复现 Han et al. Mouse Cell Atlas：从 GSE108097 到跨组织 marker 证据边界

Han et al. 的 Mouse Cell Atlas 是单细胞领域里经常被引用的大图谱工作。它的吸引力不止于“细胞很多”或“组织很多”；它给了后续研究一个重要问题：当一个公开 atlas 数据被重新拿来做旧项目补图、细胞注释审计或跨组织 marker 解释时，我们到底能从公开矩阵中稳当地说什么？本文不把目标设成完整重建 Mouse Cell Atlas，也不把每一个细胞都重新命名。相反，本文把问题收窄到一个更适合复现和项目交付的切口：在公开 per-sample DGE 中，免疫、上皮、基质、内皮、红系以及器官特异 marker 的证据链是否清楚；哪些图能支持解释；哪些地方必须写成边界，而不能写成机制结论。

为什么这篇 atlas 复现值得认真做？

大图谱类论文最容易出现两种相反的问题。第一种是过度简化：下载数据、画一张 UMAP，然后把它叫做“复现完成”。第二种是过度解释：看到组织之间分开、某些 marker 有信号，就把它写成精细细胞类型、空间生态位或机制差异。Mouse Cell Atlas 这种数据尤其需要警惕，因为它覆盖组织多、细胞类型层级多、文件结构也比普通单组织数据更复杂。

对研究者有价值的复现，需要回答一个实际问题：如果手里有一批公开或旧项目的单细胞对象，能否把它整理成可信的结果图证据？哪些 marker 可以支撑注释？哪些组织差异只是样本结构或矩阵边界带来的提示？哪些结论必须回到原始 reads、完整 metadata 或更细的人工注释才能继续推进？

本文的切入点就是这个痛点。我们选择了 GSE108097 中 28 个公开 per-sample UMI DGE 文件，覆盖骨髓、外周血、脾、胸腺、小肠、肝、肺、肾、胰腺、胎肾、胎胰腺和新生胰腺等样本。分析目标收窄为跨组织 marker 证据审计：哪些信号强，哪些信号混合，哪些结果能直接进入长文解释，哪些只能作为后续分析方向。

论文和数据来源

论文、数据和公开矩阵信息如下。这里先把来源和矩阵层级交代清楚。

公开矩阵进入分析前，先确认数据层级和规模。

复现边界先写清楚： 本文使用公开 per-sample DGE 文件做平衡抽样、标准化、降维和 marker module 审计。这里的结果适合回答“跨组织 marker 证据是否清楚”和“哪些解释边界需要保留”。它不能替代 FASTQ 级重新比对，不能替代全量 Mouse Cell Atlas batch-removed 整合矩阵，也不能单独推出空间生态位、谱系机制或完整细胞类型图谱。

方法和分析流程：先定义问题，再组织证据

本文的处理顺序从数据层级开始：核对论文、DOI、PubMed 和 GSE108097 数据入口，确认本文使用的是公开 per-sample UMI DGE；从 28 个 DGE 文件中按样本平衡抽样，避免大样本在 UMAP 和构成图中过度主导；计算每个细胞的 total UMI 和 detected genes，用于判断矩阵可读性和表达检测稳定性；用免疫、T/B/myeloid、上皮、内皮、基质、红系、肝、肺、胰腺、肾、小肠和增殖 marker module 组织证据链；将 UMAP、marker dotplot、组织构成、组织 marker module 和边界审计串起来，避免连续堆图后再统一解释。这组处理先确认公开矩阵能支撑哪些问题，再把结果图解释限制在当前证据内。

数据选择：大 atlas 复现不等于把所有组织铺一遍

Mouse Cell Atlas 原文覆盖大量组织和细胞类型。本文没有把“全覆盖”作为目标，这里选择一组能支撑跨组织边界审计的样本：免疫/血液富集组织、实体器官、发育相关样本都保留一部分。这样做的原因很直接：如果文章想证明复现能力，最重要的是展示可解释证据链，避免机械列出所有文件。

图 1. 本次使用 28 个公开 per-sample DGE 文件，选定文件中共有 93,160 个公开细胞条码，并按样本平衡抽样 14,566 个细胞进入后续分析。这个设计保留了 atlas 的跨组织特征，但把问题收窄到 marker 证据审计。

