当前位置：首页 > news >正文

文献解读 | IF16.6! 德国萨尔大学临床生信团队：PBMCpedia把24个公开数据集“焊“成了一个，429万细胞全重跑

news 2026/7/13 15:17:23

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 Research（IF 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
DOI：10.1093/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 FASTQ，prefetch、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 limma，GSEA 用 GSEApy，按性别年龄分层。

九，多模态。TCR/BCR 用 Cell Ranger vdj 加 scirpy（75 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。