 答案是否定的。SCEA所给予的是重新处理之后的产物, 具体为矩阵以及聚类等方面。原始的序列需要从实验页面的链接进行跳转, 从而到源库当中去另外获取。这里的源库是GEO以及EGA。而涉及到人类供体的那一部分, 通常是需要进行dbGaP或者EGA的受控申请的。
