Cell丨scBaseCount：基于AI智能体的自动化、标准化、可更新大规模单细胞转录组公共数据库

撰文 |S

单细胞 RNA测序彻底革新了细胞生物学研究，让研究者得以在单细胞分辨率捕捉转录组异质性，为发育、肿瘤、免疫等诸多方向带来全新认知。但海量公开测序数据背后，长期存在一个棘手 的问题 ：NCBI的SRA数据库沉淀了全世界规模最大的原始测序读段，大量10× Genomics单细胞数据埋藏其中，却因为元数据标注混乱、不同实验室分析流程不统一，绝大多数原始数据始终难以被高效复用。

2026年9月17日 ，来自Arc Institute的Yusuf H. Roohani和Hani Goodarzi团队在Cell发表研究 论文scBaseCount: An AI agent-curated, standardized, auto-updated single-cell data repository，推出scBaseCount，一套由AI智能体完成挖掘注释、标准化重分析、可自动更新的单细胞转录组数据库，目前已经汇集超过5.02亿个细胞，覆盖27个物种、75种组织，是当前全球规模最大的公开单细胞RNA‑seq数据集，为细胞基础大模型训练、跨研究荟萃分析提供了前所未有的数据底座。

现有知名单细胞图谱资源，包括 CZ CELLxGENE、人类细胞图谱，大多依赖研究团队主动提交整理好的数据集。这种模式可以实现高质量人工注释，但也天然限制了数据的规模与多样性，大量存放在SRA中未被主动提交的数据集无法被纳入。除此之外，不同研究使用的比对软件、参考基因组、UMI计数策略千差万别，会引入强烈的技术批次效应，当把多个来源数据集整合在一起时，技术噪音甚至会掩盖真实的生物学信号，这也是单细胞整合分析长期面临的瓶颈。借鉴bulk转录组领域ReCount项目统一重分析的成功经验，研究者希望 对 SRA里海量原始10× Genomics单细胞数据做系统性挖掘与标准化处理，而人工处理数十万份SRA实验几乎不具备现实可行性，AI智能体便成为破局的关键。

为完成海量数据的自动发现与元数据提取，团队搭建了分层智能体系统 SRAgent， 依托 LangGraph搭建多ReAct智能体架构，对接Entrez、NCBI系列工具，异步遍历SRA数据库。区别于ffq、pysradb等传统确定性检索工具，SRAgent可阅读理解摘要、实验描述等非结构化文本，自动判别文库是否属于10× Genomics单细胞测序，同时提取物种、组织、疾病、文库化学等关键信息，并映射至Uberon解剖本体、MONDO疾病本体生成结构化元数据。截至论文发表，SRAgent已经处理208 939条SRA实验记录，识别出105 343个10×单细胞文库。人工处理同等工作量需要上千小时，智能体方案大幅降低人力算力成本，还可持续巡检SRA新增数据实现数据库自动更新。自动化注释仍存在短板：疾病标签来源于研究项目摘要，可能将疾病标记扩散至同项目内健康对照样本；为此研究配套大模型置信度打分体系，区分高、中、低可信度注释，供研究者按需选用。

筛选得到的原始测序数据交由 Nextflow流水线scRecounter完成统一重分析。流水线基于STARsolo执行比对计数，一次性输出多套计数矩阵：除传统仅统计外显子的Gene矩阵，同时生成兼顾内含子、外显子的GeneFull矩阵，以及适配RNA velocity分析的Velocyto矩阵；还提供unique、uniform、EM期望最大化三种多重比对读段分配策略，适配常规表达分析、RNA速度、非编码转录本解析等多元研究场景。利用轮廓系数评估批次效应可以发现，经过统一处理 后，文库化学、单细胞 / 单细胞核类型等技术因素对数据聚类的影响显著下降，组织相关生物学信号占据主导地位。尤其针对单细胞与单细胞核数据整合的常见痛点，统一输出全套计数矩阵有效削弱了因计数策略差异带来的人为批次，显著改善跨样本整合效果。

scBaseCount总计超过5.02亿细胞，体量显著高于CZ CELLxGENE（1.23亿细胞）与人类细胞图谱（6500万细胞）。基于这套全景资源，团队描绘了公开10×单细胞数据的整体分布特征：人、小鼠细胞分别占总细胞数60%、32%；3 ’ 文库仍占主流，5’文库近两年占比快速上升；血液、骨髓是占比最高的组织；肿瘤相关细胞占人和小鼠全部细胞的30.7%；COVID‑19疫情期间感染类数据集出现明显的阶段性高峰。一个值得关注的现象是，尽管测序成本持续下降 ，但 公共数据集的单细胞测序深度并未 提升，研究者更倾向于测序更多细胞，而非提高单细胞测序读段数量。

数据库没有现成人工细胞类型标注，研究利用 State细胞嵌入模型，结合Tabula Sapiens参考完成人类细胞计算注释；针对小鼠、斑马鱼、果蝇，借助Scanorama实现细胞类型跨图谱映射。PanglaoDB标记基因验证表明，scBaseCount可以稳定复现已知细胞类型特征，证明数据集具备可靠生物学信号，并非单纯的数据规模堆砌。

团队进一步评估该资源对细胞 AI基础模型训练的价值。分别采用scBaseCount与CZ CELLxGENE训练State细胞嵌入模型，在独立测试集上对比性能。细胞类型分类任务中两套数据集训练的模型表现接近；但面对病毒感染、CRISPR基因扰动这类细微细胞状态变化，scBaseCount训练的模型优势突出，扰动分组分类准确率提升近24%，差异表达基因预测的AUROC提升10.2%，AUPRC提升17.2%，对微弱转录扰动的识别能力明显增强。对照实验证实性能增益主要来自更大的数据 规模与更丰富的表型多样性。同时 scBaseCount完整保留每个SRA实验独立计数矩阵，完整留存实验批次协变量，为利用实验内部细胞上下文的新型基础模型提供训练条件，这是现有聚合式单细胞图谱难以实现的特性。

当然这项工作依旧存在局限。当前 scBaseCount仅聚焦10×Genomics平台的Illumina测序文库，尚未覆盖其他单细胞技术、多组学以及空间转录组；自动化元数据无法获取捐赠者个体信息、精准样本级疾病状态；非模式物种缺少高质量参考细胞图谱，细胞类型注释能力受限。未来团队计划拓展更多测序平台，吸纳受保护的受控访问数据集，持续完善智能体注释体系。

总体而言，scBaseCount的意义不止是一份更大的单细胞数据集。这项工作证明AI智能体可以成为大规模生物数据库构建的全新范式，把沉睡在公共原始测序库中的海量数据释放出来。整套代码SRAgent、scRecounter全部开源，数据集可以通过Arc Virtual Cell Atlas访问，配套提供了示例Notebook，方便研究者快速开展罕见疾病图谱构建、跨物种胚胎发育分析等研究。随着细胞基础模型成为计算生物学重要前沿，scBaseCount为整个领域提供了一份可不断迭代更新的标准化训 练基石，也为其他组学领域如何盘活海量未充分利用的公共原始数据提供了可借鉴的蓝图。

https://doi.org/10.1016/j.cell.2026.08.025

制版人： 十一

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

推荐直播

转载须知

【原创文章】BioArt原创文章，欢迎个人转发分享，未经允许禁止转载，所刊登的所有作品的著作权均为BioArt所拥有。BioArt保留所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘

点击主页推荐活动

关注更多最新活动！