这个图先回答“数据从哪里来、覆盖什么范围”。它也提醒我们：本文不做 Mouse Cell Atlas 的全量再发表，从公开数据中抽出一个能严肃复现的子问题。对于很多旧单细胞项目，类似策略更有实际意义。研究者未必要把所有细胞重新命名一遍，但往往需要知道：现有矩阵是否足够支持某个图、某段解释或某个补充分析。

矩阵可读性：不同组织的 UMI 和 detected genes 先看清

跨组织数据的第一层检查应放在每个组织和样本的表达检测规模上。UMI depth 和 detected genes 的差异会影响 marker score、低表达 marker 解释和组织间比较。如果不先看这一层，很容易把“检测强弱”误读成“生物差异强弱”。

图 2. 不同组织的 total UMI 和 detected genes 分布并不完全一致。这个图不用于给组织打分；用于提示后续 marker 解释要考虑表达稀疏、检测不稳定和 per-sample DGE 的边界。

在实际复现里，这一步很容易被省略，但它决定了后面文字能不能写得严肃。例如，如果某个组织的 detected genes 明显偏低，那么单个 marker 未检出并不能直接说明该细胞没有对应身份；反过来，如果某个模块由多个 marker 同时支持，可信度就高于单基因判断。

全局结构：组织来源和 marker 类别是两层信息

平衡抽样后，本文用高变基因构建 UMAP。左图按组织着色，右图按粗粒度样本系统着色。可以看到不同组织在 embedding 中有明显结构，但这不等于每个分支都能被直接解释成一个精细细胞类型。

图 3. UMAP 显示组织来源和样本系统的结构。这个结果说明公开矩阵包含可读的跨组织信号，但 UMAP 本身只是可视化结构，不能代表完整 taxonomy，也不能单独证明空间或机制差异。

这里有一个重要判断：大 atlas 的 UMAP 越复杂，越不能只靠“看起来分开”下结论。组织分离可能来自真实细胞类型差异，也可能来自组织来源、文库复杂度、样本制备、批次或 matrix 层面的差异。本文后面会用 marker module 继续拆解，不能把 UMAP 当作结论本身。

broad marker class：先做粗层级审计

为了避免把不稳定信号写成细胞类型，本文先做粗层级 marker module 审计。用 Ptprc/Lst1/Tyrobp/Cd3d/Ms4a1/Nkg7/Lyz2 代表免疫，用 Epcam/Krt8/Krt18/Krt19 代表上皮，用 Pecam1/Kdr/Cldn5/Vwf 代表内皮，用 Col1a1/Col1a2/Dcn/Lum 代表基质，用 Hbb-bs/Hba-a1/Alas2 代表红系，并加入器官相关 marker module。

图 4. broad marker class 能把主要信号组织起来：免疫、上皮/器官组织、内皮、基质、红系和 mixed/low marker。右图的 assignment margin 用于提示哪些细胞 marker 证据更清楚，哪些位置需要保守解释。

这类图要按成组证据来读。单个基因或局部高表达只能提供线索，只有 marker panel、signature score、metadata 和组成信息互相支持时，才适合写成细胞身份、状态或谱系倾向。

这一步的作用在于“先保守，再深入”。如果粗层级都没有 marker 支持，就没有理由继续写非常细的亚群故事。相反，如果粗层级稳定，再结合组织来源、特异 marker 和原文注释，才有条件进入更细的解释。

marker dotplot：为什么不能只靠一个 marker 命名？

单细胞注释中最常见的风险之一，是用一个 marker 给细胞命名。本文把代表性 marker 放在 broad class 层面做 dotplot：点的大小表示检测比例，颜色表示平均 log-normalized 表达。这个图用于检查“类别和 marker 是否互相支持”。

图 5. Lyz2 在免疫相关类别中强，Hbb-bs 在红系中强，Krt8/Epcam 支持上皮/组织来源，Col1a1 支持基质。部分 marker 在不同类别中存在背景信号或检测不稳定，因此更适合用 marker panel 审计，不能用单基因命名。

这类图要按成组证据来读。单个基因或局部高表达只能提供线索，只有 marker panel、signature score、metadata 和组成信息互相支持时，才适合写成细胞身份、状态或谱系倾向。

这张图是文章的一个关键证据。它说明本文在做 marker 证据核查。对旧项目复现来说，这类图需要先确认：它能让读者看到哪些注释有 marker 支撑，哪些标签需要重新审阅，哪些结果可以进入汇报图，哪些只能作为待验证线索。

