这是一篇围绕 Haber et al. 小肠上皮单细胞图谱的深度复现记录。重点不是只展示一张 UMAP；关键在于把 GSE92332 的 UMI 矩阵结构、列名 metadata、Stem/TA、enterocyte、Goblet、Paneth、Tuft、Endocrine 等谱系证据，以及公开矩阵无法替代原文扰动和空间设计的边界讲清楚。
论文和数据来源
论文、数据和公开矩阵信息如下。这里先把来源和矩阵层级交代清楚。
| 项目 | 内容 |
|---|---|
| 论文 | Haber et al. Nature, 2017 |
| 论文题名 | A single-cell survey of the small intestinal epithelium |
| DOI | 10.1038/nature24489 |
| 公开数据 | GSE92332 |
| 公开矩阵 | atlas UMI count matrix |
Haber et al. 这篇文章是小肠上皮单细胞研究里很常见的经典入口。它的价值不只是列出几类细胞；关键在于把 stem cell、transit-amplifying cell、enterocyte progenitor、成熟吸收型 enterocyte，以及 Goblet、Paneth、Tuft、Endocrine 等分泌谱系放在同一张图谱中。对公开复现来说，这组数据很适合训练“谱系结构怎么读”和“UMAP 不能被直接当成伪时间”的边界意识。
图表追溯修订（2026-07-19）： 原
08_branch_signature.png是08_secretory_signature.png的复制别名，现已撤下，正文只引用可追溯的 secretory signature 图。图 9 的 stem-enterocyte 图由各作者 cell-type label 的平均 signature 构成，已经重画并改称“cell-type mean expression contrast”；它不属于单细胞轨迹、伪时间或分支模型。独立 manifest 记录输入表、修复脚本和输出图哈希。
本文使用 GEO 公开的 UMI count matrix。该矩阵已经是公开矩阵层面的输入，本文不声称从 FASTQ 重新比对，也不完整复现原文中所有实验条件、感染/扰动设计、空间区域和调控机制。
Haber 数据的读取还有一个容易出错的细节：公开文件的列名本身携带 sample、barcode 和 cell type 信息。复现时不能只把它当作普通表达矩阵读入，还要把列名拆成逐细胞 metadata。只有 metadata 与表达矩阵对齐，后面的 sample UMAP、sample composition、lineage heatmap 和 signature 解释才有意义。
这篇文章的证据链由三层组成。数据层要确认 7216 个细胞、15252 个过滤后基因、10 个 sample label 和 15 个 epithelial label 是否能正确整理；细胞身份层要看 Stem、TA/proliferating、enterocyte、Goblet、Paneth、Tuft、Endocrine 是否有 marker 支持；谱系解释层要说明 Stem/TA 到 enterocyte lineage 的连续结构，以及各类分泌谱系的分支特征，应该怎样写才不过度。
这篇为什么适合做深度复现？
小肠上皮图谱有一个优点：细胞类型层级很清楚。Stem 与 TA/proliferating cell 代表增殖和更新入口，enterocyte lineage 体现吸收型细胞成熟过程，Goblet、Paneth、Tuft 和 Endocrine 代表不同分泌方向。这样的结构非常适合做图文结合的复现案例。
它也有几个容易误读的地方。第一，列名里包含 sample、barcode 和 cell type，读取时如果不先解析列名，metadata 就会丢失。第二，UMAP 上的连续分布不等于严格时间轴，不能把二维邻近直接写成发育顺序。第三，原文包含更丰富的实验背景和条件设计，公开 atlas matrix 只能复核主体图谱，不能替代全部机制分析。
这也是本文要加深的地方。很多浅层复现会停在“UMAP 上能看到 Stem、TA、enterocyte 和分泌细胞”这一步，但研究者通常还会追问更具体的问题：Stem/TA 区域是否确实有增殖和干细胞 marker？enterocyte lineage 是否与成熟吸收型 marker 相吻合？Goblet、Paneth、Tuft、Endocrine 是否应该分别解释？sample composition 会不会影响某个谱系的比例？这些问题必须用图后文字讲透。
