科学更正（2026-07-19）：早期页面曾发布硬标签、同矩阵自我验证和阶段组成解释；相关身份、验证和组成结论已撤回。本文现不生成marker派生的离散身份。公开文件分母为201个文件=198个生物样本文件+3个技术对照文件；QC后199个条目；排除其中2个PTC/NTC技术对照后，状态分析使用197个生物样本。
Treutlein et al. 2014 年的研究用早期单细胞 RNA-seq 描述小鼠远端肺上皮发育。今天重新使用这组数据，难点集中在三个地方：公开文件需要逐个拼接，FPKM 层与现代 UMI count 矩阵的统计性质不同，E14、E16、E18 与 adult AT2 又不能被处理成拥有充分重复的等距时间序列。本文据此收窄问题，只讨论公开表达层能够支持的连续上皮程序、样本间方向和证据边界。
研究问题与阅读范围
这组数据的规模很小，状态分析只有 197 个生物样本文件。小规模不妨碍它成为发育肺上皮研究的重要历史数据，却会直接限制统计推断。本文要回答的是：公开 FPKM 文件中是否还保留 AT1、AT2、progenitor、气道分泌、纤毛和基底相关 marker 的连续变化；这些变化能否在可识别的胚胎或样本单位上得到描述；两套分开的 marker 面板是否呈现同向关系。
文章不输出细胞类型表、身份比例或阶段组成。每个分析对象都保留为未赋值状态。程序名称表示一组基因的表达方向，例如 alveolar type 2 program 由 Sftpc、Sftpb、Abca3 等基因构成，它不等同于经过外部参考、作者逐细胞标签或实验验证确认的 AT2 身份。
论文、公开数据与复现边界
- 论文：Treutlein et al., Nature, 2014
- DOI：10.1038/nature13173
- 公开数据：NCBI GEO GSE52583
- 表达层：Cufflinks
fpkm_tracking文件拼接得到的 FPKM 矩阵 - 分析范围：公开表达文件、文件名中可识别的阶段与胚胎/样本编号
FPKM 是已经经过比对、转录本定量和长度校正的 processed expression。本文没有从 FASTQ 重新比对，也没有得到 UMI 原始计数。FPKM 可以用于这份数据内部的表达方向、低维结构和 marker 程序检查，不能直接套用以负二项计数分布为前提的原始计数统计，也不能恢复上游比对与定量选择造成的信息损失。
分母必须逐层固定
公开目录含 201 个文件，其中 198 个对应生物样本文件，3 个标记为技术对照。QC 后对象中保留 199 个条目，其中仍有 2 个 PTC/NTC 技术对照；排除这 2 个对照后，连续程序分析使用 197 个生物样本。第三个技术对照未进入 QC 后对象，所以 201、199、197 分别属于不同处理阶段，不能互换。
这张概览图固定了全文的观察单位。每个表达文件在分析对象中对应一个单细胞样本记录，但阶段名称不等于独立生物重复。可识别单位为 E14_1、E16_1、E18_1、E18_2、E18_3 和 adult_AT2_1。E18 有 3 个胚胎单位；E14、E16 与 adult AT2 各只有 1 个单位。由此得到的阶段差异只能作描述，无法估计可靠的阶段间变异，也不适合报告总体显著性。
adult AT2 还承担成熟参考的角色。它可以帮助判断 AT2 相关程序在成熟样本中的方向，却不属于胚胎期 E14、E16、E18 的普通后续时间点。任何沿胚胎时间轴排列的分析都应把 adult AT2 单列，避免把成熟参考写成等距发育节点。
连续程序怎样计算与解释
本文使用六组 assignment marker：alveolar type 2、alveolar type 1、airway secretory、ciliated、basal 和 progenitor。请求的部分基因未出现在工作矩阵时，只使用实际存在的基因。分数经过数据集内部标准化，数值用于同一矩阵内比较，不具备跨数据集校准含义。
每个对象都会产生一个最高程序分数，同时也能计算第一与第二程序的差值。数学上总能找到最高项，这个事实本身不能证明身份。当前没有可辩护的绝对阈值，也没有把 top-two margin 与外部标签校准，因此所有 197 个对象均归入 exploratory only，并保留 unassigned。
左侧分布反映候选 marker 组在单个对象中的集中程度，右侧差值反映前两套程序是否接近。高分加大差值只能说明当前候选集合中有一个方向相对突出；低分或小差值提示表达证据弱、程序重叠或矩阵稀疏。图中没有身份阈值线，也没有“通过”类别，所以不能从柱形或密度区域读取 AT1、AT2 或 progenitor 的细胞数量。
这项诊断还有一个实用作用：它让不确定性保持可见。若直接按最高分着色，每个对象都会被迫得到一个名称，读者很难区分强信号与勉强胜出的信号。保留连续分数后，可以在不生成身份的前提下寻找需要回到单基因、样本来源或外部注释继续核查的区域。
低维空间只展示分数位置
低维嵌入用于观察高分与低分对象在当前表达表示中的位置。嵌入由基因选择、归一化、主成分、邻居数和随机初始化共同决定，它提供结构坐标，不提供发育时间、谱系方向或命运关系。
颜色表示每个对象最高程序分数的数值，不表示具体程序名称。局部高值说明某些区域的候选 marker 更集中，低值区域则提醒当前面板对这些对象解释不足。由于所有对象仍为未赋值状态，图中不能据颜色面积计算上皮状态组成，也不能把彼此相邻的对象写成发育转换。
若研究问题需要讨论 AT1 与 AT2 分化轴，应另行建立有时间信息约束的轨迹模型，并检查每个胚胎单位中的 marker 趋势。现有嵌入缺少足够时间点重复，也没有 lineage tracing，因此只承担表达结构检查。
