Baron et al. 的人和小鼠胰腺单细胞图谱是早期器官单细胞 atlas 里非常经典的一组数据。本文聚焦 GEO GSE84133 中 4 个 human donor 的 count matrix，复现 8569 个细胞、20125 个基因的人胰腺细胞结构，并用原始 assigned cluster、UMAP、marker dotplot 和 signature score 检查 alpha、beta、delta、gamma、acinar、ductal、stellate、endothelial 和免疫细胞等主要群体是否能被重新识别。
为什么选 Baron 人胰腺数据？
胰腺单细胞数据适合做复现，有一个很直接的原因：细胞类型清楚，marker 也清楚。内分泌胰岛细胞中，beta cell 表达 INS 和 IAPP，alpha cell 表达 GCG，delta cell 表达 SST，gamma/PP cell 表达 PPY；外分泌 acinar cell 有 PRSS1/PRSS2/CPA1，ductal cell 有 KRT19/KRT7/SOX9，stromal/stellate cell 有 COL1A1/DCN/LUM。这些 marker 让复现不只依赖 UMAP 形状，而可以用明确基因证据来检查。
Baron et al. 这篇文章的价值也不只是“有一组胰腺细胞”。它提供了人和小鼠胰腺的单细胞转录组图谱，并展示了主要细胞类型内部的异质性。对公开复现来说，这组数据非常适合回答几个问题：
- 四个 human donor 的 count matrix 能否合并成一个可解释的人胰腺图谱？
- 原文提供的
assigned_cluster标签是否能在重跑 UMAP 后形成清楚结构？ - alpha、beta、delta、gamma 等内分泌细胞与 acinar、ductal、stellate 等非内分泌细胞是否能被 marker 支持？
- donor 间组成差异是否明显，解释时是否需要避免把 donor 差异误读为普遍生物学结论？
- 这类早期公开矩阵复现时，需要特别说明哪些边界？
这篇数据对应的真实研究痛点
胰腺单细胞项目看起来 marker 清楚，但做复现时最容易出问题的地方，是把内分泌、外分泌和 stromal 细胞混在一张 UMAP 里以后，只凭单个激素基因或 cluster 颜色直接命名。对于已有 h5ad/Seurat 对象、公开 GEO 矩阵或旧课题结果，读者更需要知道的是：alpha、beta、delta、PP、acinar、ductal、stellate 和 endothelial 这些标签是否由成组 marker 支持，donor 间组成差异是否明显，以及哪些比例变化只能作为样本结构提示，不能写成普遍生物学结论。
Baron 这组数据适合把这个痛点讲清楚。本文把原始 assigned_cluster、重跑 UMAP、marker UMAP、dotplot、signature 和 donor 组成放在同一条证据链里，目的是判断“胰腺主要细胞身份是否可靠”和“早期公开矩阵能支持到什么层级”。这种审校方式对胰腺、胰岛或其他器官图谱项目都很实用：先确认标签能不能站住，再讨论细胞组成和疾病/样本差异。
论文和数据来源
- 论文：Baron et al. Cell Systems, 2016
- 论文题名：A Single-Cell Transcriptomic Map of the Human and Mouse Pancreas Reveals Inter- and Intra-cell Population Structure
- DOI：10.1016/j.cels.2016.08.011
- PubMed：PMID 27667365
- 公开数据：NCBI GEO GSE84133
- Human files：GSM2230757-760 human1-4 count matrices
复现边界说明 GSE84133 同时包含 human 和 mouse 胰腺数据。本文只聚焦 4 个 human donor，不把 mouse cell 与 human cell 混在一个 UMAP 中。本文使用 GEO 提供的 processed UMI count CSV 和原始
assigned_cluster标签，目标是复现人胰腺主要细胞图谱与 marker 证据，不声称从 FASTQ 完整重跑测序处理流程。
数据规模和细胞类型构成
本次复现合并 4 个 human donor，共得到 8569 个细胞和 20125 个基因。细胞数最多的是 human3，再是 human1、human2 和 human4。原始 assigned cluster 中，beta 和 alpha 是最大群体，再是 ductal、acinar、delta、activated stellate、gamma、endothelial 和 quiescent stellate。
- human pancreas cells：8,569
- genes：20,125
- human donors：4
- beta cells：2,525
- alpha cells：2,326
- ductal cells：1,077
