Cell IO: a database linking single-cell transcriptomes to literature-derived knowledge of cell functions and perturbations
Cell IO 是一个免费开放的数据库，它整合了来自近 15,000 个实验的重新处理后的单细胞转录组数据，以及超过 895,000 条关于细胞功能和扰动的文献衍生结论，并通过细胞本体（Cell Ontology）标识符将它们联系起来，以实现对细胞类型生物学的全面探索。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
长期以来，生物学一直依赖于一个基本问题：一种特定类型的细胞究竟在做什么？几十年来，科学家可以通过细胞携带的基因或其表面的蛋白质来识别细胞，这就像通过名牌来识别一个人一样。但了解名字并不能解释一个人的职业、习惯，或者当周围世界发生变化时他们的反应。在现代生物学时代，研究人员现在可以读取单个细胞的遗传指令，创建庞大的数据库，展示在特定时刻单个细胞中哪些基因处于活跃状态。这些数据库已经发展到包含来自人类、小鼠和实验大鼠的数亿个细胞。然而，关于这些细胞实际完成了什么工作的知识——例如它们如何对抗疾病、如何进行通信，或者当一个基因发生故障时会发生什么——仍然散落在数以千计的科学论文中，埋藏在计算机无法轻易阅读的文本里。
日本理化学研究所（RIKEN）生物系统动力学研究中心的的一位研究人员为这两个世界搭建了一座桥梁。他创建了一个名为 Cell IO 的新型公共数据库，将单个细胞的原始遗传数据直接与科学文献中的书面知识联系起来。通过使用一种通用的语言来描述细胞类型，该系统允许科学家从一份基因列表开始，立即看到科学界对该细胞行为的论述。反之，阅读特定细胞功能的科研人员可以立即找到支持这些主张的遗传数据。这个工具不仅仅是存储信息；它对信息进行了组织，使得细胞遗传组成的“是什么”始终与其实际功能的“如何”以及“为什么”相匹配，从而将一座由不连贯事实构成的山脉转变为一张可导航的细胞生命图谱。
该项目始于解决公共档案中可用遗传数据的巨大容量。研究人员从涉及人类、小鼠和实验大鼠的超过 65,000 个实验中收集了原始遗传序列。这些实验并不统一；它们来自不同的实验室，使用不同的机器，并以不同的方式进行处理。为了使它们具有可比性，研究人员通过了相同的计算机流程处理了每一个实验。这个过程包括清洗数据、去除错误以及将相似的细胞归类在一起。随后，他们根据通用的细胞类型词典为每组细胞分配了一个标准名称，确保小鼠研究中的“T 细胞”在人类研究中也被识别为同一种类型的细胞。其结果是一个规模宏大的、有组织的集合，包含来自近 15,000 个实验的近 8,300 万个细胞，所有这些实验都经过了相同的处理方式，以便可以直接进行比较。
虽然遗传数据提供了细胞的地图，但研究人员知道他们还需要关于这些细胞行为的故事。为了寻找这些信息，他们转向了科学文献。他们收集了数十万篇开放获取的研究论文和综述文章，重点关注免疫系统和神经系统。利用经过训练、能够阅读并理解语言的高级计算机模型，他们提取了关于细胞行为的具体陈述。该系统学会了识别那些描述细胞作为“主体”进行活动的句子，例如一个杀死病毒的细胞或一个释放化学信号的细胞。它还寻找了与基因扰动相关的发现，即科学家通过故意破坏或改变某个基因来观察细胞如何反应的实验。
计算机不仅阅读文本，还验证了这些主张。它检查句子以确保细胞确实是执行动作的主体，而不仅仅是一个旁观者。然后，它将论文中使用的特定名称翻译成与遗传数据相同的标准词典。这创建了第二层知识，包含近 90 万条关于细胞功能的不同陈述。其中一些主张来自描述新发现的原创研究论文，而另一些则来自总结已知知识的综述文章。系统还记录了证据的强度，区分了作者明确断言的陈述与那些仅仅是暗示或推测性的陈述。
Cell IO 的真正力量在于这两层是如何连接的。由于遗传数据和文献主张都使用相同的细胞类型标准名称，数据库可以将它们无缝连接起来。用户可以搜索特定的细胞类型，例如调节性 T 细胞，并看到一个显示遗传数据和文献的单一页面。在页面的一侧，它显示了有多少实验发现了这种细胞类型，以及它在哪些组织中最常见。在另一侧，它列出了数千个描述该细胞功能的科学论文中的句子。界面允许用户根据证据类型、生物体或效应方向（例如基因变化是增加了还是减少了细胞的活性）来过滤这些主张。
这种连接揭示了我们当前知识中的空白。数据库显示，虽然有些细胞类型在遗传数据和文献方面都得到了充分研究，但另一些细胞类型虽然在遗传实验中频繁出现，却几乎没有任何关于其具体功能的文字描述。例如，某种类型的松果体细胞在数千个实验的一百多万个细胞中被发现，但在数据库中却只有四条关于其功能的文字描述。相反，有些细胞类型有很多文字描述，但在当前的集合中却缺乏相应的遗传数据。通过强调这些不匹配之处，该工具帮助科学家看到他们的理解在哪里是不完整的，以及未来的研究应该朝哪个方向进行。
该数据库是免费向任何拥有互联网连接的人开放的，无需特殊注册或安装软件。它的设计非常直观，允许用户从一个细胞名称、一种组织类型甚至一个特定的基因开始，并导航至相关的数据和文本。研究人员强调，该系统是一个探索工具，而非最终权威。所有的主张都是机器提取的，并直接链接到其原始来源，允许用户自行验证信息。研究人员承认，目前的集合仅限于特定类型的实验和生物体，且自动化的文本提取虽然高度准确，但并非完美。然而，通过提供关于细胞“是什么”和“做什么”的统一视图，Cell IO 提供了一种导航复杂现代生物学景观的新方法，将零散的知识碎片转化为一个连贯的整体。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。