分离 marker 面板能支持到哪一层
assignment marker 用于计算上面的连续程序。本文另设一套不参与最高分计算的 marker，例如 AT2 方向的 Sftpa1、Lamp3、Etv5，AT1 方向的 Hopx、Rtkn2、Cav1，以及其他程序对应的第二组基因。两套面板分开计算，可以减少完全重复使用同一组基因造成的循环论证。
Spearman 相关显示不同程序的一致性强弱并不相同。alveolar type 2 的相关系数约为 0.85，alveolar type 1 约为 0.61，progenitor 约为 0.53，basal 约为 0.41；airway secretory 与 ciliated 分别约为 0.21 和 0.15。较高相关说明两组 marker 在这份矩阵中更同向，较低相关提示面板覆盖、表达检出或状态定义仍不稳定。
这仍属于同矩阵一致性检查。两套基因都读取同一个 FPKM 矩阵，共享样本、归一化和技术噪音，因此不能称为外部验证。可承担独立验证的证据包括作者逐细胞标签、外部参考映射、另一批生物样本、蛋白或成像结果、谱系实验等。本文没有这些证据，所以相关系数只能调整解释强度，不能把连续程序升级为确定身份。
胚胎或样本单位上的汇总
细胞级分布适合描述异质性，阶段比较需要回到生物单位。文件名能够识别 6 个胚胎或样本单位，因此图中按单位计算各程序的中位数。中位数降低少数极端表达值的影响，但不会创造缺失的生物重复。
图中 adult_AT2_1 的 alveolar type 2 程序中位数较高，与其成熟参考来源相容；E18_2 和 E18_3 的 alveolar type 1 程序中位数较高；E14_1 与 E16_1 的 progenitor 程序中位数为正向。这里使用“相容”“方向”这类表述，因为 E14、E16 和 adult AT2 都只有一个单位，E18 的 3 个胚胎也不足以支撑稳定的总体模型。
同一阶段内部的胚胎差异同样需要保留。E18_1、E18_2、E18_3 在各程序上的中位数并不完全一致，说明阶段标签无法吸收全部样本差异。若把 197 个对象直接当作独立重复，细胞数会造成虚假的精确度。本文因此不进行细胞级阶段显著性检验，也不发布阶段组成百分比。
五张公开图如何连成证据链
数据概览解决分母与统计单位问题；最高分诊断展示候选程序的分离程度；低维图定位强弱信号；分离 marker 图检查同矩阵方向；样本汇总图把解释拉回胚胎或成熟参考单位。五张图各自回答一个问题，互相不能替代。
阅读时还要区分“程序存在”与“身份成立”。一套 marker 在部分对象中共同升高，可以支持表达程序存在。身份成立还需要阈值、置信边界、未分配规则以及独立来源证据。现有分析只完成前一层，并把后一层明确留空。
与源论文的关系
源论文围绕远端肺上皮的细胞层级和发育过程展开，并结合当时的实验设计建立生物学解释。本文只在 GEO 可公开取得的 FPKM 文件上核对表达程序与样本结构，没有重跑 reads，没有复刻完整 lineage hierarchy，也没有重新证明细胞命运。
目前可支持的结论包括：公开矩阵保留多组肺上皮相关 marker 的连续信号；adult AT2 为 AT2 程序提供成熟参考；部分 E18 胚胎在 AT1 方向上较高；早期单位可见 progenitor 方向；不同 marker 面板的一致性随程序而异。超出这些内容的精细亚群命名、发育比例和机制推断均需额外证据。
容易造成误判的分析习惯
单个 marker 的高表达容易受 FPKM 极值、表达未检出和转录本定量影响，解释应以成组基因为单位。无监督 cluster 也只是一种计算分区，参数改变后编号和边界可能变化。把 cluster、最高程序和细胞身份直接连成等号，会隐藏大量弱证据对象。
阶段名称还常被误用为重复。E14_1 中的多个细胞共享同一个胚胎来源，它们提供细胞内异质性信息，却不能替代多个 E14 胚胎。adult_AT2_1 的多个细胞同样只来自一个可识别样本单位。统计模型若忽略这种嵌套结构，会把技术或细胞层重复写成生物重复。
可继续推进的分析
若获得更完整的作者 metadata，可把作者标签作为独立参照，评估连续程序与原文 taxonomy 的对应关系。若能补充更多胚胎，可按胚胎建立阶段模型，报告单位间变异和置信区间。若研究目标聚焦 AT1/AT2 分化，可在限定的远端上皮子集中绘制 assignment 与分离 marker 的单基因趋势，再结合 diffusion map、pseudotime 或其他轨迹方法进行敏感性分析。
轨迹结果也需要时间点、胚胎重复和方向依据共同约束。UMAP 距离、PC 排序或程序差值无法单独证明发育方向。对类器官或私有肺上皮项目，这套分析框架可用于检查公开参考与目标数据是否共享表达方向，但跨数据集比较前应统一基因空间、表达层和评分尺度。
结论
GSE52583 的公开 FPKM 文件可以支持一条克制且可复核的证据链：201 个文件经过 QC 与技术对照排除后形成 197 个状态分析对象；六类肺上皮 marker 以连续程序呈现；低维空间展示分数位置；第二套 marker 提供同矩阵一致性；6 个可识别胚胎或样本单位用于描述性汇总。
这条证据链没有生成 AT1、AT2 或 progenitor 的离散身份，也没有发布阶段组成。它保留了早期肺上皮数据中可见的表达方向，同时把 FPKM、样本数量、成熟参考和独立验证缺失造成的边界写入结论。对小样本发育单细胞项目，分母、重复单位与标签不确定性应与 marker 信号一起呈现。