复现 Saunders et al. DropViz 成年小鼠脑图谱：从 GSE116470 到 broad taxonomy 与 striatum marker 边界

科学更正（2026-07-19）： 初版把最高 marker program 直接用于 broad class 与 STR D1/D2-like 计数，缺少 top-two margin 拒判。现已按 top z >= 0.35 且 top-two margin >= 0.30（STR 为 >= 0.35）重算：565 个 metacell 中 43 个 broad assignment 被拒判；52 个 STR metacell 中 13 个被拒判，D1-like 与 D2-like 各保留 6 个高置信 metacell。这里的所有数量都是 metacell profile 数，不是单细胞数或组织细胞比例；dotplot 仅作同一 marker 体系的内部一致性检查，不作为独立注释验证。

Saunders et al. 的 DropViz 成年小鼠脑图谱是单细胞脑图谱领域很经典的一篇文章。GSE116470 覆盖 9 个成年小鼠脑区，GEO 摘要中报告 690K 级别单细胞 transcriptomes，并提供每个脑区的 raw DGE 文件和一个 Brain Cell Atlas metacell count matrix。这样的数据最容易被误用：数据很大，图很多，于是文章一上来就想讲神经环路、脑区功能或稀有亚型。但从复现角度看，第一步更应该是 taxonomy audit。也就是说，先确认 neuron、glia、vascular/pericyte 等大类能不能被 marker 层级稳稳支撑，再选择一个能处理的子问题。本文把重点放在 broad taxonomy 和 striatum D1/D2 marker 边界上，而不能把表达矩阵写成神经环路机制。

这篇数据的痛点：脑图谱越大，越容易先讲错重点

成年小鼠脑图谱对很多项目都很有吸引力。一个旧的脑组织单细胞项目、一个特定脑区的数据、一个神经元亚群相关课题，都会想拿 DropViz 这样的公开 atlas 做参考。但这里有一个实际痛点：大脑数据不像 PBMC 或胰岛那样只要先分出几个大类就够。脑区、神经元兴奋/抑制属性、胶质细胞、血管/周细胞、局部亚型和 marker 命名都可能混在一起。如果一开始就追求“把所有细胞类型都讲完”，结果很容易变成一篇浅层目录。

所以这次复现不以“复刻完整 DropViz atlas”为目标，重点回答一个更实用的问题：面对一个 690K 级别、9 个脑区的公开脑图谱，怎样先把 broad taxonomy 和 marker hierarchy 跑稳？如果这个层次不稳，后面谈 striatum D1/D2、脑区差异、神经元亚型或旧项目再分析，都会建立在松散基础上。

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。

公开矩阵进入分析前，先确认数据层级和规模。

复现边界： 本文使用公开 metacell count matrix 进行 processed count 层级的再分析。它适合审计大类 taxonomy、marker hierarchy、脑区前缀和 striatum marker 轴，但不等于从 FASTQ 重新比对，也不等于单细胞级 doublet/QC/稀有亚型发现。文章中的比例均按 metacell 统计，不应直接解释为真实组织细胞比例。

方法和分析流程

本文的处理顺序从数据层级开始：下载 GSE116470 GEO 元信息和 supplemental file 列表，核对论文、PubMed、DOI、9 个脑区 raw DGE 文件和 metacell count matrix；读取 BrainCellAtlas metacell count matrix，得到 32,307 个基因和 565 个 metacell profile；按列名前缀解析脑区来源；按 metacell library size 做标准化和 log 转换，筛选高变基因，基于 PCA/UMAP 构建 metacell embedding；用 Slc17a7/Slc17a6、Gad1/Gad2/Slc32a1、Aqp4/Aldh1l1/Gfap、Mbp/Plp1/Mog、Pdgfra/Cspg4、C1qa/Csf1r/Tmem119、Pecam1/Kdr/Rgs5/Pdgfrb 等 marker module 给 broad class 打分；围绕 striatum metacell 子集计算 Drd1/Pdyn、Drd2/Penk 和 interneuron/non-neuronal marker，展示一个可以继续深入但不能直接过度解释的脑区子问题。这组处理先确认公开矩阵能支撑哪些问题，再把结果图解释限制在当前证据内。

数据层级：GEO 提供全量 raw DGE，也提供 metacell 矩阵

先要弄清楚“我们到底复现的是什么层级”。GSE116470 的 supplemental files 包括 9 个脑区的 raw DGE 文件，大小从几十 MB 到数百 MB，也包括一个 8.6 MB 的 metacell matrix。本文选择 metacell matrix 作为主输入，不是因为 raw 数据不重要；因为本文的问题是 taxonomy audit。对于这种问题，processed metacell 层级足以先做 broad marker 层面的证据链；如果后续要做 rare subtype、单细胞级差异、batch/donor 或更细脑区比较，则应该回到 region raw DGE。