Haber 数据还适合训练一个边界意识：连续结构不等于轨迹模型。UMAP 能让我们看到转录状态的相似性，signature axis 能帮助比较 stem 与 enterocyte 方向，但发育方向、分支节点和速度需要单独建模。没有正式伪时间、RNA velocity 或实验时间信息时，文章应该写“表达状态连续”，不能把它写成精确发育顺序。
本次深度复现方法与流程
本文的处理顺序从数据层级开始：读取 GEO atlas UMI count matrix，先解析第一行细胞名，再从第二行开始构建 gene × cell 矩阵；从细胞名中提取 sample、barcode 和原始 cell type，作为逐细胞 metadata；复核细胞数、基因数、样本编号和原始细胞类型数量；保留基础复现中的 UMAP、sample 分布、细胞类型组成、样本组成、marker dotplot 和关键 signature 图；将 15 个细胞类型归纳为 Stem、TA/proliferating、enterocyte lineage、Goblet、Paneth、Tuft 和 Endocrine 等谱系组；新增 lineage composition、sample-level lineage heatmap、signature heatmap 和 cell-type mean signature contrast；把复现结果与源论文主线和公开矩阵边界逐项对照。
数据规模和注释结构
公开矩阵进入分析前，先确认数据层级和规模。
| 项目 | 数值 |
|---|---|
| cells retained | 7,216 |
| genes after filter | 15,252 |
| sample labels | 10 |
| epithelial labels | 15 |
| Stem cells | 1,267 |
| 分泌谱系细胞 | 1,246 |
图 1. 7216 个小肠上皮细胞按原始 cell type 标记的 UMAP。Stem、TA、enterocyte progenitor、成熟 enterocyte、Goblet、Paneth、Tuft 和 Endocrine 等结构清晰可见。
这张图先说明公开矩阵可用：细胞类型不等于随机散在；它呈现出上皮谱系的层次。Stem 和 TA 相关细胞位于增殖/过渡区域，enterocyte progenitor 与成熟 enterocyte 呈现连续结构，分泌谱系形成相对独立或局部富集区域。这里更严谨的说法是“转录相似性支持谱系结构”，而不等于“UMAP 直接证明了精确发育时间”。
图 1 的重点是把小肠上皮图谱的阅读顺序打开。先看 Stem/TA 的更新入口，再看 enterocyte progenitor 到成熟 enterocyte 的吸收型主线，然后看 Goblet、Paneth、Tuft 和 Endocrine 等分泌方向。若一开始就把所有标签平均解释，文章会变成标签清单；按谱系关系读，才能看出这组数据为什么适合作为上皮更新和分化的复现案例。
这张图也提醒我们不要把“相邻”写成“转化”。UMAP 上靠近说明表达相似，可能对应过渡状态，也可能受降维算法、基因选择和样本组成影响。图 1 可以支持“主体结构清晰”，但要讨论更细的命运转换，还需要后面的 marker、signature axis 和更正式的轨迹分析。
sample effect：图谱复现前要先看样本来源
图 2. 按样本编号标记 UMAP。这个图用于检查样本来源是否主导结构，并提醒后续解释不能脱离 sample metadata。
公共单细胞复现中，sample 检查经常被跳过。对小肠上皮这类数据而言，细胞类型比例、肠段、处理条件和样本批次都可能影响结构。本文重点复现 atlas matrix 的主体结构，因此没有把所有原文条件逐一展开；但保留 sample 视图可以帮助避免把样本差异误写成普遍规律。
sample UMAP 的作用是给后续解释提供参照，不用于给样本贴好坏标签。如果某些分泌谱系区域主要来自少数样本，文章就不能轻易把它写成全体图谱的均衡特征；如果 Stem/TA 或 enterocyte 区域跨样本都能看到，细胞身份判断会更稳。对公开复现来说，这一步比单纯追求 UMAP 分群好看更重要。
