【数据集】 PBMC（Peripheral Blood Mononuclear Cells）数据集

🧬 一、PBMC 数据集简介

内容	描述
名称	Peripheral Blood Mononuclear Cells（外周血单个核细胞）
细胞类型	包括 B 细胞、T 细胞、NK 细胞、单核细胞等
技术平台	通常由 10x Genomics 提供（例如 3k、4k、6k、10k 版本）
数据类型	单细胞 RNA-seq（scRNA-seq）可扩展为 RNA + ATAC （scMultiome）
应用场景	细胞类型识别、聚类分析、GNN建模、多模态学习、图嵌入等

---

📥 二、数据集下载方式（官方来源）

可以直接从 10x Genomics 官网下载：

🔗 PBMC 3k 示例数据（h5 和 mtx 格式）：
Datasets - 10x Genomics

例如：

• PBMC 3k

• PBMC 10k

也可以使用 Python 工具（如 scanpy 或 anndata) 直接加载。

---

🧪 三、Python 中使用示例（以 Scanpy 为例）

安装 Scanpy：

pip install scanpy

加载 PBMC 数据（h5 格式）：

import scanpy as sc

# 下载后的文件路径
file_path = "pbmc_3k_filtered_feature_bc_matrix.h5"

# 读取
adata = sc.read_10x_h5(file_path)

# 基本预处理
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000, subset=True)

---

🔧 四、构建图用于图神经网络（GNN / GCN / scGCN 等）

使用 scanpy 的 k-NN 构图功能：

# PCA 降维
sc.pp.pca(adata, n_comps=50)

# 构建 k 近邻图
sc.pp.neighbors(adata, n_neighbors=15, n_pcs=40)

# 导出邻接图（scGCN 常用）
adj_matrix = adata.obsp['connectivities']

然后可以将邻接矩阵 + 表达矩阵输入到 PyTorch Geometric、DGL、scGCN、scMGCA、scTAG 等模型中。

---

🔍 五、可视化与聚类（UMAP/tSNE）

sc.tl.umap(adata)
sc.tl.leiden(adata)  # 聚类标签
sc.pl.umap(adata, color=["leiden"])

---

📊 六、数据格式说明（解读）

在 Scanpy 中读取后的 adata 是 AnnData 类型，主要组成：

• adata.X: 表达矩阵（细胞 × 基因）

• adata.obs: 每个细胞的注释信息（聚类、细胞类型）

• adata.var: 每个基因的信息

• adata.obsp["connectivities"]: 邻接图稀疏矩阵

---

📂 七、PBMC 变种数据（适合做多模态）

数据名称	模态类型	下载链接
PBMC Multiome	RNA + ATAC	Datasets - 10x Genomics
SNARE-seq PBMC	RNA + ATAC	可在 GEO/Zenodo 上查找
Multi-omics PBMC from Seurat	RNA + CITE-seq（蛋白）	Seurat Vignette

---

📷 八、配图：PBMC 聚类图（UMAP）

根据 PBMC  数据做了个 UMAP 可视化图：

---

✅ 总结

PBMC 数据集是：

• 适合 单细胞聚类、分类、多模态学习 的标准测试集

• 可用于 图神经网络（scGCN、scTAG、scMGCA、scGCOT） 等模型评估

• 有多种公开来源和变种（RNA-only、RNA+ATAC、RNA+Protein）

• 在 Python 中可通过 Scanpy 高效加载、预处理、可视化、构图

---