本文的 broad class 是 marker-defined signal，不属于作者原始细胞类型注释。类别分配、module 汇总和 dotplot 使用了部分相同 marker，因此这些图主要说明评分规则内部是否一致。若要把它们写成经过验证的跨组织 composition，还需要作者/参考标签、未参与分配的 held-out marker 或独立映射结果。

免疫信号：血液/免疫富集组织强，但实体器官也会出现

Mouse Cell Atlas 中免疫相关组织和实体器官都可能出现免疫细胞。本文统计 immune-like class 在组织中的比例，并计算 Immune pan、T cell、Myeloid、B cell module 的中位数。这个图回答的是跨组织免疫信号在公开矩阵中如何被读出来。

图 6. 外周血、骨髓、脾、胸腺等组织中 immune-like 信号符合预期；实体器官中也可见一定免疫相关信号。这里更适合写成组织构成和 marker 支持，不能直接写成功能浸润机制。

这类结果在客户项目中很常见。已有对象里出现免疫细胞，并不意味着可以立刻下机制结论。需要继续看样本设计、疾病/处理分组、细胞数、供体信息、批次和差异分析。本文在这里保留边界：composition 是线索，marker panel 是证据，机制解释需要进一步设计。

器官 marker：肝、肺、胰腺、肾、小肠信号能支持什么？

为了避免 atlas 文章变成“每个组织泛泛讲一段”，本文把器官 marker module 单独拿出来。肝脏使用 Alb/Apoa1/Ttr 等，肺上皮使用 Sftpc/Sftpa1/Sftpb/Scgb1a1 等，胰腺内分泌使用 Ins1/Ins2/Gcg/Sst/Ppy 等，肾上皮使用 Slc34a1/Lrp2/Aqp1/Krt7 等，小肠上皮使用 Vil1/Alpi/Muc2/Lgr5/Krt20 等。

图 7. 器官 marker module 能恢复部分预期组织特征，但不同组织和细胞之间没有完全干净的一对一关系。这个结果适合支持“器官来源和 marker 证据可读”，不适合直接推出空间生态位或细胞亚型机制。

这说明大图谱复现的关键难点：组织 marker 有用，但不能被当作万能标签。一个器官样本中可能有免疫、内皮、基质、上皮和红系细胞；一个 marker module 也可能受到表达稀疏和组织采样影响。严肃的写法应该是：哪些 marker 组合支持组织来源，哪些信号提示可能的细胞组成，哪些地方还需要更细的原文标签或额外分析。

边界审计：mixed/low marker 是负责任的边界结果

如果一个复现把所有细胞都强行分配到漂亮标签，反而需要警惕。公开矩阵中存在 mixed/low marker 或 assignment margin 较低的细胞，是正常现象。本文把这部分显式画出来，是为了避免过度命名。

图 8. 不同组织中 mixed/low marker 和低 assignment margin 的比例不同。这个图提醒我们：不等于所有细胞都应该得到同等置信度的标签；边界不清楚的位置应写成“需要进一步审计”，不能强行补成结论。

这类图要按成组证据来读。单个基因或局部高表达只能提供线索，只有 marker panel、signature score、metadata 和组成信息互相支持时，才适合写成细胞身份、状态或谱系倾向。

这张图对项目交付很有用。它可以告诉研究者：哪些结果已经足够进入报告，哪些位置需要重新注释、补充 marker、回看原始矩阵或结合原文标签。很多时候，发现“不该说什么”比多写几个标签更重要。

复现边界：本文回答了什么？

图 9. 本次复现支持 broad immune/epithelial/stromal/erythroid signals 和器官 marker enrichment；跨组织构成差异可以作为样本结构和注释压力的线索；但完整细胞类型重构、空间生态位、谱系机制和 batch-removed atlas 结论不应由本文单独推出。

这里的重点是限制结论强度。公开矩阵能支持表达结构、marker 和 metadata 层面的复核；更强的机制、空间、功能或临床判断，需要 raw reads、原文模型、空间/病理信息或实验验证继续补证据。

这个边界会让结果更可用。对于准备写文章、汇报或补充分析的人来说，最怕的是结果说过头。大图谱复现的作用在于把“可以作为证据的图”和“只能作为线索的图”分开，这样后续扩展才有基础。

与原文对照：同一个 atlas，不同的复现目标

Han et al. 原文的目标是建立 Mouse Cell Atlas，展示 Microwell-seq 在大规模小鼠组织图谱中的应用。本文的目标更窄：从公开 per-sample DGE 中做一个跨组织 marker 证据审计。二者层级不同。