图 1. GSE116470 同时提供各脑区 raw DGE 文件和 BrainCellAtlas metacell count matrix。本文从 565 个 metacell profile 入手，重点回答 broad taxonomy 是否稳，而不能直接做全量 raw 单细胞级重处理。

这张图的意义在于把边界放在最前面。很多公开数据复现最容易出问题的地方，不等于算法没跑起来，要把 processed matrix、metacell matrix、raw DGE、FASTQ 混成一回事。本文后面的每个结论都只在 metacell/processed count 层级成立。

矩阵可读性：先看 library size 和检测基因数

metacell 矩阵是聚合表达 profile，不能照搬单细胞 QC 的所有指标，但仍然需要检查每个 metacell 的总计数和检测基因数。这个步骤能帮助判断：不同脑区的 metacell 是否在可比较范围内，是否存在明显低质量 profile，marker 面板是否有足够信号。

图 2. 不同脑区 metacell 的 library size 和 detected genes 存在差异，但整体能支持 broad marker 审计。这里不把这些指标写成单细胞 QC 结论，因为输入层级已经是 metacell profile。

对旧项目再分析来说，这一步非常关键。一个客户拿来 h5ad 或 Seurat 对象时，最常见的问题之一就是对象已经被处理过很多轮，原始 reads 或完整 metadata 不一定在手。如果先不确认矩阵层级和可读性，后面写出的生物学解释就很容易超过数据本身能支持的范围。

全局 embedding：脑区信息和细胞大类不等于同一件事

随后用高变基因构建 PCA/UMAP。左图按脑区前缀着色，右图按 marker hierarchy 推断的 broad class 着色。一个重要现象是：脑区和细胞大类不等于同一层信息。脑区前缀能说明 profile 来源，但不能直接说明细胞身份；细胞身份需要 marker 证据。

图 3. 同一个 embedding 中，region 图显示 9 个脑区来源，broad taxonomy 图显示兴奋性神经元、抑制性神经元、星形胶质、少突、OPC、小胶质、血管/周细胞等大类。这个结果支持先搭 taxonomy，再谈脑区特异解释。

这张图是整篇复现的关键证据之一。它显示 metacell 层级已经能把大类结构分开，但也提醒我们不能把脑区颜色直接解释成机制。比如 striatum profile 在全局 embedding 的位置可以提示某些 marker 轴，但不等于说明某条神经环路被激活，也不等于说明行为状态。

marker hierarchy：命名必须被基因证据支持

broad class 命名不能只靠 embedding 形状。本文用一组常见脑细胞 marker 做 dotplot：Snap25 作为 pan-neuronal 线索，Slc17a7/Slc17a6 支持兴奋性神经元，Gad1/Gad2 支持抑制性神经元，Aqp4/Aldh1l1/Gfap 支持星形胶质，Mbp/Plp1/Mog 支持少突，Pdgfra/Cspg4 支持 OPC，C1qa/Tmem119 支持小胶质，Pecam1/Rgs5 支持血管/周细胞。

图 4. marker dotplot 显示各 broad class 的基因证据。对于脑图谱复用，marker hierarchy 是比“UMAP 看起来分开”更重要的审计层。表达稀疏或检测不稳定时，单个 marker 不能独立支撑命名，需要看一组 marker 的共同方向。

这里也能看出复现文章为什么不能写成纯教程。的重点不止于告诉读者“怎么画 dotplot”，而在于用 dotplot 审计命名是否可靠。一个旧脑数据项目如果只留下 cluster 名称，而没有对应 marker 证据，很难判断这些名称能不能进入论文图或汇报图。复现和再分析要做的正是把这些证据补齐。

module score：哪些大类信号真的在 embedding 上分开？

为了避免单个 marker 偏差，本文还计算了 module score，并把神经元、兴奋性、抑制性、星形胶质、少突、小胶质、血管/周细胞和 OPC 信号叠加回 embedding。

图 5. module score panel 显示不同 broad class 的信号在 embedding 中有相对清楚的空间分布。这支持 metacell 层级的 broad taxonomy 审计，但仍然不等于精细 subtype 发现。

这个结果对后续项目判断很有用。如果一个公开 atlas 或旧 h5ad 对象在 broad module 层面都不稳定，继续做 subtype 或机制解释风险很高。反过来，如果大类层面稳定，就可以选择一个更具体的问题继续推进，例如 striatum 中 D1/D2 marker 轴、cortex 中兴奋性神经元层级，或特定胶质群体的状态变化。