图 1 Baron human pancreas 数据概览。左上展示 4 个 donor 的细胞数，右上展示原始 assigned cluster 细胞数，左下是 total counts 与 detected genes 的 QC 关系，右下是不同 donor 的主要细胞类型比例。
这个概览图有两个重要信息。第一，数据不是单一 donor；它是 4 个 donor 的合并，因此 donor 间差异必须被保留下来。第二，human donor 的细胞组成差异很明显，例如 human1 中 beta cell 比例较高，human2 中 alpha 和 ductal 比例较高，human3 中 acinar 比例更高。对复现文章来说，这意味着后续结论应该优先围绕“可恢复的细胞类型结构”和“marker 支持”，而不是把细胞比例直接当作普遍人群比例。
分析流程
本次复现使用 GEO 中 human1 到 human4 的 count CSV。每个文件的行是 cell，列包含 cell id、barcode、assigned_cluster 和基因 count。流程如下：
- 下载 GSE84133 RAW supplement，提取 4 个 human count matrix 和 2 个 mouse count matrix。
- 只读取 human1-human4，将每个细胞的 donor、barcode 和 assigned_cluster 写入 metadata。
- 合并 4 个 human donor，构建 cell × gene count matrix。
- 记录每个细胞 total counts 和 detected genes，检查 QC 分布。
- 执行归一化、log transform、高变基因、PCA、neighbors、UMAP 和 Leiden 聚类。
- 用原始 assigned_cluster 与重跑 Leiden cluster 对照，判断细胞结构是否稳定。
- 用 canonical pancreas markers 检查主要细胞类型身份。
- 计算 endocrine、beta、alpha、acinar、ductal 和 stromal signature，辅助解释细胞状态。
这个流程的重点是可复查：原始标签保留，重跑结构保留，marker 证据保留，donor 组成也保留。
UMAP：原始标签与重跑结构是否一致？
图 2 human pancreas UMAP。左图按 donor 标记，中图按原始 assigned_cluster 标记，右图按本次重跑 Leiden cluster 标记。原始注释和重跑无监督结构整体一致，说明主要细胞类型可以从表达空间中恢复。
从图 2 可以看到，alpha、beta、ductal、acinar、stellate、endothelial 等群体形成相对清晰的结构。donor 图也需要先确认：不同 donor 不是完全均匀混合，说明 donor composition 和技术/个体差异都可能影响 UMAP 分布。对于早期器官 atlas 数据，这种现象很常见。
这里的合理解释不是“批次问题导致结果不可用”；具体是：细胞类型信号足够强，可以恢复主要结构；但 donor 差异也存在，不能忽略。因此本文后面的组成比例只作为数据描述，不作为严格人群层面的统计结论。
胰腺主要细胞类型：内分泌和外分泌两条主线
按原始 assigned cluster 统计，beta cell 有 2525 个，alpha cell 有 2326 个，ductal cell 有 1077 个，acinar cell 有 958 个，delta cell 有 601 个。其余包括 activated stellate、gamma、endothelial、quiescent stellate、macrophage、mast、epsilon、schwann 和 T cell。
| Cell type | Cells | 复现解读 |
|---|---|---|
| beta | 2525 | 胰岛 beta 细胞，胰岛素相关主线 |
| alpha | 2326 | 胰岛 alpha 细胞，胰高血糖素相关主线 |
| ductal | 1077 | 导管上皮相关群体 |
| acinar | 958 | 外分泌腺泡细胞 |
| delta | 601 | 生长抑素相关内分泌群体 |
| activated_stellate | 284 | 活化星状细胞/基质相关群体 |
| gamma | 255 | PPY/PYY 相关内分泌群体 |
| endothelial | 252 | 血管内皮相关群体 |
| quiescent_stellate | 173 | 静息星状细胞/基质相关群体 |
胰腺数据的解释要同时看内分泌和外分泌。内分泌部分以 alpha/beta/delta/gamma/epsilon 为主，关系到激素分泌；外分泌和支持细胞部分包括 acinar、ductal、stellate、endothelial 和免疫细胞，关系到组织结构、消化酶、导管和微环境。
marker UMAP：经典基因是否落在正确区域？