图 3. 各样本内原始细胞类型比例。不同样本中 Stem、TA、enterocyte 和分泌谱系比例存在差异。
这个组成图告诉我们：即使总体 UMAP 清晰，不同样本的细胞类型比例也并不完全相同。后续如果比较某个 signature 或某类分泌细胞比例，需要回到样本层面检查，而不只看总体均值。
图 3 还决定了本文的措辞强度。细胞数足够、跨样本存在、marker 成组清楚的谱系，可以被写成稳定复现结果；低丰度或样本偏倚明显的谱系，更适合写成“可见但需要独立复核”。这种差异化表达比笼统说“图谱复现成功”更有用，因为它告诉读者哪些结果能直接进入报告，哪些结果应该作为后续分析问题。
按谱系组重新组织：先读大结构
图 4. 将 15 个原始细胞标签归纳为 Stem、TA/proliferating、enterocyte lineage、Goblet、Paneth、Tuft 和 Endocrine 等谱系组后的细胞数。
谱系组的作用是降低阅读门槛。Haber 数据的细胞标签较多，如果直接从 15 个标签开始讨论，读者容易被细节淹没。先按 Stem/TA、enterocyte lineage 和各类分泌谱系读图，可以更自然地理解小肠上皮更新和分化的主体框架。
图 4 不能被读成真实组织比例。公开矩阵里的细胞数受采样、上皮分离、捕获效率、过滤策略和原文设计影响。它能告诉我们在当前矩阵中哪些谱系有足够细胞用于展示和复核，也能提示哪些谱系需要谨慎解释。比如 Tuft 或 Endocrine 这类低丰度方向，即使 marker 清楚，也不适合用少量细胞去推断全组织比例。
图 5. sample-level lineage fraction heatmap。它把每个样本中的 Stem、TA/proliferating、enterocyte lineage 和分泌谱系比例压缩到一个可比较视图中。
这个 heatmap 帮助判断谱系结构是否过度依赖某个样本。比如某些样本 enterocyte lineage 占比更高，某些样本 Stem/TA 或分泌谱系更明显。它不等于最终统计模型，但能提醒读者：公开图谱复现中，样本组成是解释谱系差异的必要背景。
图 5 和图 3 的区别在于层级。图 3 保留原始标签，能看到更细的 cell type；图 5 把它们归并为谱系组，能看出样本层面的主轴差异。两张图合起来，才适合讨论“某个谱系是否稳定可见”。如果只有 UMAP 而没有 sample-level heatmap，图谱看上去可能很清楚，但读者仍不知道这个结构是否被个别样本主导。
在项目中，若目标是比较处理组、感染状态或肠段位置，这一步会直接升级为样本层面的统计。本文没有展开原文所有条件，因此只把它作为复现边界和后续分析入口。
marker 证据：细胞身份能不能被表达支持？
图 6. 小肠上皮经典 marker dotplot。Lgr5/Ascl2/Olfm4 支持 Stem，Mki67/Top2a/Pcna 支持 TA/proliferating，Alpi/Apoa1/Apoa4/Fabp1 支持 enterocyte，Muc2/Tff3 支持 Goblet，Lyz1/Defa24/Mmp7 支持 Paneth，Dclk1/Trpm5/Pou2f3 支持 Tuft，Chga/Chgb/Neurod1 支持 Endocrine。
marker dotplot 是复现可信度的底层证据。原始 cell type 标签来自公开数据，但复现时必须用表达信号检查标签是否合理。当前 dotplot 支持主要细胞身份：Stem、TA、enterocyte、Goblet、Paneth、Tuft 和 Endocrine 都能找到相应 marker 方向。
这张图比 UMAP 更接近“证据”。Lgr5、Ascl2、Olfm4 指向 stem 程序，Mki67、Top2a、Pcna 指向增殖，Alpi、Apoa1、Apoa4、Fabp1 指向 enterocyte，Muc2/Tff3、Lyz1/Defa24/Mmp7、Dclk1/Trpm5/Pou2f3、Chga/Chgb/Neurod1 分别支持不同分泌方向。只有这些 marker 成组出现，标签才不只是 metadata 里的名字。
marker dotplot 也能限制解释。单个 marker 受表达稀疏和背景表达影响，不能单独决定谱系身份；多个 marker 与 UMAP 区域、sample composition 和 signature heatmap 同向时，结论才更稳。本文后面所有关于谱系的判断，都应回到这一层证据。
