UCSC-VLAA/MiniAtlas

MiniAtlas数据集是一个包含超过100,000个配对的scATAC-seq和scRNA-seq训练数据的数据集，涵盖了19种组织和56种细胞类型。该数据集旨在促进基础模型的训练，并可以用于单细胞多组学基础模型的训练。

The MiniAtlas dataset contains more than 100,000 paired scATAC-seq and scRNA-seq training data across 19 tissues and 56 cell types, designed to facilitate the training of foundation models and can be used for the training of single-cell multiomics foundation models.

搜集汇总

数据集介绍

构建方式

在单细胞多组学研究中，整合染色质可及性与基因表达数据对于揭示细胞调控机制至关重要。MiniAtlas数据集应运而生，其构建基于超过10万对配对的单细胞ATAC-seq（scATAC-seq）与单细胞RNA-seq（scRNA-seq）数据，覆盖19种组织与56种细胞类型。这一精心设计的配对结构确保了每个细胞同时拥有染色质开放性与转录组信息，为训练单细胞多组学基础模型提供了高质量、大规模的训练语料。数据集的构建遵循严格的质量控制流程，确保跨组织与细胞类型的样本均衡性与生物学代表性。

使用方法

用户可通过HuggingFace平台直接获取MiniAtlas数据集，其以h5ad格式存储，兼容主流单细胞分析工具如Scanpy和AnnData。使用完整版‘full_atlas_atac.h5ad’与‘full_atlas_rna.h5ad’可加载全部配对样本，用于训练基础模型或进行跨组学关联分析。针对下游任务，如细胞类型注释，可选择评估子集中特定组织的数据进行微调。数据加载后，研究者可利用配对的ATAC与RNA特征矩阵，构建峰到基因的映射关系，进而开发或评估单细胞多组学深度学习模型。建议结合官方提供的BibTeX引用格式，确保学术规范性。

背景与挑战

背景概述

单细胞多组学技术的迅猛发展，使得同时解析同一细胞的转录组与染色质可及性成为可能，为理解基因调控机制提供了前所未有的分辨率。在此背景下，UCSC-VLAA团队于2025年发布了MiniAtlas数据集，由Juncheng Wu、Changxin Wan等研究人员主导，旨在为单细胞ATAC-seq与RNA-seq的联合分析构建大规模训练资源。该数据集汇集了超过10万个配对样本，覆盖19种组织与56种细胞类型，极大丰富了单细胞基础模型的训练数据生态。MiniAtlas的提出，不仅填补了跨组织、多细胞类型配对数据的空白，更为后续EpiFoundation等基础模型的发展奠定了坚实的数据基础，推动了单细胞多组学领域从描述性分析向预测性建模的范式转变。

当前挑战

MiniAtlas数据集所面临的挑战主要体现在两个层面。在领域问题层面，单细胞ATAC-seq数据固有的高稀疏性与低覆盖度，使得从染色质开放区域准确推断基因表达成为技术瓶颈，尤其在稀有细胞类型或组织特异性调控网络中，信噪比极低。在构建过程中，跨19种组织与56种细胞类型的样本收集与质量控制极为复杂，不同组织来源的细胞活性、批次效应以及测序深度差异，要求精细化的标准化流程以确保数据一致性。此外，配对scATAC-seq与scRNA-seq数据的对齐与整合，需克服细胞异质性带来的匹配误差，这对算法鲁棒性提出了严苛要求，也是MiniAtlas后续扩展与广泛应用必须解决的核心难题。

常用场景

经典使用场景

在单细胞多组学研究的广阔疆域中，UCSC-VLAA/MiniAtlas数据集以其跨组织、多细胞类型的海量配对数据，成为训练单细胞多组学基础模型的基石。其经典使用场景在于为scATAC-seq与scRNA-seq的联合分析提供高质量的监督学习样本，研究者可借此构建能够同时解读染色质可及性与基因表达谱的深度神经网络，从而揭示细胞状态与命运决定的表观遗传调控机制。

解决学术问题

MiniAtlas数据集精准回应了单细胞领域长期面临的训练数据匮乏与跨组织泛化性不足两大核心难题。通过整合19种组织、56种细胞类型的逾十万对单细胞多组学数据，它使得研究者能够训练出具有强迁移能力的通用模型，有效解决了小样本组织或稀有细胞类型中细胞身份注释准确率低的问题，显著推动了单细胞表观组学与转录组学整合分析的方法学进展。

实际应用

在生物医学实际应用中，MiniAtlas数据集为精准医疗与疾病机制探索提供了强大引擎。基于该数据集训练的模型可直接用于临床样本的快速细胞类型鉴定，例如在肿瘤免疫微环境分析中自动化识别异质性细胞亚群，或是在发育生物学中追踪分化轨迹。此外，其子集设计便于针对肾脏、外周血等特定组织进行微调，降低了计算资源门槛，加速了从基础研究到临床转化的落地进程。

数据集最近研究

最新研究方向

在单细胞多组学领域，随着测序技术的飞速发展，如何整合不同模态的数据以构建更具泛化能力的基座模型成为前沿热点。MiniAtlas数据集应运而生，它汇聚了超过10万对单细胞ATAC-seq与RNA-seq数据，覆盖19种组织及56种细胞类型，为训练跨组织、跨细胞类型的单细胞多组学基础模型提供了高质量的标准化训练资源。该数据集的发布直接关联到EpiFoundation等基座模型的研究，通过峰-基因对齐策略实现染色质可及性与基因表达的联合建模，显著提升了细胞类型注释与RNA表达预测的准确性。MiniAtlas不仅解决了单细胞多模态数据规模不足与组织覆盖有限的瓶颈，更推动了基础模型在免疫微环境解析、发育生物学及疾病机制研究中的广泛应用，对理解基因调控网络与细胞异质性具有里程碑式的意义。