图 3 经典 marker 在 UMAP 上的表达分布。INS 对应 beta cell，GCG 对应 alpha cell，SST 对应 delta cell，PPY 对应 gamma cell，PRSS1 对应 acinar cell，KRT19 对应 ductal cell，COL1A1 对应 stellate/stromal cell，PECAM1 对应 endothelial cell，PTPRC 对应 immune cell。
这张图是判断复现是否抓住主要结构的关键。INS 和 GCG 分别落在不同内分泌区域，说明 beta 和 alpha 不是靠标签硬分出来的。PRSS1 和 KRT19 分别对应 acinar 和 ductal，支持外分泌结构。COL1A1、PECAM1、PTPRC 则说明 stromal、endothelial 和 immune 低丰度群体也能被 marker 捕捉到。
如果只看 UMAP 的颜色块，读者很难判断标签是否可靠；marker UMAP 提供了第一层证据。
DotPlot：把 marker 证据系统化
图 4 Canonical pancreas marker dotplot。点大小表示组内表达细胞比例，颜色表示平均表达。这个图系统检查了 acinar、beta、alpha、delta、gamma、epsilon、ductal、stellate、endothelial 和 immune 等主要标签。
DotPlot 中最清楚的几组 marker 包括：
- acinar：
PRSS1, PRSS2, CPA1, CPA2, REG1A, CTRB1 - beta：
INS, IAPP, PCSK1, PCSK2, MAFA - alpha：
GCG, TTR, ARX - delta：
SST, HHEX - gamma：
PPY, PYY - epsilon：
GHRL - ductal：
KRT19, KRT7, SOX9, MUC1, CFTR - stellate：
COL1A1, COL1A2, DCN, LUM, ACTA2 - endothelial：
PECAM1, VWF, KDR - immune：
PTPRC, CD68, LST1, TPSAB1, CD3D
这个结果说明，大部分原始 assigned cluster 都能被经典 marker 支持。少数低丰度群体，比如 epsilon、mast、T cell、schwann，因为细胞数很少，适合保留为图谱信息，不适合在这篇复现里做过深机制解读。
signature score：把一组基因压缩成可比较状态
单基因 marker 很直观，但容易受表达未检出和检测不稳定影响。因此本次复现还计算了几组 signature score：
- endocrine：
CHGA, CHGB, SCG5, PCSK1, PCSK2 - beta identity：
INS, IAPP, PCSK1, PCSK2, MAFA, PDX1 - alpha identity：
GCG, TTR, ARX, IRX2 - exocrine acinar：
PRSS1, CPA1, CPA2, CTRB1, REG1A - ductal：
KRT19, KRT7, SOX9, MUC1 - stromal：
COL1A1, COL1A2, DCN, LUM, ACTA2
图 5 signature score 在 UMAP 上的分布。endocrine score 覆盖 alpha/beta/delta/gamma/epsilon 区域，beta 和 alpha 转录身份分数分别定位到对应内分泌群体，acinar、ductal 和 stromal score 对应外分泌与基质区域。
signature UMAP 把一组 marker 的共同表达投射回单细胞空间。beta identity score 在 beta 区域高，alpha identity score 在 alpha 区域高，exocrine acinar score 在 acinar 区域高，ductal score 在 ductal 区域高，stromal score 在 stellate 区域高。这些分数支持相应的转录身份或表达程序，不能替代分泌功能、代谢功能或其他功能实验。
图 6 按原始 assigned cluster 比较 signature score。boxplot 进一步显示 beta、alpha、acinar、ductal 和 stellate 的 signature 与对应标签匹配。
从 score 均值看，acinar 的 exocrine acinar score 最高，beta 的 beta identity score 最高，alpha 的 alpha identity score 最高，ductal 的 ductal score 最高，activated stellate 和 quiescent stellate 的 stromal score 更高。这里的 signature 与前文 marker panel 有基因重叠，因此属于同一证据体系内的一致性检查，不构成独立验证。
donor 组成差异：不要把细胞比例误读为普遍比例