Stem/TA 与成熟 enterocyte：连续结构怎么读？
图 7. Stem signature 在 UMAP 上的分布。Lgr5、Ascl2、Olfm4、Smoc2 等基因帮助定位干细胞相关区域。
图 7 把 stem marker 组合投回 UMAP，用来检查 stem 相关表达是否集中在预期区域。它与 marker dotplot 互相补充：dotplot 告诉我们哪些标签表达 Lgr5、Ascl2、Olfm4 等基因，signature UMAP 告诉我们这些基因组合在整个表达空间中的位置。两者同向时，Stem 标签的复核更可靠。
这里不能写成“stem 细胞沿 UMAP 坐标变成 enterocyte”。当前图只显示 stem 程序的空间分布；要证明方向，需要更正式的 trajectory、RNA velocity、时间序列或实验设计。本文把它写作干细胞相关转录状态，而不是完整命运转换模型。
图 8. TA/proliferation signature 在 UMAP 上的分布。Mki67、Top2a、Pcna、Stmn1 等基因提示增殖过渡区域。
这两张图适合一起读：Stem signature 代表更新入口，TA/proliferation signature 代表增殖扩增。它们与 UMAP 的局部连续结构一致，但仍不能把二维坐标直接当成精确伪时间。更稳妥的解释是：公开矩阵支持 Stem/TA 转录状态在图谱中可见；如果要做严格 trajectory，需要单独定义模型、根节点、方向和统计检验。
TA/proliferation signature 的意义在于把“增殖过渡区”从视觉判断变成表达证据。Mki67、Top2a、Pcna、Stmn1 等基因如果集中在 TA 相关区域，说明过渡状态有增殖程序支撑；若这些基因扩散到多个谱系，就要考虑细胞周期对图谱结构的影响。当前结果更适合写成 Stem/TA 程序可见，而不是直接写成所有细胞沿同一条路线成熟。
图 9. 每个点代表一个作者 cell-type label，横纵坐标分别是该标签的平均 stem signature 和平均 enterocyte signature。点大小表示细胞数，颜色表示谱系组。该图只比较类别均值，不表示单细胞连续轨迹或成熟方向。
这个对照图把不同作者标签的平均 signature 放在同一平面。Stem/TA 相关标签在 stem signature 上较高，成熟 enterocyte 标签在 enterocyte signature 上较高；分泌谱系分布在其他区域。它只能说明类别均值差异，分支和成熟方向仍需单细胞 trajectory、时间或实验设计支持。
图 9 是整篇文章里最适合解释“连续性和分支并存”的图。Stem 与 enterocyte 两个方向构成一条主要对照轴，但 Goblet、Paneth、Tuft、Endocrine 不应该被硬塞到这条轴上排序。它们是分支谱系，需要各自 marker 支持。这个读法比单纯说“发育连续”更准确，也更接近小肠上皮图谱的实际结构。
分泌谱系：不等于所有非 enterocyte 都是一类
图 10. 分泌谱系组合 signature 在 UMAP 上的分布。Goblet、Paneth、Tuft、Endocrine 等相关区域可以用组合评分观察。
分泌谱系是这篇数据的重要部分，但也最容易被粗略处理。Goblet、Paneth、Tuft 和 Endocrine 不等于“非 enterocyte”这一类；具有不同 marker 和功能背景的多个方向。公开复现可以通过 marker 和 signature 显示这些方向，但不能替代原文对分泌谱系调控、扰动响应或空间位置的全部分析。
图 10 的组合 signature 只能作为入口。它可以提示分泌方向在图谱中的分布，但不能把 Goblet、Paneth、Tuft、Endocrine 的差异压成一个总分就结束。更严谨的读法是：组合 signature 先定位分泌相关区域，再回到 dotplot 和 heatmap 逐一检查 Muc2/Tff3、Lyz1/Defa24/Mmp7、Dclk1/Trpm5/Pou2f3、Chga/Chgb/Neurod1 是否分别支持不同谱系。
这也是公开报告里很容易体现分析质量的地方。粗略文章会把所有非吸收型细胞写成“分泌细胞”；更细的复现会说明它们在 marker、功能背景和解释边界上不同。本文选择后者，因为 Haber 数据本身就适合展示这种谱系拆分能力。
signature heatmap：标签和表达程序是否互相支持？
