paupaiz/Bone_Marrow_BMMCs|单细胞生物学数据集|多组学数据数据集

该数据集包含从12名健康人类捐赠者的骨髓单核细胞中收集的单细胞多组学数据，旨在为多模态单细胞数据集成提供一个基准测试平台。数据集涵盖了基因表达、染色质可及性和蛋白质丰度等多种数据类型，并经过了详细的数据收集、预处理和质量控制步骤。数据集的创建过程包括使用10X Genomics单细胞多组学ATAC + 基因表达试剂盒进行单核RNA和染色质可及性的联合分析。预处理步骤包括去除低质量细胞和双细胞，并对基因表达、染色质可及性和蛋白质丰度数据进行了标准化和转换。数据集的结构包括训练数据存储在AnnData h5ad文件中，并且设计了一个嵌套的批次布局，使得一些捐赠者样本在多个站点进行测量。数据集的注释过程由多位专家完成，并提供了详细的元数据信息。

原始信息汇总

数据集卡片：骨髓单细胞多组学数据集

数据集概述

从12名健康人类供体的骨髓单核细胞中收集的单细胞多组学数据。

数据集详情

数据集描述

该研究设计如下：

• Multiome

  • 站点1：供体1, 2, 3
  • 站点2：供体1, 4, 5
  • 站点3：供体3, 6, 7, 10
  • 站点4：供体1, 8, 9

• 数据集由以下人员策划： Burkhardt DB, Lücken MD, Lance C, Cannoodt R, Pisco AO, Krishnaswamy S, Theis FJ, Bloom JM

• 许可证： MIT

数据集来源

• 仓库： https://github.com/openproblems-bio
• 论文： https://datasets-benchmarks-proceedings.neurips.cc/paper/2021/hash/158f3069a435b314a80bdcb024f8e422-Abstract-round2.html

用途

该数据集旨在用于多模态单细胞数据整合的基准测试，包括模态预测、不同模态的匹配配置文件以及从多个模态学习联合嵌入。

数据集结构

训练数据以AnnData h5ad文件形式提供。数据集设计为嵌套批次布局，某些供体样本在多个站点进行测量，某些供体在单个站点进行测量。

数据收集和处理

基因表达（GEX）预处理

• 细胞根据线粒体含量、每个细胞的UMI计数和检测到的基因进行过滤。
• 使用scran计算大小因子，并存储在adata.obs["size_factors"]中。
• UMI计数按大小因子进行归一化，原始计数存储在adata.layers["counts"]中，归一化计数存储在adata.X中。
• 归一化计数进行log1p变换，存储在adata.layers["log_norm"]中。

染色质可及性（ATAC）预处理

• 使用Signac处理ATAC-seq数据，进行质量控制、降维和将峰转换为基因活性得分。
• 峰-细胞矩阵计数二值化，仅表示每个区域的可达性状态。
• 细胞根据5个质量控制指标进行过滤。
• 数据二值化，所有值>0设置为1，存储在adata.X中，原始UMI计数存储在adata.layers["counts"]中。

蛋白质丰度（ADT）预处理

• 使用TotalSeq™-B Human Universal Cocktail, V1.0测量134种细胞表面标记和6种同型控制。
• 同型控制存储在adata.obsm["isotype_controls"]中。
• ADT蛋白测量进行质量控制，并使用中心对数比（CLR）变换进行归一化，CLR计数存储在adata.X中，原始计数存储在adata.layers["counts"]中。

注释过程

元数据

• 基因表达观察元数据

  • .obs.index：带有批次标签的细胞条形码。
  • .obs["n_genes_by_counts"]：细胞中至少有1个计数的基因数。
  • .obs["pct_counts_mt"]：映射到线粒体基因的UMI计数百分比。
  • .obs["n_counts"]：细胞中检测到的UMI数。
  • .obs["n_genes"]：细胞中检测到的基因数。
  • .obs["size_factors"]：细胞的估计大小因子。
  • .obs["phase"]：细胞周期阶段，由scanpy.tl.score_genes_cell_cycle计算。
  • .obs["leiden_final"]：
  • .obs["atac_ann"]：来自联合ATAC数据的细胞类型注释。
  • .obs["cell_type"]：来自GEX数据的细胞类型注释。
  • .obs["pseudotime_order_GEX"]：数据中注释的发育轨迹的扩散伪时间注释。
  • .obs["batch"]：细胞采样的批次，格式为s1d1（站点1供体1）。

• 基因表达特征元数据

  • .var.index：每个基因的Ensembl基因名称。
  • .var["gene_ids"]：用于唯一跟踪基因的Ensembl稳定ID。
  • .var["feature_types"]：表示每个特征为基因表达特征，应为GEX。
  • .var["genome"]：用于读取映射的基因组组装。
  • .var["n_cells-[batch]"]：在[batch]中检测到基因的细胞数。
  • .var["highly_variable-[batch]"]：在[batch]中是否确定为高度可变的基因。

• ATAC观察元数据

  • .obs.index：带有批次标签的细胞条形码。
  • .obs["nCount_peaks"]：细胞中检测到的峰数。
  • .obs["atac_fragments"]：细胞中的UMI计数（在峰内和峰外）。
  • .obs["reads_in_peaks_frac"]：峰内UMI的分数。
  • .obs["blacklist_fraction"]：Encode黑名单区域中UMI的分数。
  • .obs["nucleosome_signal"]：核小体信号，描述片段长度分布，预期遵循跨越一个或多个核小体所需的DNA长度。
  • .obs["phase"]：细胞周期阶段，由scanpy.tl.score_genes_cell_cycle计算。
  • .obs["leiden_final"]：
  • .obs["rna_ann"]：来自联合RNA数据的细胞类型注释。
  • .obs["cell_type"]：来自ATAC数据的细胞类型注释。
  • .obs["pseudotime_order_ATAC"]：数据中注释的发育轨迹的扩散伪时间注释。
  • .obs["batch"]：细胞采样的批次，格式为s1d1（站点1供体1）。

• ATAC特征元数据

  • .var.index：每个ATAC峰的基因组坐标，直接与参考基因组相关，格式为chr1-1234570-1234870。
  • .var["feature_types"]：表示每个特征为基因表达特征，应为ATAC。
  • .var["n_cells-[batch]"]：在[batch]中检测到峰的细胞数。

潜在偏差

细胞类型识别和双峰去除已经完成。供体年龄（22 - 40岁）、性别和种族各异（详细信息见相关数据表）。

注释者

Burkhardt DB, Lücken MD, Lance C, Cannoodt R, Pisco AO, Krishnaswamy S, Theis FJ, Bloom JM

引用

https://datasets-benchmarks-proceedings.neurips.cc/paper/2021/hash/158f3069a435b314a80bdcb024f8e422-Abstract-round2.html