2026-09-18
Arc 用层级 agent 从 SRA 自动发现并统一重处理公开 10x 数据，建成超 5.02 亿细胞、27 物种的 scBaseCount；据此训练的 State embedding，扰动分组分类比 CELLxGENE 训练集高 23.9%。
现成的单细胞库，CZ CELLxGENE 大约 1.23 亿细胞、Human Cell Atlas 大约 6500 万，主要靠实验室主动投递、人工标注。NIH 的 Sequence Read Archive（SRA）里躺着远更多原始测序，但元数据不统一，把 reads 重新比对成表达矩阵又贵又慢。各家用的比对器、参考基因组、计数规则还不一样，拼到一起会把处理差异当成生物学信号。
要训虚拟细胞模型，缺的是规模、物种覆盖和处理一致性。人工逐条扫 SRA 做不到。
Arc Institute 把活拆成两条流水线。
SRAgent 是一套层级 ReAct agent，用 LangGraph 搭。工具太多，单 agent 扛不住，于是改成 supervisor-worker：find-datasets 先走 NCBI eSearch，再把元数据任务交给能调 Entrez、页面抓取、SRA BigQuery、组织本体的子 agent。只有子 agent 的最终结果回传给 supervisor，省 token。组织描述会语义检索 Uberon，疾病映射到 MONDO。部署在 GCP Cloud Run，平均每条实验约 80 秒，峰值每小时 300 条。
筛出来的 10x 库交给 scRecounter，一条 Nextflow 管线，用 STARsolo 统一比对。前 100 万 reads 自动试 5'、3' v2、3' v3、Multiome GEX 的 barcode 白名单，有效 barcode 低于 30% 的丢掉；3' v1 没覆盖。每个 SRX 产出 15 张计数矩阵，覆盖外显子、内含子、Velocyto，以及 unique、uniform、EM 三种多比对策略。单细胞和单核、编码和非编码、RNA velocity 都从同一套比对来。
细胞类型没有专家手标。人源细胞用 State embedding，再按组织套 Tabula Sapiens 上训好的逻辑回归分类器，组织标签来自 SRAgent。过滤后分析了约 1.66 亿人源细胞、143 种预测细胞类型。
SRAgent 扫了 208,939 条 SRX，标出 105,343 条 10x 库；加上 CELLxGENE 多出来的 6,059 条，目标共 111,402 条，已重处理 61,381 条。库里超过 5.02 亿细胞、27 个物种、75 种组织，平均每细胞 6,052 个 UMI。同期 CELLxGENE 约 1.23 亿、HCA 约 6500 万。论文估算 token 用量 13.2×10^12、花费约 1.7 万美元；若按每分钟一条人工计，相当于 3,482 小时。用 agent 先筛再比对，相对把每条 SRX 都丢进 barcode 检测器，估计能省超过 50 万 CPU 小时。STARsolo 一共比对了 13.8×10^12 条 reads。
库的构成本身就是一份领域普查：3' 文库占 77%；人 60%、小鼠 32%；人鼠里「癌症与肿瘤」占 30.7%；感染类细胞从 2020 年的 7.7% 冲到 2021 年的 33.7%，2022 年掉回 5.9%。测序深度这些年几乎没涨，多出来的通量被拿去测更多细胞。
统一处理后，文库化学、单细胞/单核、样本 ID 这些技术因子的 silhouette 分数，相对组织类型，低于未经统一处理的 CELLxGENE。四套同时有单细胞和单核的共享数据上，组织在前两个主成分上分得更开。PanglaoDB 的 marker 也能从预测细胞类型的差异表达基因里捞回来，和 Tabula Sapiens 相当。
更硬的数字来自约 1 亿参数的 State Embedding（可训练参数 1.08 亿，8 层 transformer、维度 1024）。过滤后用 2.14 亿人源细胞训 Statebsc，对照是 CELLxGENE 的 1.34 亿；两边都用 19,790 个蛋白编码基因，都跑 10 万步，Tabula Sapiens 都从训练集拿掉。细胞类型分类两边都大约 90%。细表型上差距拉开：
| 任务 | Statebsc 相对 Statecxg |
| COVID 感染状态分类 | 准确率 +2.24% |
| CRISPRi 扰动分组（四细胞系、2,024 个必需基因） | 准确率 +23.9% |
| 扰动 DEG 重建 | AUROC +10.2%，AUPRC +17.2% |
这是给虚拟细胞模型用的预训练语料，不是再做一个点选浏览的 atlas。STARsolo 矩阵、SRAgent、scRecounter 都公开。做单细胞 foundation model 的人，把 CELLxGENE 换成这批数据，细表型上能看到差距；全库都带内含子计数，大规模 RNA velocity 也变得可行。
agent 扫库这套比「再雇一队人做更大的 atlas」更可持续。1.7 万美元扫完二十万条实验，元数据标准化这种脏活可以挂着跑。
增益集中在细表型。细胞类型这种粗标签两边都已经 90%。只做常规聚类和 marker，换库的收益有限。
作者自己列了几条。细胞类型仍可能需要人工或社区校正；扰动、供体这类细胞级信息 SRA 里没有，得手工补；疾病标签来自研究摘要，可能把健康对照也标成疾病；目前只吃 10x 加 Illumina，其他试剂盒、多组学、空间转录组、受保护数据都还没进。
另有几处读完站不太稳。111,402 条目标只重处理了 61,381 条，将近一半还在队列里，「最大」是个会动的快照。白细胞在几乎所有组织里都偏多，采样偏差原样继承。SRAgent 自己认不准试剂盒化学，真正的 chemistry 是 scRecounter 用 barcode 试出来的。不少实验对不上单一 Uberon 节点；物种分类的错误里有不少是异种移植，因为 SRA 的 organism 字段只允许填一个值。分类器还假定每个 SRX 只有一种组织。
扰动分类 +23.9% 很扎眼，但论文没给出绝对准确率，也没有把「数据量更大」和「处理更干净」拆开做消融。两边都训 10 万步，2.14 亿对 1.34 亿，多出来的细胞每步被看到的次数更少，这个设定对谁有利并不显然。