Expression Atlas 2026：通过社区协作与整合实现FAIR和开放表达数据

《Nucleic Acids Research》：Expression Atlas in 2026: enabling FAIR and open expression data through community collaboration and integration

本期推荐：为解决基因和蛋白表达数据分散、难以整合利用的问题，研究人员开展了Expression Atlas知识库的更新主题研究，通过标准化流程重新分析4500余项研究、整合单细胞RNA-seq及蛋白质组学数据，并引入外部社区数据集如Tabula Sapiens和GTEx单核图谱，构建了跨67个物种的统一表达资源。该成果实现了数据在组织、细胞类型和条件层面的可查找、可访问、可互操作和可重用（FAIR），为基础研究和转化医学提供了关键数据支撑。

　　

随着基因组学技术的飞速发展，科学家们产生了海量的基因表达数据，但这些数据往往分散在不同的数据库和研究中，缺乏统一的标准化处理和分析方法。研究人员在探索基因功能、疾病机制或药物靶点时，常常面临数据难以比较、整合和重用的困境。特别是在单细胞技术和蛋白质组学快速兴起的背景下，如何将多组学数据、跨物种信息以及临床样本的表达谱有效整合，成为一个亟待解决的关键问题。欧洲分子生物学实验室欧洲生物信息学研究所（EMBL-EBI）自2009年建立的Expression Atlas知识库，正是为了应对这一挑战而生，旨在为科研社区提供一个高质量、经过统一重新分析的基因和蛋白表达数据平台。

在最新发表于《Nucleic Acids Research》的更新报告中，研究团队展示了Expression Atlas在2026年的重大进展。该资源现已涵盖67个物种的4500多项研究，包括1512个RNA-seq实验、123个蛋白质组学数据集以及383个单细胞RNA-seq研究，总细胞数超过1000万个。值得注意的是，此次更新首次引入了原生生物盘基网柄菌（Dictyostelium discoideum）的数据，拓展了进化多样性覆盖；同时整合了基因型-组织表达（GTEx）项目V8版本的人类组织转录组数据，以及Tabula Sapiens、人类肺细胞图谱等外部社区数据集。通过标准化分析流程、增强标记基因识别模块、优化单细胞数据分析工作流，并强化与UniProt、Europe PMC、Open Targets等平台的互操作性，Expression Atlas显著提升了数据的FAIR化程度，为基础生物学研究、疾病机制解析和药物靶点发现提供了强有力的数据支撑。

在方法学上，研究人员主要依托几个关键技术实现数据整合与分析。首先，针对批量表达数据，团队采用标准化生物信息流程对来自ArrayExpress、GEO等数据库的转录组和蛋白质组数据进行重新分析，确保跨数据集的可比性。对于单细胞数据，Expression Atlas构建了基于Nextflow的端到端分析工作流，整合了Alevin/Salmon定量、Scanpy聚类及批次校正等步骤，并支持以AnnData格式导入外部已分析的社区图谱数据（如GTEx单核RNA-seq）。在数据标注方面，新开发的标记基因查找工具（MGFR）通过特异性评分（0-1）识别组织或条件特异性表达基因。此外，团队通过Kubernetes容器化架构提升系统可扩展性，并利用RESTful API和R包（ExpressionAtlas）提供程序化访问接口。所有人类队列数据均遵循伦理规范，GTEx数据来源于dbGaP授权项目（phs000424.v8.p2），临床转录组数据则与DIAMONDS consortium合作收集。

数据增长与内容

Expression Atlas在发布版43（2025年）中已收录4562项研究，覆盖67个物种，包括约2900个微阵列研究、1512个RNA-seq实验和123个蛋白质组学研究，累计 assay 数超过16万。基线表达层涵盖48个物种的375个实验，差异表达层包含67个物种的4187个实验。物种覆盖范围显著扩大，新增的首个原生生物盘基网柄菌数据为研究多细胞进化提供了资源。蛋白质组学数据通过与PRIDE数据库合作，从93项增至123项研究，新增数据包括人类和猪组织的DIA（数据非依赖采集）和DDA（数据依赖采集）基线图谱，并建立了转录组与蛋白质组数据的交叉链接。