图 10. 原文是全图谱构建，本文是问题收窄后的复现审计。本文能展示 marker 证据链、组织信号和解释边界，但不会声称复刻了原文全部细胞类型层级或完整整合分析。

这样的对照很关键。很多公开数据复现不等于要“取代原文”，要把原文数据转化成今天项目可用的结果图和解释。例如：旧单细胞项目需要重新整理注释表；公开 atlas 需要抽出某个组织或细胞类型做补图；报告需要解释 marker 证据和边界；课题申请需要一组能说明问题的图。这些需求都要求复现者既懂数据，也懂哪些结论不能乱写。

深度解读：证据链和解释边界

回答范围：

本文回答的是：在 GSE108097 的公开 per-sample DGE 层面，跨组织粗层级 marker 信号是否可读，是否能组织成一套严肃的结果图证据。答案是可以。UMAP 能显示组织结构，marker module 能支持免疫、上皮/器官组织、内皮、基质、红系等大类，器官 marker 能提示肝、肺、肾、胰腺、小肠等组织特征，边界图能显示哪些细胞不应该被强行命名。

raw / processed matrix 边界：

本文使用的是公开 DGE 矩阵和文件级样本信息，不等于 FASTQ 级重新比对，也不等于原文完整 batch-removed atlas 对象。DGE 足以做表达矩阵层面的 marker 审计、粗层级构成、组织信号检查和结果图整理，但它不能恢复所有原始 reads 层面的过滤细节，也不能单独解决批次、细胞捕获效率、空间位置和完整细胞类型层级问题。

关键图读法：

图 3 说明组织来源结构可读，但不能单独作为 taxonomy。图 5 是 marker 证据的关键，说明 broad class 的主要 marker 是否匹配。图 6 和图 7 分别回答免疫和器官 marker 在跨组织中如何分布。图 8 和图 9 则告诉读者：哪些地方必须保守，哪些地方需要进一步人工审计或更完整的数据层。

不能过度解释的部分：

不能把 UMAP 分离直接写成细胞命运或空间生态位；不能把某个 tissue marker 的表达直接写成精细亚型机制；不能把 immune-like composition 直接写成免疫浸润机制；不能把 mixed/low marker 细胞强行命名为漂亮标签。更精准的解释需要完整 metadata、原文注释层级、全量矩阵、必要时的 raw-level 质控，以及针对具体科学问题的子集重分析。

继续深入的下一步：

下一步可以围绕一个具体组织或细胞类型继续细化。例如选择肝、肺、胰腺、肾或小肠中的一个组织，回到全量相关 DGE 和原文注释，做更精细的 marker panel、细胞亚群审计、样本构成比较、候选基因趋势和可视化结果图整理。这样比在全 atlas 上泛泛铺开更有价值，也更接近真实项目中“把旧数据整理成可用证据”的需求。

这类复现对实际项目有什么用？

• 注释表和 marker 解释：不等于所有标签都同等可靠。先做 broad marker audit，再决定哪些细胞需要精细注释，能减少后续文章和汇报中的风险。
• 结果图复刻和补图：大图谱数据可以抽出一个子问题，形成 UMAP、dotplot、composition、score heatmap 和边界说明，而不只放一张降维图。
• 发现后续分析方向：mixed/low marker、组织 marker 重叠和 composition 差异有生物学解释空间，也可能提示需要重新分群、子集分析或回看原文 metadata。

小结

Han et al. Mouse Cell Atlas 的公开数据非常适合做单细胞复现案例，但适合的方式不等于全图谱浅铺，这里选择一个可被证据支撑的问题。本文围绕跨组织 marker 证据边界，整理了数据来源、QC、UMAP、broad marker class、marker dotplot、免疫构成、器官 marker、边界审计和原文对照。结论可以概括为三句话：第一，公开 per-sample DGE 能支持一套清楚的跨组织 marker 审计；第二，marker panel 和边界图比单个 marker 或单张 UMAP 更适合严肃解释；第三，大 atlas 的复现作用在于把能说、只能提示、不能说的部分分清楚。

如果有类似的公开单细胞数据、旧 h5ad/Seurat 对象或经典文献复现需求，最值得先做的不等于“跑出所有图”；定义一个能被数据支撑的科学问题，再围绕这个问题组织可复查、可复用、可进入文章和汇报的证据链。