复现Vieira Braga et al.人肺公开子集：从GSE130148到细胞类型复核和受控数据边界

VieiraBraga et al.的人肺细胞图谱很适合做一篇“数据来源边界”型复现。论文识别度高，疾病和器官都容易吸引读者，但这里有一个必须先说清的事实：公开可直接下载的GSE130148是resection/Drop-seq部分；原文中健康活体志愿者和哮喘活体样本涉及受控访问或材料转移边界。若把GSE130148写成完整哮喘队列复现，文章从数据源层面就不严谨。

因此，本文的主线限定为“公开resection/Drop-seq子集能支持哪些人肺细胞类型复核，哪些部分必须明确保留边界”。这类文章对学生很有用，它训练的是公开数据复现的第一道门：论文、accession、矩阵和metadata要逐一对齐，跑图技巧放在后面。

论文和数据来源

这篇复现的边界必须靠前写。本文只讨论GSE130148公开可下载部分。它可以支持人肺细胞类型和marker证据复核，不能声称完整复现活体健康/哮喘队列，也不能把公开resection/Drop-seq的构成差异扩展成哮喘机制结论。

数据规模：公开子集能做细胞类型审计

图1显示本次公开子集保留10360个细胞、15794个基因和4个样本。这个规模足以做major cell type复核、marker dotplot、分组构成和解释边界整理。它不适合代表原文全部人肺细胞图谱，更不适合直接承载完整哮喘问题。

数据规模图在这里的作用很直接：提醒读者本文处理的是public subset，不是full asthma census。复现文章如果不把这个层级写清，后面的细胞类型图再漂亮，也会给读者错误预期。公共数据复用要先讲清输入层级，再讲分析结果。

location分组：Dropseq_lower和Dropseq_resection要分开读

图2按location给UMAP着色，显示Dropseq_lower和Dropseq_resection在公开子集中有不同分布。这里的location不是疾病分组，也不是健康/哮喘二分类。它只能帮助读者理解公开子集内部来源差异。

这个图避免了一个常见误读：看到VieiraBraga论文，就把所有分组都想成健康与哮喘。本文使用的公开数据没有支撑完整哮喘队列复现，location图只能服务于public subset内部结构解释。把这个边界守住，文章才可信。

细胞类型：公开标签可读，但需要marker校验

图3按公开cell type标签着色。主要标签包括Macrophages 2878个、Type2 1410个、Bcell 1250个、Tcell 827个、分泌细胞 706个、Mastcell 660个、Transformed epithelium 659个、Ciliated 433个、Type1 424个、Endothelium 360个、NKcell 354个和Fibroblast 204个。

这个结构说明GSE130148适合做公开标签复核。它同时提示一个问题：resection/Drop-seq子集中的免疫、上皮、基质和内皮都在场，细胞类型之间的marker背景可能复杂。标签不能只靠原始metadata照搬，必须用marker panel检查。

signature面板：肺上皮和免疫模块一起看

图4展示AT2_alveolar、AT1_alveolar、Ciliated、分泌/杯状模块、Basal、Endothelial、Fibroblast、Myeloid、T_NK和B_APC模块。AT2使用SFTPC、SFTPA1、SFTPA2、SLC34A2；AT1使用AGER、PDPN、AQP5；纤毛细胞使用FOXJ1、TPPP3、PIFO；分泌/杯状模块使用SCGB1A1、SCGB3A1、MUC5B、TFF3。

这张图把公开子集的可解释范围展开。它可以说明肺泡、气道上皮、免疫、内皮和基质相关marker能否读出；不能说明原文所有新细胞状态都已复刻。尤其当标签和marker出现不完全一致时，文章应写成审计结果，而不是强行修饰成完全干净的图谱。

marker dotplot：公开标签和marker背景要一起审

图5用dotplot检查各cell type的marker。AT2相关基因SFTPC、SFTPA1、SFTPA2，AT1相关AGER、PDPN、AQP5，纤毛相关FOXJ1、TPPP3，分泌相关SCGB1A1、MUC5B，内皮相关VWF、KDR、CLDN5，成纤维相关COL1A1、COL1A2、DCN、LUM，髓系相关LYZ、LST1、C1QA、MS4A7，T/NK和B/APC相关marker都进入审计。