这组数据里 donor 组成差异非常明显。例如 human1 中 beta cell 约 45.0%，alpha 约 12.2%；human2 中 alpha 约 39.2%，beta 约 21.5%，ductal 约 17.5%；human3 中 acinar 约 23.4%，alpha 约 31.3%，beta 约 21.8%；human4 中 beta 约 38.0%，alpha 约 21.8%，ductal 约 21.5%。
| Donor | alpha | beta | ductal | acinar | delta |
|---|---|---|---|---|---|
| human1 | 12.2% | 45.0% | 6.2% | 5.7% | 11.0% |
| human2 | 39.2% | 21.5% | 17.5% | 0.2% | 7.3% |
| human3 | 31.3% | 21.8% | 10.4% | 23.4% | 4.5% |
| human4 | 21.8% | 38.0% | 21.5% | 0.2% | 7.8% |
这些差异可能来自 donor 本身、样本处理、细胞捕获、组织区域、消化偏好和数据处理策略。公开复现时要保留这个层面，因为它决定了文章的结论边界：我们可以说主要细胞类型结构和 marker 证据可以复现，但不能简单说某个细胞比例代表所有人胰腺的真实比例。
和源论文结论如何对照？
源论文的主要目标是建立 human 和 mouse pancreas 的单细胞转录组图谱，并展示主要细胞类型及其内部结构。本文聚焦 human 部分，复现到的层级与源论文主线有多处一致：
- 人胰腺主要细胞类型可以通过单细胞表达图谱重新恢复。
- alpha、beta、delta、gamma 等内分泌细胞与 acinar、ductal 等外分泌细胞在表达空间中分离。
- 主要细胞类型有清楚 canonical marker 支持。
- donor 之间细胞组成存在差异，解释时需要保留 donor 视角。
- 低丰度群体如 endothelial、macrophage、mast、T cell、schwann 和 epsilon 可以观察到，但不宜过度展开。
本文没有覆盖的部分也要明确：
- 没有把 human 和 mouse 做跨物种整合分析。
- 没有从 FASTQ 或原始测序 reads 重跑完整流程。
- 没有复现源论文所有亚群、差异表达和跨物种对照图。
- 没有对 beta cell 或 alpha cell 内部状态做深度子集重聚类。
- 没有把 donor 比例差异当作患者层面的统计结论。
这些边界让复现更可信。公开数据复现的目标不是把源论文每个 panel 原样重做；关键在于把可复查数据重新整理成清晰、可解释、能指导后续分析的问题框架。
复现这类早期公开单细胞矩阵时容易出错的地方
第一，要读清楚矩阵方向。Baron 的文件是 cell × gene 的 CSV，不是 10X 的 matrix/barcodes/features 三件套。第二，assigned_cluster 是原始注释，不是本次重跑的聚类结果；文章里要区分原标签和重新计算的 Leiden cluster。第三，人和小鼠不要随意混在一个 UMAP 中，除非明确做跨物种整合。第四，donor 组成差异必须展示，否则很容易把 donor 特异的细胞比例写成普遍结论。第五，低丰度细胞类型只适合做图谱层面展示，除非专门做子集和统计验证。
关键结论 GSE84133 的 4 个 human pancreas count matrix 可以稳定复现人胰腺主要细胞图谱。alpha、beta、delta、gamma、acinar、ductal、stellate、endothelial 和 immune 等群体在 UMAP、marker dotplot 和 signature score 中均有清楚证据。更有用的复现不只给出一张漂亮 UMAP；关键在于把 donor 组成、原始注释、marker 证据、signature 解释和源论文边界一起写清楚。
这篇复现能作为哪些项目模板？
- 器官 atlas 复现：从公开 processed count matrix 恢复主要细胞图谱。
- 胰腺细胞注释：围绕 alpha、beta、delta、gamma、acinar、ductal 等 marker 建立证据链。
- donor 差异展示：把个体来源和细胞比例差异作为解释边界。
- 早期数据格式处理：处理非 10X、带原始标签的 CSV count matrix。
- signature 辅助解释：用 gene set score 复核细胞身份和功能状态。
- 结果图汇报整理：把 UMAP、composition、dotplot 和 score 图转成可读复现报告。
如果继续加深，这组数据可以做 beta cell 子集重聚类、alpha/beta 比例与 donor 的样本层面解释、human-mouse ortholog 整合、内分泌细胞状态差异、以及与其他胰腺单细胞数据集的横向对照。作为公开复现文章，本文先完成最基础也最关键的一层：从 GEO processed count matrix 重新组织人胰腺图谱，并说明哪些结论可以相信、哪些地方需要进一步分析。
深度解读：这篇复现应该怎么读？
