GEO 与 SRA
NCBI 的功能基因组与原始测序档案，单细胞公共数据的上游
- 数据类型
- 功能基因组；原始测序
- 规模口径
- GEO 298,484 Series / 8,784,042 Samples；SRA 47,200,720 记录（实测）
- 链接
- www.ncbi.nlm.nih.gov
内容与规模
GEO（2000 年起）存放功能基因组实验的处理后数据与元数据，SRA（2007 年起）存放原始测序读段，二者均由 NCBI / NLM 运营。实测（2026-10-15）：GEO Series 298,484，Samples 8,784,042，2025 年新增 Series 27,255；SRA 记录 47,200,720（单位为 SRA 记录，不是碱基量）[1]。
格式与 license
提交型档案，元数据格式与完整度由提交者决定；使用无费用，受控人类数据另走 dbGaP，见 NIH 受控数据访问限制与 AI 训练限制。
哪些模型拿它训练或评测
单细胞基础模型的数据多半从这里再加工：CZ CELLxGENE Discover / Census 与 Arc Virtual Cell Atlas 的 scBaseCount 等都是对 GEO/SRA 数据的重新处理与统一 schema（scBaseCount 初版 >2.3 亿细胞 [2]）。scGPT 等模型的预训练细胞多来自这类公共数据。
已知偏差与泄漏
元数据缺失、命名不统一，批次效应严重；同一数据集可能在 GEO、CELLxGENE、scPerturb 中重复出现，跨库合并易造成训练-测试泄漏，见 数据泄漏（训练-测试泄漏）。
来源
相关卡片
NCBI / NLM公司与机构 · 美国
美国国家生物技术信息中心，GenBank、PubChem、GEO/SRA 的运营方
Arc Virtual Cell Atlas数据集 · 美国
Arc 整合 scBaseCount 与 Tahoe-100M 的 3 亿+ 细胞公开图谱
CZ CELLxGENE Discover / Census数据集 · 美国
CZI 策展的单细胞库，约 2.18 亿细胞（去重约 1.25 亿）
INSDC（GenBank/ENA/DDBJ）数据集 · 全球
三大核酸序列档案的国际联盟，GenBank 达 8.24 万亿碱基
scPerturb数据集 · 全球
44 个公开单细胞扰动数据集的统一整理
scGPT论文与基准 · 全球
3,300 万正常人类细胞预训练，数据主要来自 CELLxGENE
卡片整理 2026-10-15。公司自报数据标“公司口径”；⚠️ 为未经独立核实。