这个图也暴露了公开复现的现实：某些标签中会出现非预期marker背景或表达混合。遇到这种情况，严肃文章不应把所有标签写成完美准确，而应说明需要结合marker panel、cluster交叉和原文注释层级继续核查。复现要检查原始标签在当前矩阵中的证据强度，不能替标签背书。

公开子集构成：不要把location差异写成疾病差异

图6显示Dropseq_lower和Dropseq_resection的构成。Dropseq_lower中Macrophages约34.51%、Type2约24.73%、分泌细胞约11.50%、Tcell约5.65%、Ciliated约5.31%、Type1约5.23%。Dropseq_resection中Bcell约25.28%、Macrophages约20.16%、Transformed epithelium约12.21%、Mastcell约10.91%、Tcell约10.62%、Endothelium约5.02%。

这些数字可以写成公开子集内部构成差异。不能写成完整健康/哮喘比较，也不能直接写成疾病机制。Dropseq_lower与Dropseq_resection是本文metadata中的location字段，解释层级必须与字段含义一致。

signature score：肺泡、气道和免疫信号需要按样本读

图7比较不同location中的marker module score。AT2_alveolar、分泌/杯状模块、Myeloid、B_APC等模块在不同组中有差异，提示公开子集内部存在细胞组成和表达模块差别。这个图用于补充composition，而不是替代它。

若composition已显示某一组Type2或Bcell比例更高，score差异可能部分来自细胞比例。文章要把这种关系写清楚。公共复现最怕把score图单独拿出来当成机制图，尤其是在人肺这种多compartment数据中。

样本热图：4个样本仍然需要逐个检查

图8把signature中位数放到ASK428、ASK440、ASK452和ASK454四个样本。AT2_alveolar和分泌/杯状模块在样本间存在差异，Myeloid和B_APC模块也有不同程度的信号。样本层检查能帮助我们判断某个location差异是否被单一样本牵动。

只有4个样本时，样本热图尤其重要。它不能让我们做强统计结论，但能提醒文章写法保持克制：本次复现展示的是公开子集的细胞类型和marker结构，不是完整人群层面的疾病比较。

cluster交叉：标签、cluster和marker冲突要显式呈现

图9把matrix cluster和公开cell type标签交叉。C0、C5、C6以Macrophages为主，C4以Type1为主，C7以Type2为主，C3以Tcell和Mastcell为主，C9以Bcell为主，也有一些cluster混合上皮、免疫和转化上皮标签。

这个交叉表帮助文章把“不完美”写清楚。公开子集里的标签有主结构，但部分cluster不是单一细胞类型。对后续分析来说，这提示我们需要在子集层面继续核查，而不是把metadata标签当成无需审计的最终答案。

复现边界：公开数据和受控数据要分开

图10总结本文范围。GSE130148公开counts和barcode-cell type metadata支持resection/Drop-seq子集复核，支持主要细胞类型、marker panel、location composition和样本层信号审计。它不支持完整健康活体/哮喘活体队列复现，不支持受控样本结论，也不支持把public subset结果写成全论文全部发现。

这张边界图是本文的关键。很多复现错误常出在选题和数据源描述上，代码只是其中一部分。论文名、数据accession和矩阵层级一旦混写，读者就会被带到错误结论。本文用GSE130148展示的，正是公开数据可做和不可做的分界。

与原文对照：人肺census和公开子集复现不是同一层级

VieiraBraga et al.原文构建了人肺细胞census，并讨论健康和哮喘相关细胞状态。本文只处理原文公开可直接下载的GSE130148 resection/Drop-seq部分。二者层级不同：原文是完整研究，本文是公开子集的复现审计。