图 11. Stem、TA/proliferation、enterocyte、Goblet、Paneth、Tuft、Endocrine 和分泌谱系组合 signature 在 15 个细胞标签中的平均评分。
signature heatmap 把“一个标签是否符合预期表达程序”放在同一张图里。Stem 标签应在 stem signature 上更高，TA 标签应在 proliferation signature 上更高，enterocyte 相关标签应在 enterocyte signature 上更高，Goblet/Paneth/Tuft/Endocrine 应各自对应分泌方向。这个图比单个 UMAP 更适合做公开报告中的证据汇总。
也要注意，signature 不等于机制证明。它只是把若干 marker 基因的表达方向压缩成一个分数。某些基因可能在多个谱系有背景表达，低丰度细胞也可能受样本组成影响。因此 signature heatmap 应和 marker dotplot、UMAP、sample composition 一起读。
图 11 还可以作为质控图使用。若某个标签在与它无关的多个 signature 上同时偏高，需要检查基因集是否过宽、细胞数是否太少、标签是否混合，或细胞周期是否影响了表达空间。换句话说，heatmap 不用于把每个标签都修饰得很完美，它更适合暴露哪些标签稳，哪些标签需要更多证据。
与源论文主线的对照和复现边界
本次深度复现与源论文主线一致的地方包括：公开矩阵能恢复小肠上皮主要细胞类型；Stem/TA、enterocyte lineage 和分泌谱系在表达空间中有可解释结构；经典 marker 支持主要标签；sample composition 是解释图谱时不可忽略的背景。
本文没有完成的部分也必须写清楚。第一，没有从 FASTQ 重新比对。第二，没有重做原文中所有实验条件、感染/扰动、肠段位置和调控机制分析。第三，没有做正式伪时间或 RNA velocity。第四，没有把分泌谱系变化写成某种处理或疾病机制。
这个边界决定了文章的结论强度。本文可以说公开矩阵支持小肠上皮 atlas 的主体结构，支持 Stem/TA、enterocyte 和分泌谱系的 marker 复核，也支持把 sample composition 纳入解释；但不能说已经完整重建了原文实验条件下的动态响应。若读者手里有类似上皮数据，这篇复现能提供的是图谱整理、标签复核和谱系读法，而不是直接替代机制实验。
Haber 原文的价值很大一部分来自更完整的实验背景。公开 atlas UMI matrix 是其中最适合复用的表达层材料。把它复现好，能帮助研究者快速建立上皮图谱；要从图谱走向扰动机制，则需要把原文条件、样本设计和更多统计模型接回来。
如果把 Haber 做成项目级深挖，还缺什么？
enterocyte lineage 可以继续向成熟梯度推进。当前图 9 已经把 stem signature 和 enterocyte signature 放到同一平面，但这只是一个 cell type-level 对照。更细的做法是把 enterocyte progenitor 和成熟 enterocyte 相关细胞单独取出，沿吸收型 marker、代谢相关基因和刷状缘相关基因做梯度检查，再看 sample 是否影响这个梯度。这样得到的结果才适合写成 enterocyte maturation 的复核，而不只是 UMAP 上的一段连续区域。
Stem/TA 区域需要把细胞周期影响单独拿出来。Mki67、Top2a、Pcna、Stmn1 等基因支持 TA/proliferating 状态，但细胞周期也会影响降维结构。如果继续深入，可以先在 Stem/TA 相关细胞内检查 S phase、G2/M、stem marker 和 early enterocyte marker 的关系，再判断这个区域是单纯增殖主导，还是同时保留了 stem-to-progenitor 的表达过渡。
分泌谱系需要拆开，而不适合只用一个 branch signature。Goblet、Paneth、Tuft、Endocrine 的 marker 差异很大，低丰度细胞还容易受 sample composition 影响。项目级深挖应分别复核 Muc2/Tff3、Lyz1/Defa24/Mmp7、Dclk1/Trpm5/Pou2f3、Chga/Chgb/Neurod1 等 marker 组合，再决定哪些谱系能写成稳定结果，哪些只能作为后续验证入口。
