Pijuan-Sala et al. 的 E-MTAB-6967 是小鼠原肠胚和早期器官发生领域的经典大图谱，覆盖 E6.5 到 E8.5，metadata 中有 139,331 个细胞和 37 个作者细胞类型。这样的 atlas 最容易被写成“全图谱复现”：贴一个全局 UMAP，列一堆 celltype，然后文章结束。但对项目有用的复现，往往应该先切出一个具体问题。本文选择中胚层到血液/内皮发生这一条线，展示怎样从大图谱中提取 stage composition、haematoendothelial embedding、marker panel 和 module score，同时说明不能从这个子集直接推出完整胚胎 fate map 或空间形态机制。
为什么大型 atlas 不能只铺全图？
大型单细胞图谱的吸引力很强：细胞多、阶段多、注释多，看起来很适合写一篇“很大很全”的复现文章。但大而全也容易造成一个问题：如果没有明确生物学问题，文章就会变成“我下载了一个 atlas，然后展示作者已经做好的 UMAP”。这对读者帮助不大，也不能体现复现和再分析的专业价值。
Pijuan-Sala et al. 这篇 Nature 2019 文章覆盖小鼠 gastrulation and early organogenesis，是典型的复杂发育图谱。本文不尝试在一篇文章里讲完整个胚胎，要把问题收窄到：中胚层相关状态如何向 haematoendothelial progenitors、endothelium、blood progenitors 和 erythroid 程序展开？这个问题有明确 stage 结构，有作者的 haem_subclust 字段，也能用 Tal1/Kdr/Etv2/Runx1/Gata1/Klf1/Hba/Hbb 等 marker 审计。
这个选择还有一个现实意义。很多实验室的研究对象只落在某个发育窗口、某条谱系或某个细胞状态上。公开大图谱最适合做参考，但如果直接把全图谱搬过来，反而会稀释问题。把 atlas 切成一条“可回答的线”，就能把参考数据变成项目证据：这个状态在什么 stage 出现，和哪些相邻群体靠近，marker 是否支持注释，是否有可继续深挖的 branch 或 subcluster。
为什么选择血液/内皮发生这条线？
血液/内皮发生是原肠胚和早期器官发生图谱中很适合做复现示范的子问题。第一，它和中胚层发生直接相关，能连接 primitive streak、nascent mesoderm、extraembryonic mesoderm、haematoendothelial progenitors、endothelium、blood progenitors 和 erythroid 等多个作者注释。第二，它有清楚的 stage 变化，早期中胚层状态和后续血液/内皮相关状态不会只停留在一个静态 cluster。第三，它有一组相对明确的 marker panel：T/Eomes/Mesp1 更适合读 primitive streak 和 early mesoderm，Tal1/Kdr/Etv2/Runx1 更适合读 haematoendothelial 程序，Pecam1/Cdh5/Tek 更适合读 endothelial 程序，Gata1/Klf1/Hba/Hbb 更适合读 erythroid 程序。
这类 marker 结构给了我们一个比较稳的审计框架。作者标签写了“Haematoendothelial progenitors”还不够，应该先看它在全图中的位置，再看 haematoendothelial 坐标，再看 stage composition，结尾处用 marker dotplot 和 module score 审计。这个顺序比先讲一堆背景再放图更有说服力，也更符合实际复现项目的工作方式。
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。
| 项目 | 内容 |
|---|---|
| 论文 | Pijuan-Sala et al. A single-cell molecular map of mouse gastrulation and early organogenesis |
| 发表信息 | Nature, 2019 |
| DOI | 10.1038/s41586-019-0933-9 |
| PubMed | 30787436 |
| 公开数据 | E-MTAB-6967 |
| 公开输入 | atlas_data.tar.gz: metadata, genes, raw_counts.mtx, corrected PCs |
公开矩阵进入分析前，先确认数据层级和规模。
| 项目 | 数值 |
|---|---|
| metadata cells | 139,331 |
| 有注释非 doublet 细胞 | 116,312 |
| 作者 celltype | 37 |
| 本文选择的中胚层-血液/内皮子集 | 34,792 |
| 带 haem_subclust 的细胞 | 15,875 |
复现边界： 本文使用公开 processed atlas 包中的 metadata、UMAP、haematoendothelial coordinates、作者 celltype/haem_subclust 注释，并从 raw_counts.mtx 中流式抽取目标 marker 基因表达。本文不做重新处理 FASTQ，也不等于重新构建全胚胎图谱；重点是从公开 atlas 中做一个可审计的谱系子问题复现。