这种区分对科研训练很重要。学生常把论文题目、supplement、GEO、EGA和作者注释混在一起。严肃复现必须从数据可得性出发：哪些文件能下载，metadata包含哪些字段，矩阵对应哪些样本，哪些结论需要受控数据或材料转移。只有这些对齐，后面的生物学解释才站得住。

深度解读：这篇复现应该怎么读？

它能回答的问题

本文能回答GSE130148公开子集是否支持人肺主要细胞类型复核，能回答Dropseq_lower和Dropseq_resection之间的公开标签构成如何不同，能回答上皮、免疫、内皮和基质marker是否提供证据。它还能指出公开标签和marker背景之间的审计压力。

raw/processed matrix的边界

本文使用公开raw counts和barcode-cell type metadata。它适合表达矩阵层面的复现、marker审计和公开子集图表整理。它不能替代原文完整数据访问，也不能恢复受控样本中的健康/哮喘活体信息。若要复现原文完整asthma census，需要按原文数据可得性处理相应受控资源。

关键图怎么读

图3显示公开标签结构，图5检查marker证据，图6展示location构成，图9核对cluster和标签，图10说明数据访问边界。本文重点放在公开子集能支持的内容，以及受控数据才能支持的内容。

哪些地方不能过度解释

不要把GSE130148写成完整健康/哮喘队列，不要把Dropseq_lower和Dropseq_resection写成疾病分组，不要把公开标签中的混合marker背景忽略掉，也不要从这份公开子集直接推出哮喘机制。更强解释需要原文完整样本、受控数据权限和更细的细胞类型审计。

后续可以怎么深入

可以围绕公开子集中的AT2、分泌细胞、Macrophages或B/T cell群体做子集复核，重新检查marker、cluster和样本构成。若研究目标是哮喘相关细胞状态，应先解决数据访问和样本层对齐，再做细胞类型内部差异分析。公开子集可以作为入口，但不能替代完整队列。

数据可得性审计比跑图更早发生

这篇人肺数据的复现价值，很大一部分来自数据可得性审计。很多论文会同时包含公开GEO文件、受控EGA资源、补充表和作者提供的注释对象。复现时如果只看到论文标题和一个accession，就直接写“完整复现”，很容易把不同数据层混在一起。

本文只使用GSE130148公开counts和barcode-cell type metadata。这个选择让结论很清楚：可以讨论公开resection/Drop-seq子集的人肺细胞类型和marker证据；不能讨论原文全部健康活体和哮喘活体样本。这个边界虽然限制了文章范围，却提高了可信度。

实际项目中，类似问题很常见。客户可能提供一个论文链接和一个GEO编号，希望复现整篇文章。负责任的做法是先核对Data availability、supplement、GEO/ArrayExpress/EGA记录和文件名，确认每个矩阵对应哪些样本，再决定文章题目。题目必须跟数据层级一致。

标签和marker不完全一致时，应该怎么写？

GSE130148公开metadata给了cell type标签，但marker dotplot提示部分标签和marker背景并不完全干净。这不一定说明数据有问题，也可能来自环境RNA、双细胞、组织处理、注释层级、细胞状态连续性或公开子集本身的复杂性。复现文章要做的是把这种现象呈现出来。

对肺数据来说，AT2、AT1、分泌细胞、ciliated、basal、endothelial、fibroblast、myeloid、T/NK和B/APC marker应该成组检查。若某个标签中出现非预期上皮marker，文章可以写成“需要结合cluster和marker继续审计”，不能把所有标签都修饰成完全无冲突。真实项目里，这种审计常常比重新跑一个UMAP更有价值。

这也是本文强调cluster crosswalk的原因。cluster和metadata标签相互支持的地方，可以作为稳定结果；混合明显的地方，则适合列为后续子集复核对象。复现不只是复刻论文图，还要告诉读者哪些标签可以放心使用，哪些标签需要人工审查。

为什么不能把public subset写成哮喘机制？

原文题目中有health and asthma，但本文输入不是完整health/asthma设计。Dropseq_lower和Dropseq_resection是公开子集metadata中的location字段，它们不等同于健康和哮喘分组。若把这两个location之间的composition差异写成哮喘差异，就会把字段含义改掉。