原文扰动和空间背景也不能丢。Haber 论文并不只是一个静态 atlas，原文包含更丰富的实验设计。若要讨论感染、扰动、肠段或 crypt-villus 空间区域，需要把这些实验条件重新整理进 metadata，并和公开矩阵中的表达状态对齐。当前文章只完成 atlas 层面的复核；进一步讲机制时，必须把条件设计补回来。
对类似项目来说，这个顺序很实用：先把 atlas 结构和 marker 审清，再做谱系内重分析，随后才进入扰动、空间或机制解释。这样不会把一个好看的 UMAP 误写成完整生物学故事，也能让公开数据重用落到后续研究问题上。
深度解读：这篇复现应该怎么读？
这篇复现回答了什么？
它回答的是：在 GSE92332 公开 UMI matrix 的基础上，小肠上皮 atlas 的主体结构能否被重新整理、可视化和 marker/signature 复核。答案是可以。Stem、TA、enterocyte、Goblet、Paneth、Tuft 和 Endocrine 等标签都有相应表达证据。
raw / processed matrix 的边界在哪里？
公开 UMI matrix 可以支持 QC、归一化、降维、marker、signature 和标签复核。但它不能单独重建原文所有实验设计，也不能替代 raw reads、空间区域、扰动条件和机制验证。复现文章应把“图谱可恢复”和“机制可证明”分开写。
主图应该按什么顺序读？
UMAP 先看整体谱系结构；sample 图和 composition 图先检查样本背景；marker dotplot 判断标签是否可靠；Stem/TA/分泌谱系组合 signature 解释表达程序方向；signature heatmap 和 stem-enterocyte axis 用来把图谱结构转成可比较证据。
如果要把这篇复现放进研究报告，图 1-3 适合承担“数据能不能读”的任务：图谱结构是否清楚，sample 是否严重主导，细胞类型比例是否需要分层解释。图 4-6 适合承担“标签是否可靠”的任务：谱系数量是否足够，marker 是否成组支持，低丰度谱系能不能写得更细。图 7-11 再承担“生物学问题怎么展开”的任务：Stem/TA、enterocyte 和分泌谱系分别有哪些表达证据，哪些地方适合继续建模。
这样的图序对客户项目也有实际意义。很多旧数据有结果，却缺少一条能让读者跟得上的证据链。Haber 这类 atlas 文章如果只放 UMAP，读者只能看到标签；把 sample、composition、marker、signature 和边界放在一起，读者才知道这组公开矩阵还能支持哪些后续问题。
哪些地方不能过度解释？
不能把 UMAP 坐标直接当作精确发育时间；不能把所有分泌谱系合并成一个含糊类别；不能从 atlas matrix 直接推出感染、扰动或空间机制；不能忽略样本组成对细胞比例和 signature 的影响。
如果继续深入，下一步做什么？
下一步可以针对 enterocyte lineage 做更细的成熟梯度分析，针对 Goblet/Paneth/Tuft/Endocrine 做独立 marker 复核，也可以在明确实验条件后比较扰动响应。若要讲空间和机制，需要引入原文实验信息或额外空间/验证数据。
如果继续做项目级分析，优先顺序应从最稳的证据开始：先把 enterocyte lineage 的成熟梯度与吸收型 marker 细化，再分别复核 Goblet、Paneth、Tuft、Endocrine 的低丰度谱系，随后才进入扰动条件或空间区域解释。这样做可以避免在基础图谱还没有审清时，就把 UMAP 的连续结构写成机制故事。
这里还可以补一个更具体的交付思路。enterocyte lineage 可以整理成“成熟梯度”专题，分泌谱系可以整理成“低丰度细胞 marker 审计”专题，Stem/TA 区域可以整理成“增殖与干细胞状态边界”专题。三个专题都能从当前公开矩阵出发，但每个专题需要的后续证据不同。把方向拆清楚，比在一篇文章里把所有谱系都平均描述更有用。
小结
Haber 小肠上皮数据适合做公开复现，因为它能清楚展示从 Stem/TA 到 enterocyte lineage，再到多种分泌谱系的主体框架，也能用 marker 和 signature 支撑主要标签。与此同时，UMAP 不等于严格伪时间，公开矩阵也不能替代原文全部实验条件、空间设计和机制验证。一个严肃的复现案例要把图画出来，也要把图能回答什么、不能回答什么讲清楚。