科学更正（2026-07-19）： 早期页面曾未充分说明 marker dotplot 和 module score 的归一化来源，也未区分细胞与 source sample 分母。本文现使用作者提供的
sizefactors.tab对抽取的 raw counts 做 size-factor 归一化，再计算log1p表达。所选子集含 34,792 个细胞，来自 36 个 source sample；各阶段覆盖 1-6 个 sample。阶段组成和 score 仍按细胞展示，只作描述，不表示 embryo/sample-level 统计推断。
方法和分析流程
本文的处理顺序从数据层级开始：下载 E-MTAB-6967 的 BioStudies/ArrayExpress metadata、SDRF/IDF 和 processed atlas 包，核对论文 DOI、PubMed、实验设计和公开数据层级；读取 meta.csv、genes.tsv、sizefactors.tab 和作者提供的全局 UMAP、haematoendothelial coordinates、celltype、haem_subclust 字段；保留有作者注释、非 doublet、非 stripped 的细胞作为主 atlas 背景，并从中选择中胚层-血液/内皮发生相关 celltype；针对 T/Eomes/Mesp1/Tal1/Kdr/Etv2/Runx1/Pecam1/Cdh5/Gata1/Klf1/Hba/Hbb 等 marker，从 raw_counts.mtx 中只抽取目标基因行，避免全矩阵重算；围绕子集生成全局背景图、局部 haem 坐标图、stage composition、marker dotplot、module score、haem_subclust 审计和结论边界。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。
子集选择：先定义问题，再画图
本次选择的子集包括 primitive streak、nascent/caudal/mixed mesoderm、extraembryonic mesoderm、haematoendothelial progenitors、endothelium、blood progenitors 和 erythroid 相关群体。选择标准来自这些群体共同构成从 gastrulation 中胚层状态到血液/内皮发生的可解释链条。
图 1. 全量 metadata 有 139,331 个细胞，过滤 doublet/stripped 并保留作者注释后有 116,312 个细胞。本文选择 34,792 个中胚层-血液/内皮相关细胞作为专题子集，避免把全胚胎 atlas 写成浅层目录。
这一步对应大型 atlas 复用的第一条原则：先说明为什么选这个子问题。全局 atlas 是背景，的分析对象是一个可回答的发育线索。
这里还要注意一个细节：本文保留的是有作者注释、非 doublet、非 stripped 的细胞，并没有试图把所有 metadata 行都纳入解释。E-MTAB-6967 原始 metadata 中有部分未注释或被剥离的细胞，这些行对于完整 atlas 处理需要先确认，但并不适合在一个面向血液/内皮发生的复现文章里混入主分析。严肃复现要检查进入每张图的细胞是否和问题匹配。
全局 UMAP：只作为背景，不作为文章主体
全局 UMAP 仍然有用。它可以告诉我们选择的 lineage subset 在整个 atlas 中位于哪里，也可以显示不同 stage 在全局嵌入中的分布。但它不应该成为文章唯一关键。
图 2. 左图将选定的中胚层-血液/内皮子集高亮在全局 UMAP 上，右图显示全局 stage 分布。这个图回答“子集从全图谱哪里来”，但不能直接回答 lineage transition；解释要回到子集坐标、composition 和 marker。
低维结构只回答表达空间是否可读。颜色或区域分开说明标签、阶段或状态和表达矩阵存在对应关系；它还不能单独证明谱系方向、空间位置、机制强弱或最终命运。
这也是实际项目中常见的问题：一个全局 UMAP 看起来很漂亮，但如果不解释某条谱系或某个细胞状态，读者很难判断它和自己的研究问题有什么关系。
血液/内皮子集：作者 haem 坐标提供了更合适的局部视角
metadata 中有 haem_gephiX/haem_gephiY 和 haem_subclust 字段。相比全局 UMAP，这些字段更适合查看 haematoendothelial 相关细胞内部结构。
图 3. 在 haematoendothelial coordinates 中，blood progenitors、erythroid、endothelium 和 haematoendothelial 相关状态形成可读结构。右图叠加 Tal1/Kdr/Etv2/Runx1 module，说明局部坐标有 marker program 支持。
这里要先看数据本身是否站得住。公开矩阵能保留多少 metadata、检测深度是否均衡、样本分组是否清楚，决定了后续结论能写到哪一层。