这种错误在公共数据再分析中很隐蔽。图表看起来可能成立，marker也可能清楚，但分组含义错了，结论就不成立。本文把location写成public subset内部来源差异，并在边界图中强调受控数据问题，就是为了防止这种“看起来有结果”的越界。

后续深入可以围绕哪些子问题？

如果只使用GSE130148，最合适的深入方向是细胞类型复核和公开子集补图。可以选择AT2、分泌/纤毛细胞、macrophage、B/T cell或transformed epithelium做子集分析，检查marker、cluster和样本构成是否一致。

若研究目标是哮喘相关细胞状态，则需要重新解决数据访问。只有拿到对应健康活体和哮喘活体样本，且metadata对齐后，才适合讨论疾病差异。否则，公开resection/Drop-seq只能作为参考资源或方法练习，不能承担疾病机制分析。

另一条实用路线，是把本文作为“公开数据边界审计”案例，用在其他论文复现前。先写清楚论文、数据入口、矩阵、metadata和样本范围，再写图表。这种顺序能避免后面返工。

从这篇人肺复现能学到的文件审计步骤

一个可复用的文件审计步骤可以这样做。先读论文Data availability，确认作者如何描述公开数据和受控数据。再进入GEO或EBI页面，核对supplementary files的文件名、矩阵类型和样本范围。随后打开metadata，确认字段含义是否能支撑文章题目。之后再开始绘图。

在本例中，GSE130148提供raw counts和barcode-cell type metadata，足以做公开resection/Drop-seq子集复核；原文其他活体健康/哮喘样本不应被默认纳入。若这一步没做，文章很容易把“论文主题”误写成“公开矩阵内容”。这类错误比图表配色差更严重，因为它会改变结论对象。

文件审计还要防止accession混淆。不同肺数据集可能都和气道、肺癌、哮喘或健康肺有关，但accession不对，复现对象就不对。本文明确使用GSE130148，也是为了避免把其他项目的编号混进VieiraBraga文章。

公开子集能服务哪些实际需求？

即使不能写成完整哮喘复现，GSE130148仍然有实际价值。它可以作为人肺细胞类型marker复核素材，帮助学生练习AT1/AT2、分泌细胞、ciliated、myeloid、T/NK、B/APC、endothelial和fibroblast的marker panel。它也可以作为公开子集补图，用于展示数据来源审计和标签证据。

对旧项目再分析来说，这类公开子集还可以当参考图谱的一部分。若自己的肺数据缺少清晰注释，可以用这里的marker panel和公开标签做初步参照；但不能把public subset的composition直接转移到自己的疾病队列。参考可以借，结论不能借。

这也是本文保留marker冲突和cluster混合的原因。真实人肺样本复杂，公开标签不可能在每个cluster中完全纯净。把混合区域写出来，可以帮助后续选择更合适的子集分析方向。

与Montoro气道ionocyte题目的区别

站内已有气道ionocyte相关复现，那个题目的焦点是稀有上皮细胞、CFTR/FOXI1等marker和气道上皮稀有群体。VieiraBraga这篇公开子集的焦点不同：它更适合讲人肺公开数据边界、major compartment复核和受控样本限制。

两篇都与肺有关，但吸引点不同。Montoro适合讲稀有细胞如何证明；VieiraBraga适合讲论文高识别度下的数据可得性审计。把这点写清，可以避免短期内容重复，也能让读者看到不同类型单细胞复现各自的训练价值。

结论审计

小结

这篇VieiraBraga复现的重点，是把数据可得性写清楚。GSE130148公开子集能支持resection/Drop-seq细胞类型复核、marker审计、location构成和样本层检查；它不能替代原文完整健康/哮喘队列。对公开单细胞复现来说，这种文章很有训练价值：先核对论文、accession、矩阵和metadata，再决定能写什么。图表质量重要，数据边界更重要。