Arc Virtual Cell Atlas翻译站点

ADADAD固定广告位图片或标题，点击入驻固定广告位图片或标题，点击入驻固定广告位图片或标题，点击入驻

一、网站简介

Arc Virtual Cell Atlas（虚拟细胞图谱）是由 Arc Institute 发布的大规模单细胞开放数据集，汇集了超过6亿个细胞的观测数据和药物扰动数据。该数据集专为加速虚拟细胞模型的构建而设计，旨在为 AI 驱动的生物学研究和药物发现提供高质量的训练与基准测试数据。

二、开发背景

Arc Institute 是一家位于美国加利福尼亚州的非营利研究机构，专注于生物医学前沿研究。2025年2月，Arc Institute 首次发布该图谱，整合了 Tahoe 公司的 Tahoe-100M 数据集、Arc 自研的 AI 智能体策展数据集 scBaseCount，以及 Virtual Cell Challenge 2025 竞赛数据。整个数据集以 CC0 1.0（公共领域）协议发布，允许完全自由使用。

三、核心功能

• Tahoe-100M 数据集：全球最大的单细胞数据集，包含来自约60,000次药物扰动实验的1亿个细胞，覆盖50种癌症模型对1,100多种药物的响应，是药物筛选和精准医学研究的宝贵资源。
• scBaseCount 数据库：采用 AI 驱动的分层智能体工作流，自动发现、提取元数据并标准化预处理 SRA 中的单细胞 RNA-seq 数据，覆盖超过5亿个细胞、21种生物和72种组织，持续扩展中。
• Virtual Cell Challenge 2025 数据集：为虚拟细胞挑战赛专门生成的扰动数据集，测量人类胚胎干细胞系（H1 hESC）对多种扰动的单细胞响应，包含训练集、验证集和保留测试集。
• 标准化的数据预处理：所有数据均经过统一的标准化流程处理，研究人员可以直接下载使用，无需再进行繁琐的数据清洗和格式转换。
• 公开许可与完整文档：全部数据以 CC0 1.0 协议发布，配套论文发表于 Cell 等顶级期刊，并提供详细的数据说明和引用指引。

四、独特亮点

• 规模空前：超过6亿个细胞的超大规模单细胞数据集合，涵盖观测和扰动两大维度。
• CC0 完全开放：采用最宽松的公共领域许可证，支持完全自由的学术和商业使用，无需署名。
• AI 原生设计：数据集的构建和维护均深度整合 AI 技术（AI 智能体自动策展），专为训练下一代 AI 细胞模型而优化。
• 顶级学术背书：相关论文发表于 Cell 等国际顶级期刊，数据质量和科研价值获得学界高度认可。

五、适用人群

• 计算生物学研究人员：需要大规模单细胞数据训练细胞状态预测模型或进行整合性荟萃分析。
• 药物发现科学家：利用药物扰动数据研究癌症药物响应机制，加速候选药物筛选。
• AI/ML 算法工程师：将虚拟细胞建模作为前沿研究课题，需要高质量基准数据集训练和验证算法。
• 生物信息学专业学生：通过公开的大规模真实数据进行学习和科研实践。

六、应用场景

• AI 细胞状态预测：利用大规模单细胞转录组数据训练深度学习模型，预测细胞在不同条件下的状态变化。
• 药物响应机制研究：分析不同癌症模型对上千种药物的单细胞响应，揭示药物作用的细胞亚群特异性。
• 基础模型预训练：以该图谱作为预训练语料，构建生物学领域的基础大模型（Foundation Model）。
• 学术竞赛与基准测试：参与 Virtual Cell Challenge，使用官方提供的训练/测试数据集评估模型性能。

七、常见问题（FAQ）

Q：国内能否直接访问该网站？
A：该网站服务器位于美国，国内网络环境下可能无法直接打开，需在特定网络环境下访问。

Q：该数据集是否可以免费用于商业用途？
A：是的。Arc Virtual Cell Atlas 的全部数据均以 CC0 1.0（公共领域）协议发布，允许任何人自由使用，包括商业用途，无需署名或额外授权。

Q：数据量巨大，是否有便捷的下载方式？
A：网站提供了详细的数据目录和下载指引，部分数据可通过 AWS S3 等云存储服务直接访问。建议根据具体需求选择子集下载，无需一次性下载全部数据。

Q：该数据集是否持续更新？
A：是的。scBaseCount 数据库采用 AI 智能体持续从 SRA 中自动发现和收录新的单细胞数据，图谱规模会不断增长。

Q：如何使用该数据集发表论文？
A：虽然数据采用 CC0 协议不强制要求引用，但建议引用对应子数据集的原始论文以尊重学术规范，相关引用信息可在各子数据集页面找到。

八、类似网站

• GigaDB：GigaScience 出版社旗下的生物医学数据存储库，提供 DOI 可引用的多组学数据集。
• OpenML：开源机器学习数据集平台，包含部分生物信息学相关的分类和回归任务数据集。
• Zenodo：CERN 运营的通用开放科学数据平台，收录大量生命科学领域的研究数据集。