census_schema

# CZ CELLxGENE Census 数据架构参考 ## 概述 CZ CELLxGENE Census 是一个基于 TileDB-SOMA 框架构建的单细胞数据版本化集合。本参考文档记录了数据结构、可用的元数据字段及查询语法。 ## 高层结构 Census 被组织为 `SOMACollection`，包含两个主要组件： ### 1. census_info 摘要信息，包括： - **summary**：构建日期、细胞计数、数据集统计信息 - **datasets**：来自 CELLxGENE Discover 的所有数据集及其元数据 - **summary_cell_counts**：按元数据类别分层的细胞计数 ### 2. census_data 特定物种的 `SOMAExperiment` 对象： - **"homo_sapiens"**：人类单细胞数据 - **"mus_musculus"**：小鼠单细胞数据 ## 每个物种的数据结构 每个物种实验包含： ### obs (细胞元数据) 以 `SOMADataFrame` 存储的细胞级注释。访问方式： python census["census_data"]["homo_sapiens"].obs ### ms["RNA"] (测量数据) RNA 测量数据，包括： - **X**：数据矩阵，包含层级： - `raw`：原始计数数据 - `normalized`：（如果可用）归一化计数 - **var**：基因元数据 - **feature_dataset_presence_matrix**：稀疏布尔数组，显示每个数据集中测量了哪些基因 ## 细胞元数据字段 (obs) ### 必需/核心字段 **身份与数据集：** - `soma_joinid`：用于连接的唯一整数标识符 - `dataset_id`：源数据集标识符 - `is_primary_data`：布尔标志（True = 唯一细胞，False = 跨数据集重复） **细胞类型：** - `cell_type`：人类可读的细胞类型名称 - `cell_type_ontology_term_id`：标准化本体术语（例如 "CL:0000236"） **组织：** - `tissue`：具体组织名称 - `tissue_general`：更广泛的组织类别（用于分组） - `tissue_ontology_term_id`：标准化本体术语 **测定方法：** - `assay`：使用的测序技术 - `assay_ontology_term_id`：标准化本体术语 **疾病：** - `disease`：疾病状态或状况 - `disease_ontology_term_id`：标准化本体术语 **捐赠者：** - `donor_id`：唯一捐赠者标识符 - `sex`：生物学性别（男、女、未知） - `self_reported_ethnicity`：种族信息 - `development_stage`：生命阶段（成人、儿童、胚胎等） - `development_stage_ontology_term_id`：标准化本体术语 **物种：** - `organism`：学名（Homo sapiens, Mus musculus） - `organism_ontology_term_id`：标准化本体术语 **技术：**