这里的重点是利用公开 atlas 已有的局部结构，把它变成一个可解释的发育问题。
stage composition：这条谱系问题有时间结构
如果一个子集只是静态 cluster list，它的发育价值有限。我们需要看它在 E6.5 到 E8.5 不同阶段如何变化。
图 4. primitive streak 和 early mesoderm 在较早阶段占比较高，endothelium、blood progenitors 和 erythroid 相关群体在后续阶段更突出。横轴同时标出各阶段 source sample 数：E6.75 仅 1 个 sample，其余阶段为 2-6 个。该图描述当前 atlas 子集的细胞组成，不证明因果 lineage transition，也不提供 sample-level 显著性。
这张图适合放在 marker 前面。先让读者看到 stage structure，再看 marker 程序是否支持这些 group 的解释。
从生物学解释角度，composition 图也提醒我们不要把“出现得多”简单写成“发生得更强”。不同 stage 的采样量、胚胎池、细胞捕获效率、组织比例和作者处理流程都会影响细胞数量。本文更谨慎的读法是：这些群体在所选 atlas 子集中呈现阶段相关分布，说明它们适合被放到发育问题中讨论；但如果要比较真实胚胎组织比例或做定量 fate conclusion，还需要更严格的采样设计和实验层面证据。
marker dotplot：cluster 名称必须回到 marker 证据
作者注释是需要先确认的起点，但复现不能只说“作者叫它 haematoendothelial progenitor”。我们从 raw_counts.mtx 中抽取目标 marker 行，按作者 size factor 归一化后计算每个 group 的 mean log expression 和 detected fraction。
图 5. T/Eomes/Mesp1 支持 primitive streak/early mesoderm；Tal1/Kdr/Etv2/Runx1 支持 haematoendothelial 相关状态；Pecam1/Cdh5 更偏 endothelial；Gata1/Klf1/Hba/Hbb 支持 erythroid 程序。点大小表示检测比例，颜色表示 size-factor 归一化后的平均 log1p 表达。
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。
这一步是大型 atlas 再分析的关键：作者标签要被 marker panel 重新审计。对于客户项目中的旧 h5ad/Seurat 对象，很多时候更需要保留的也是这一层，把“标签”变成“可解释证据”。
marker module：连续发育要看基因组证据
单个 marker 往往不够稳定。我们进一步计算 primitive streak/mesoderm、haematoendothelial、endothelial、erythroid、myeloid/megakaryocyte 等模块分数，检查它们随 stage 的变化。
图 6. 不同 marker module 在 stage 中呈现差异。score 基于作者 size factor 归一化后的 marker 表达；每个箱线图的点仍是细胞，阶段 sample 数不等，因此这里只描述表达程序随阶段的分布，不作 sample-level 推断或命运追踪。
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。
这种 module 视角对复杂发育数据需要先确认。它把多个 marker 合并成更稳定的读数，也能帮助读者理解为什么某个 branch 更偏 endothelial、blood progenitor 或 erythroid。
复用这类 atlas 时最容易犯的错误
第一类错误是把全局 UMAP 当成全部结论。全局 UMAP 是导航图，不能当作机制图。它能说明不同细胞类型在 atlas 中的大致关系，却不能直接证明谱系方向、空间位置或细胞命运。
第二类错误是把作者标签当成最终答案。作者注释很宝贵，但在自己的项目里复用时仍然需要 marker 审计。尤其是 haematoendothelial、blood progenitors、erythroid、endothelium 这类相邻或连续状态，如果只看名字，很容易把表达程序、细胞状态和最终谱系混在一起。
第三类错误是忽略数据层级。本文使用的是 processed atlas metadata 和 raw_counts.mtx 中抽取的 marker 行，这能支持表达层面的复现和 marker 审计；但它不等于重新处理 FASTQ，不等于空间定位，也不等于 lineage tracing。大型 atlas 文章越复杂，越要把这些边界写在正文里，不能只放在结尾处一句 limitation。
haem_subclust 审计：作者子簇有用，但仍要看 marker
metadata 里有 24 个 haem_subclust。这些子簇对于复用数据非常有帮助，但如果直接照搬，文章会变成“复述作者标签”。我们把 haem_subclust 的细胞数、stage 分布和 module score 放到一起审计。
