CZ CELLxGENE Discover / Census

内容与规模

CELLxGENE Discover 与 Census 由 CZI 自 2021 年起运营（现属 Chan Zuckerberg Biohub 体系）。Census 2025-11-08 LTS：总细胞约 2.178 亿，去重约 1.255 亿，1,845 个数据集；人 162,025,130（去重 99,633,637），小鼠 46,299,127（去重 21,029,771）[1]。以上为 API 实测。

格式与 license

统一 schema 的策展数据，以 AnnData/TileDB 提供。各数据集许可由上游贡献者决定，使用前需逐集核查 ⚠️。

哪些模型拿它训练或评测

单细胞基础模型的主要公共来源。scGPT 预训练约 3,300 万正常人类细胞（51 个器官、441 项研究），其数据是否含 CELLxGENE 未确认 [2]；Geneformer 的语料未核。

已知偏差与泄漏

总数与去重数相差近一倍，引用须标口径；偏向人与小鼠、10x 平台和健康样本。同一研究可能出现在多个库，易致训练-评测泄漏，见 数据泄漏（训练-测试泄漏）。带扰动标签的数据仍稀缺，见 scPerturb。

来源

1. https://chanzuckerberg.github.io/cellxgene-census/cellxgene_census_docsite_data_release_info.html (2025-11-08 LTS，2026-10-15)
2. https://www.biorxiv.org/content/10.1101/2023.04.30.538439.full.pdf (2026-10-15)