脑区构成：可以读 metacell 构成，不能直接读真实比例

按脑区统计 broad class 构成，可以帮助我们看到不同脑区在 metacell 层面的 profile 分布。但这张图必须谨慎读。metacell 数量不等于原始单细胞数量，也不等于组织真实细胞比例；它更像是作者处理后形成的表达 profile 单元。

图 6. 各脑区 broad class 构成可用于判断某些脑区是否富含特定类型的 metacell profile，但不能直接写成真实组织细胞比例或功能强弱。若要做严谨比例比较，需要回到单细胞级 metadata 和采样设计。

这一点也是很多脑图谱文章容易被过度解释的地方。看到某个脑区的某类 metacell 多，并不代表该脑区真实细胞比例一定更高，也不代表对应功能更强。它只能提示一个后续分析方向：需要回到 raw DGE 或单细胞 metadata，核对采样、细胞数、过滤策略和 cluster 定义。

选择一个子问题：striatum D1/D2 marker 边界

为了让文章不只是全局 taxonomy，本文选择 striatum 做一个子集示范。striatum 是脑图谱中很常见的再分析对象，D1-like 和 D2-like medium spiny neuron marker 也相对明确。本文用 Drd1/Pdyn 作为 D1-like 线索，用 Drd2/Penk 作为 D2-like 线索，同时保留 interneuron marker 和非神经元 marker，避免把所有 striatum metacell 都强行解释成 D1/D2。

图 7. Striatum 子集中，D1-like 和 D2-like marker axis 能把部分 metacell 拉开，同时还存在 interneuron、少突、星形胶质、小胶质、血管/周细胞和 mixed/low marker profile。这个图回答“有没有可继续深入的子问题”，而不能直接回答环路功能。

这个子问题的作用在于它足够具体。对一个 striatum 相关项目来说，第一步不等于写“纹状体参与奖赏/运动/行为调控”，应该先确认自己的数据或参考数据中 D1/D2 marker 是否能分开、非神经元 profile 是否混入、interneuron marker 是否需要单独处理。这些是后续分析能否靠谱的基础。

striatum marker dotplot：D1/D2 也不能只看一个基因

进一步看 striatum 子集的 marker dotplot。D1-like 不应该只看 Drd1，D2-like 也不应该只看 Drd2。在公开 matrix 中，表达稀疏、检测不稳定和聚合层级都会影响单个基因，所以更稳的做法是组合 marker 读方向。

图 8. Striatum dotplot 显示 D1-like、D2-like、interneuron 和非神经元 marker 的组合证据。该图支持把 D1/D2 作为 marker 轴来讨论，但不能把它写成投射、环路或行为机制。

这里尤其要强调“不能过度解释”具体体现在哪里。processed metacell 层级能说明某些 marker 组合在某些 metacell 中更高，但它没有单细胞级 cell count、完整空间位置、投射信息、行为实验或功能验证。因此我们可以说“D1/D2 marker 轴在 striatum metacell 子集中可读”，但不能说“某条 D1 或 D2 通路功能增强”。

与原文对照：这次复现缩小了问题，但保留了关键价值

Saunders et al. 原文的重点是成年小鼠脑细胞类型、状态和其他转录模式的大规模图谱。本文没有试图复刻原文所有分析，从公开 metacell matrix 中抽出一个实际项目更常见的工作流：先验证 broad taxonomy，再做一个局部子集问题。

图 9. 原文是 690K 级别单细胞、9 个脑区的大型 atlas；本文实际输入是 565 个 metacell count profile。这个缩小不等于弱点；明确了本文回答的问题：taxonomy audit 和 striatum marker 边界。

这里的重点是限制结论强度。公开矩阵能支持表达结构、marker 和 metadata 层面的复核；更强的机制、空间、功能或临床判断，需要 raw reads、原文模型、空间/病理信息或实验验证继续补证据。

这种缩小问题的方式更接近真实项目。很多时候，研究者不等于要重写一篇 Cell 文章，需要知道自己的旧数据能不能和经典 atlas 对齐，cluster 命名是否可靠，某个脑区或某个细胞群是否值得继续做深度分析。把问题切小，反而能把证据链讲清楚。