GTEx V8数据的整合是本次更新的亮点之一，包含约1.73万个RNA-seq样本，来自54个人体组织部位和948名捐赠者。这些数据为用户提供了近乎全面的人类组织表达参考，支持跨研究比较和下游分析。在Expression Atlas界面中，用户可查询特定基因的表达谱、筛选组织特异性标记基因，并下载标准化计数进行重新分析。

单细胞表达图谱

单细胞表达图谱（SCEA）发布版21（2024年）收录了383个单细胞RNA-seq实验，涵盖21个物种，其中人类（159项）和小鼠（125项）研究占比最高。新增重要数据集包括衰老果蝇细胞图谱（Aging Fly Cell Atlas）和果蝇视觉系统发育细胞图谱（约85万个细胞）。SCEA还引入了交互式人体肠道解剖图，支持从组织视图缩放至细胞类型热力图。

SCEA创新性地引入了外部分析数据导入机制，以预处理的AnnData对象形式整合了GTEx单核RNA-seq图谱、Tabula Sapiens（Smart-seq2数据集）、人类肺细胞图谱和发育中人类免疫系统图谱等社区资源。这种方式既保留了原始联盟的分析框架（如批次校正和细胞类型注释），又避免了重复计算。目前，SCEA中的人类细胞图谱（HCA）集合已包含81项研究，可通过HCA数据门户获取详细信息。

方法论、分析工作流和基础设施改进

为提升基线表达数据的可解释性，Expression Atlas新增了标记基因识别模块。该模块基于MGFR算法计算基因在特定组织或条件组的表达特异性（评分0-1，越低越特异），并筛选特异性评分<0.3且表达量>0.5 TPM的基因作为标记基因。用户可在实验界面选择“标记基因”选项，热力图将展示各条件下top标记基因的表达模式。

单细胞数据分析流程全面转向Nextflow框架，实现了端到端的容器化工作流，提升了可重复性和可扩展性。流程整合了技术特异性定量工具（如液滴文库的Alevin/Salmon）、质量控制、双细胞检测和批次校正步骤，下游分析基于Scanpy，并遵循nf-core社区标准。在2025年nf-core黑客松期间，团队进一步优化了聚类算法（如Leiden算法）和自动化测试模块。

基础设施方面，Expression Atlas正迁移至Kubernetes容器化编排架构，提升了系统的伸缩性、容错性和可维护性，能够应对日益增长的数据量和用户访问需求。

数据传播与社区合作

Expression Atlas通过多种渠道传播数据，增强其可访问性和互操作性。数据定期导出至EMBL-EBI其他资源（如UniProt、Europe PMC）和外部平台，形成交叉引用。例如，Europe PMC出版物记录中嵌入了Expression Atlas数据集链接，用户可从文献直接跳转至表达数据。

团队与多个模型生物社区和临床联盟保持紧密合作。例如，与Gramene合作优先收录植物转录组数据（当前覆盖27个物种的1026项研究）；与FlyBase合作整合果蝇单细胞数据；与鼠基因表达数据库（GXD）和大鼠基因组数据库（RGD）共享标准化表达信息。在临床转化方面，欧洲诊断转录组库（EDTL）为感染性和炎症性疾病提供了分子分类参考面板，目前已纳入疟疾、结核病、川崎病等疾病的数据集。

在药物发现领域，Expression Atlas与Open Targets（OT）平台合作，基于超过1.8万个样本的基线表达数据评估靶点组织特异性。OT平台通过加权P值、log₂折叠变化和百分位排名计算表达证据分数，辅助靶点-疾病关联评估。

未来方向

Expression Atlas的未来发展将聚焦于社区数据提交机制优化、批量数据分析流程现代化（替代现有iRAP工作流）、跨研究meta分析模块开发，以及增强版Bioconductor R包（支持批量与单细胞数据检索和可视化）。尤为重要的是，团队计划提供AI友好型数据格式，支持机器学习应用和基础模型训练，进一步强化其在计算生物学中的枢纽作用。

综上所述，Expression Atlas通过持续的数据扩容、分析方法革新和社区协作，已成为全球最重要的标准化表达数据库之一。其跨物种、多组学的数据整合能力，以及日益增强的FAIR化特性，不仅推动了基础生物学研究，也为精准医学和药物开发提供了不可或缺的资源基础。随着未来AI友好型数据格式和现代化分析管线的落地，Expression Atlas有望在基因组学与人工智能融合的时代发挥更核心的作用。