图 7. BP、Ery、Haem、EC 等子簇在 stage 和 marker module 上有不同特征。这个图说明作者细分标签可以被复用，但最好配合 marker score 和 stage composition 一起读，避免只按名字下结论。
组成图必须和采样设计一起读。它能说明当前公开矩阵里哪些群体被观察到、样本或组织标签是否均衡，但不能直接外推成真实组织比例或临床差异。
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。
source-paper comparison：与原文主线一致，但问题更聚焦
原文的关键贡献是提供小鼠 gastrulation 和 early organogenesis 的大规模单细胞分子图谱，并系统覆盖多个发育阶段和细胞类型。本次复现与原文一致的部分包括：metadata 中能读到 E6.5-E8.5 的连续 stage，作者注释覆盖 37 个 celltype，haematoendothelial 相关坐标和子簇能支持血液/内皮方向的局部分析。
本文不复刻完整 atlas，也不从一个子集推出全胚胎 fate map。分析范围限定在中胚层-血液/内皮发生：用 stage、局部坐标、marker panel、module score 和子簇审计建立证据链，其他胚层和器官发生问题仍需回到完整图谱分别验证。
深度解读：证据链和解释边界
- raw / processed matrix 边界：本文使用 processed atlas metadata 和 raw_counts marker 抽取，不重新处理 FASTQ，也不重新定义所有 celltype。
- 关键图读法：全局 UMAP 只读背景；haem 坐标读局部结构；composition 读 stage 变化；dotplot/module score 读 marker 证据。
- 不能过度解释的部分：不能从这个子集直接写完整胚胎 fate map、空间形态发生、组织位置或谱系因果；这些需要空间、追踪或实验验证。
- 继续深入的下一步：可以进一步做 haem_subclust 内部差异、stage-specific marker、trajectory model、与外部 yolk sac/haemogenic endothelium 数据对照。
图 8. 结论边界：本次支持 atlas metadata 复用、子集选择、stage composition 和 marker module 审计；探索性结果包括局部连续结构和 branch-level interpretation；不支持完整 fate map、空间形态或因果谱系结论。
这张图回答的是来源和比例问题。它适合用来发现样本不平衡、分组偏移或需要子集分析的地方；更强的生物学解释还要结合原文设计和额外证据。
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。
对类似项目有什么启发？
这篇复现的重点不止于“139k 细胞很多”，而在于展示大型 atlas 应该怎样被拆成问题。实际科研项目里，经常会有一个公开大图谱、一个自己的小数据集，或者一个旧 h5ad 对象。有用的是找到和课题最相关的一条线：某个谱系、某个阶段、某个组织、某个 response program 或某个 marker 争议。
对这类项目，建议先问四个问题：第一，数据层级是什么，能不能支撑当前问题；第二，是否有可靠 metadata 和作者注释；第三，关键 marker 或 signature 是否支持标签；第四，哪些结论必须留给空间、追踪、功能或 raw-level 分析。
小结
Pijuan-Sala et al. E-MTAB-6967 是大型小鼠原肠胚图谱复用的好例子。本文没有铺完整 atlas，围绕中胚层到血液/内皮发生这一条问题线，整理了 34,792 个相关细胞、15,875 个 haem_subclust 细胞、stage composition、haematoendothelial coordinates、marker dotplot 和 module score。
这个结果说明：复杂 atlas 的复现要看能否回答问题，规模本身不能替代证据。只要把子集选择、marker 证据和解释边界讲清楚，公开图谱就能变成可复查、可复用、也能继续深入的科研证据。
如果继续深入，下一步怎么做？
如果后续要把这篇复现推进成更深的项目，可以沿着三个方向扩展。第一，围绕 haem_subclust 做更细的 stage-specific marker 分析，把 BP、Haem、EC、Ery 等子簇分别拆开，比较它们在 E7.0-E8.5 的 marker 和 module 差异。第二，把 Pijuan-Sala atlas 与其他 yolk sac、haemogenic endothelium 或早期造血数据做 cross-dataset 对照，看同一套 marker 程序在不同公开数据中是否稳定。第三，如果研究问题需要解释真实空间位置或谱系因果，就应该引入空间转录组、胚胎切片、lineage tracing 或功能扰动，不能继续在同一个 UMAP 上过度延伸。
这也是公开数据复现对实际科研的价值：它先把可以从公开表达矩阵支持的证据整理清楚，再告诉你哪些问题值得继续投入更深的数据和实验。