《Scientific Reports》：Developing a comprehensive database and search tool for single-cell ATAC-seq data
编辑推荐：
语
为解决单细胞ATAC-seq（scATAC-seq）数据分散、格式不统一导致的整合分析难题，研究团队开发了首个综合性数据库与搜索工具scATAC.Explorer。该平台收录了39个公开数据集，涵盖多组织、疾病模型及发育阶段，提供标准化峰值-细胞矩阵、细胞注释及元数据，支持R/Bioconductor一键检索与跨语言导出。其标准化格式与多参数查询功能显著提升了数据复用效率，为表观遗传学研究提供了关键基础设施。
随着单细胞测序技术的迅猛发展，科学家们得以在单个细胞水平探索基因调控的奥秘。其中，单细胞转座酶可及染色质测序（scATAC-seq）技术能够揭示染色质的开放状态，为理解细胞分化、疾病机制和基因调控网络提供了前所未有的分辨率。然而，海量的scATAC-seq数据散落在不同的公共数据库和实验室仓库中，格式千差万别，如同散落的拼图碎片，难以整合利用。研究人员若想比较不同研究中的数据集，往往需要耗费大量时间在数据清洗、格式转换和元数据对齐上，严重阻碍了科学发现的步伐。
在这一背景下，由Western University的Parisa Shooshtari团队领衔的研究在《Scientific Reports》上发表了重要成果。他们开发了一个名为scATAC.Explorer的综合性数据库与搜索工具，旨在将全球公开的scATAC-seq数据“标准化、可搜索化”，让研究人员能够像在图书馆检索书籍一样快速定位所需数据。该平台不仅汇集了39个涵盖中枢神经、免疫、造血系统等多领域的数据集，还提供了统一的峰值-细胞矩阵、细胞类型注释和结构化元数据，支持R语言直接调用或导出为Python、MATLAB兼容格式，真正实现了“即取即用”。
关键技术方法
研究团队从NCBI GEO、10x Genomics等公开平台系统性收集scATAC-seq数据，利用标准化流程将异质数据统一为峰值-细胞稀疏矩阵（dgCMatrix格式）和细胞注释数据框。元数据整合采用BRENDA组织本体（BTO）、Cellosaurus细胞系库和MONDO疾病本体进行术语标准化。开发了基于R包TMExplorer的查询函数queryATAC()，支持按疾病、细胞类型、物种等参数筛选数据，并通过Figshare仓库托管标准化数据文件。
研究结果
数据收集与标准化
通过关键词检索从GEO、10x Genomics等来源获取39个数据集，涵盖人、小鼠、果蝇等物种。数据格式包括Market Exchange（MEX）、HDF5、BED等，均被转换为统一的稀疏矩阵与注释框架，确保与Signac、Seurat等主流分析工具兼容。
数据库内容特征
细胞类型覆盖神经（18个数据集）、免疫（8个）和造血（8个）等系统；疾病模型包括白血病、糖尿病、肿瘤微环境（TME）等；17个数据集提供聚类标签，6个含细胞类型注释。测序技术以10x Genomics Chromium（24个）为主，支持高通量分析。
查询与导出功能
queryATAC()函数支持多参数组合查询，如“disease="diabetes"”可精准筛选相关数据集。saveATAC()函数支持导出为.mtx或.h5ad格式，便于跨平台分析。案例研究演示了从小鼠皮层数据聚类到T细胞注释数据的UMAP可视化，证明工具在降维、聚类中的实用性。
高计算需求场景适配
对包含8万细胞的大规模数据集，工具可在高性能计算节点（内存>60GB）稳定运行，验证了其处理海量数据的能力。
结论与展望
scATAC.Explorer解决了scATAC-seq数据整合的三大痛点：格式异构性、检索低效性和注释缺失性。其标准化架构为多组学数据整合奠定基础，未来可扩展至scRNA-seq等多模态数据。平台通过GitHub社区驱动更新，持续纳入新数据集，推动表观遗传学资源生态的共建共享。
这项工作标志着单细胞表观基因组学数据资源管理向标准化、自动化迈出关键一步，有望加速疾病机制解析和精准医学策略开发。
