scCompass：为AI驱动的生命科学革命奠定标准化数据基石｜生信前沿资讯｜生信云更省心

原文地址：https://pubmed.ncbi.nlm.nih.gov/40317650/

单细胞测序技术的高速发展，揭开了生命在微观尺度下的神秘面纱。海量数据的涌现也带来了一个严峻的挑战：数据的异质性。来自不同实验室、采用不同标准的数据，如同掺杂着噪音的信号，极大地限制了人工智能（AI）模型，特别是基础模型的深度应用。为了突破这一瓶颈，scCompass项目应运而生，其目标是构建一个大规模、跨物种、经过严格标准化的单细胞数据图谱，为下一代生物学人工智能的崛起奠定坚实基础。

生信分析跑不动？试试稳定高性价比的生信云 → [www.tebteb.cc]

scCompass的核心：标准化与规模

scCompass的核心价值在于其对“标准化”的极致追求。研究团队从公共数据库中收集了超过2PB的原始测序数据，并非简单地聚合，而是采用统一、严谨的方法论，从源头（SRA原始文件）开始对所有数据进行统一的重新处理。

该数据库的构建涵盖了惊人的广度与深度：

• 巨大规模：经过严格的质量控制，最终整合了来自13个物种（包括人、小鼠、猴、斑马鱼等）的15,270个样本，总计超过1.04亿个高质量的单细胞数据。

• 统一流程：所有数据均使用统一版本的软件（CellRanger v7.0.1）进行处理，并实施了严格的细胞和样本过滤标准，最大限度地消除了因不同处理流程引入的技术偏差（即“批次效应”）。

• 系统性注释：通过统一的工具和同源基因识别，实现了跨物种的细胞类型注释，并创新性地开发了性别校正算法，为超过78%的性别信息缺失的人类和小鼠样本补全了关键的生物学背景。

这种“带有主张”的强硬标准化策略，使得scCompass创造了一个公平、纯净的“竞技场”，让AI模型能够在此之上进行不受干扰的性能比拼。

从数据到发现：重塑基础生物学认知

scCompass不仅是一个数据仓库，更是一个强大的发现引擎。基于其高质量的数据，研究团队获得了颠覆性的生物学见解。

1. 重新定义“看家基因”

在基因表达分析中，研究人员长期依赖“看家基因”（Housekeeping Genes）进行数据校准。然而，大量研究表明，这些基因的表达并非在所有条件下都保持稳定。scCompass利用其海量数据，通过计算基因的“零表达率”和“变异系数”，鉴定出了一套在单细胞水平上更为稳定的参考基因——稳定表达基因（Stably Expressed Genes, SEGs）。无论是跨组织的表达稳定性，还是进化上的保守性，SEGs的表现均显著优于传统的看家基因。这一发现有望修正长期以来单细胞研究中的一个基础性方法，提升分析的准确性。

2. 描绘器官的“分子身份证”

通过对数据库的深度挖掘，研究团队还鉴定出了赋予各个器官独特身份的器官特异性基因（Organ-Specific Genes, OSGs）。更进一步，他们构建了由这些基因驱动的基因调控网络，揭示了维持不同器官功能的关键转录因子及其靶基因，为理解器官发育和相关疾病提供了全新的分子蓝图。

AI-Ready：赋能下一代基础模型

scCompass最核心的承诺是“为AI而生”。它不仅仅是数据质量高，更在数据结构、格式和可访问性上为AI模型进行了深度优化。研究团队提供了可以直接被主流基础模型（如scGPT、Geneformer）使用的训练数据集，甚至分享了预训练好的模型，极大地降低了研究人员的使用门槛。

为了证明其优越性，研究者进行了一项直接的“正面交锋”。他们使用scCompass和另一个主流数据库CELLxGENE的数据，分别对三大基础模型进行预训练。结果显示，在多个独立的细胞注释任务上，由scCompass数据训练的模型的性能系统性地优于后者。这强有力地证明了，在AI时代，高质量、高一致性的数据是决定模型性能上限的关键。

结语

scCompass的出现，标志着单细胞领域从数据生成向数据标准化的范式转变。它通过提供一个前所未有的计算基准，为AI模型的开发与评估设立了新的“金标准”，将有力推动整个领域的创新与发展。它并非要取代现有的数据资源，而是通过其独特的价值，与HCA、CELLxGENE等项目互补，共同构建一个更加完善的单细胞数据生态系统。未来，由scCompass这样高质量数据驱动的AI模型，必将在揭示生命奥秘的征程中扮演愈发重要的角色。