深度解读：证据链和解释边界

回答范围： 它回答的是：在 GSE116470 公开 metacell matrix 层级，成年小鼠脑图谱可在拒判规则下审计 broad neuron/glia/vascular marker program；striatum 子集可以进一步读出 D1-like、D2-like、interneuron 和非神经元 marker 边界。这个结果对脑图谱复用很实用，因为它把“能否对齐大类”和“能否展开局部问题”分成了两个层次。

processed metacell matrix 的边界在哪里？ metacell matrix 是聚合 profile，不等于逐个细胞的原始 UMI 矩阵。它适合做 marker hierarchy 审计、脑区前缀检查、metacell-level embedding 和局部 marker 轴展示，但不能替代单细胞级 QC、doublet 排查、稀有亚型统计、donor/replicate 模型或 raw-read 级处理。本文的比例、数量和构成也都应按 metacell 来读。

主要图读法： 图 3 显示 region 和 taxonomy 是两层信息；图 4 和图 5 用 marker 和 module score 支撑 broad class；图 7 和图 8 把 striatum D1/D2 作为可继续深入的子问题；图 9 和图 10 则提醒哪些结论不能越界。读者不应该只看 UMAP 是否漂亮，而应该看每个命名是否有 marker 证据、每个子问题是否和输入矩阵层级匹配。

不能过度解释的部分： 不能把 striatum marker 轴写成神经环路功能，不能把 metacell 构成写成真实组织比例，不能把 processed count matrix 写成 FASTQ 级复现，也不能把一个 marker 的高低写成新的 rare subtype 发现。这些限制不等于保守；必要的科学边界。若要更精准解释脑区或发育/疾病问题，需要回到 region raw DGE 或单细胞级对象，补上采样、细胞级 metadata、cluster 稳定性和更细 marker 验证。

继续深入的下一步： 第一，可以选择一个脑区 raw DGE 文件，例如 striatum 或 cortex，重新做单细胞级降维聚类和 marker 审计。第二，可以把自己的项目对象投射到这个 atlas 的 broad taxonomy 上，先查大类注释是否稳，再查局部 subtype。第三，可以针对特定问题建立更细的 marker panel，例如 D1/D2 medium spiny neuron、interneuron subtype、oligodendrocyte lineage 或 vascular/pericyte profile。第四，如果要谈机制，需要结合空间、投射、功能实验或更完整的样本设计，而不能只靠表达矩阵。

复现边界和结论审计

图 10. 本文支持 broad taxonomy 和 striatum marker 边界；脑区功能、行为机制、稀有亚型发现和 raw-read 级复现不在本文证据范围内。

这里的重点是限制结论强度。公开矩阵能支持表达结构、marker 和 metadata 层面的复核；更强的机制、空间、功能或临床判断，需要 raw reads、原文模型、空间/病理信息或实验验证继续补证据。

• 谨慎线索：不同脑区 metacell 构成和局部 marker 结构可以提示后续分析方向，但不能直接写成真实细胞比例或机制。
• 不能声称：本文不能声称发现新稀有亚型、解释神经环路或行为、完成 FASTQ 级复现，也不能把 metacell 结果替代单细胞级验证。

这类复现对实际项目有什么价值？

脑图谱复用最怕两件事：第一，文章看起来很大，但和具体项目没有连接；第二，结论写得很漂亮，却没有 marker 和数据层级支撑。Saunders/DropViz 这类经典数据的价值，恰恰在于它能作为参考框架：先审计 broad taxonomy，再决定是否值得进入某个脑区、某类神经元或某个胶质状态。

对于已有脑组织单细胞数据、旧 h5ad/Seurat 对象、公开 GEO 项目复现或论文结果图重做，类似流程可以帮助整理出几个关键问题：cluster 名称是否可靠；marker 证据是否足够进入文章；某个脑区子集是否值得深挖；是否需要回到 raw DGE 重新分析；哪些结论只能作为线索，不能写成机制。把这些问题提前讲清楚，比简单多画几张图更有价值。

小结

这次复现使用 GSE116470 的公开 metacell count matrix，围绕 Saunders et al. DropViz 成年小鼠脑图谱做了一个问题导向的长文复现。结果显示，565 个 metacell profile 足以支持带拒判的 broad neuron/glia/vascular marker program 审计，marker hierarchy 和 module score 能把主要大类解释清楚，striatum 子集能进一步展示 D1-like、D2-like、interneuron 和非神经元 marker 边界。

还要看，本文没有把表达矩阵写成神经环路或行为机制。对于大型脑 atlas，严肃复现的第一步不能把全部图谱铺开，应该先问：我现在这个矩阵层级能支持哪些命名？哪些图能支撑这些命名？哪些解释必须回到更原始的数据层级？这些问题回答清楚后，公开数据才变成可复查、可复用的科研证据。