Baron 人胰腺复现要按“4 个 donor 的 human count matrix + 原始 assigned_cluster + marker 证据”来读。本文没有把 human 和 mouse 混在一起，也没有把 donor 组成差异抹掉；重点聚焦 GSE84133 的 human1-human4，检查 8,569 个细胞是否能恢复 alpha、beta、delta、gamma、acinar、ductal、stellate、endothelial 和 immune 等结构。
1. 这篇复现回答了什么？
它回答的是“GSE84133 的 4 个 human pancreas count matrix 是否能作为一个可解释的人胰腺 atlas 重新分析”。本文保留原始 assigned_cluster，同时重跑 UMAP 和 Leiden，用 INS/IAPP、GCG、SST、PPY/PYY、PRSS1/PRSS2/CPA1、KRT19/KRT7/SOX9、COL1A1/DCN/LUM、PECAM1/VWF、PTPRC 等 marker 复核标签。
从复现结果看，原始标签、重跑低维结构和 marker 证据整体一致。这支持源论文“人胰腺主要细胞类型可由单细胞转录组分解”的主线，但不等于本文重做了全部跨物种整合和亚群分析。
2. raw / processed matrix 的边界在哪里？
本文使用的是 GEO human processed UMI count CSV 和原始 assigned cluster 标签，不是 FASTQ 重新比对，也不是 human-mouse 跨物种完整分析。这个矩阵层级适合做常规 count matrix 复现：归一化、降维、聚类、marker、signature 和 donor 组成检查。
它不能支持的是把 mouse 结论直接套到 human 图谱、从原始 reads 重建所有过滤流程、或把 donor 间细胞比例写成普遍人群比例。Baron 这篇最适合严肃复现的是 human 部分的细胞类型结构，而不是把原文所有模块压缩成一个二次分析。
3. 关键图应该怎么读？
图 1 先看 donor 和 assigned cluster 的数据概览，尤其是 human1-human4 的组成差异；图 2 同时看 donor、assigned_cluster 和 Leiden，确认原始标签与重跑结构是否一致；图 3 和图 4 用 marker UMAP/dotplot 检查标签；图 5 和图 6 用 endocrine、beta、alpha、acinar、ductal、stromal signature 进一步复核；donor 组成表则决定哪些比例结论必须克制。
比如 human1 beta 比例较高、human2 alpha/ductal 比例较高、human3 acinar 比例较高，这些都应该作为数据结构来描述，而不是被写成普遍生理差异。器官 atlas 的 composition 图先是样本描述，再才可能进入统计解释。
4. 哪些地方不能过度解释？
第一，不能把 assigned_cluster 和本文 Leiden cluster 混为一谈。第二，不能把 human 与 mouse 数据混合成同一个 UMAP 后直接解释。第三，低丰度 epsilon、mast、T cell、schwann 等群体只能做图谱层面展示，不能在本文中深挖功能。第四，不能把 donor 组成差异外推为人群比例。第五，signature score 只能复核表达身份，不能替代功能实验。
本文能严肃支持的是：Baron human count matrix 可以稳定恢复人胰腺主要细胞类型，原始 assigned cluster 大多有 marker 和 signature 证据。本文不能支持的是完整跨物种结论、所有亚群内部状态、donor 比例统计推断或原文所有分析模块。
5. 如果继续深入，下一步做什么？
继续深入时，可以优先做 beta、alpha、ductal、acinar 子集重聚类，检查每类内部状态是否稳定；也可以与 Muraro、Xin 等人胰腺/胰岛数据横向对照，确认 marker panel 和主要细胞结构是否一致。若要复现源论文跨物种主线，应单独处理 mouse 数据并设计 human-mouse ortholog 对照，而不是把它混在本文 human 图谱中。
这类胰腺 atlas 对真实课题最有用的地方，是提供一套清晰的 marker 和 donor-aware 阅读框架：先确定 alpha/beta/delta/gamma、acinar/ductal/stromal 是否站得住，再讨论功能状态或疾病问题。
小结
这次复现从 Baron et al. 的 GSE84133 出发，聚焦 4 个 human donor，整理 8569 个细胞和 20125 个基因，重建了人胰腺主要细胞类型结构。结果显示，alpha、beta、delta、gamma、acinar、ductal、stellate、endothelial 和 immune 等群体均能在表达空间和 marker 证据中得到支持。
这类经典数据的价值来自，它既适合展示单细胞图谱复现的基本方法，也适合训练“如何阅读公开单细胞文章”的判断力：先看数据来源，再看样本和 donor，再看 UMAP，再看 marker，再看 signature，结尾处才讨论生物学解释和复现边界。