Cellxgene Census

CZ CELLxGENE Census

Visão Geral

O CZ CELLxGENE Census oferece acesso programático a uma coleção abrangente e versionada de dados de genômica de célula única padronizados do CZ CELLxGENE Discover. Este skill permite consultas eficientes e análise de milhões de células em milhares de conjuntos de dados.

O Census inclui:

• 61+ milhões de células de humanos e camundongos
• Metadados padronizados (tipos de célula, tecidos, doenças, doadores)
• Matrizes de expressão gênica bruta
• Embeddings pré-calculados e estatísticas
• Integração com PyTorch, scanpy e outras ferramentas de análise

Quando Usar Este Skill

Este skill deve ser usado quando:

• Consultando dados de expressão de célula única por tipo de célula, tecido ou doença
• Explorando conjuntos de dados e metadados de célula única disponíveis
• Treinando modelos de aprendizado de máquina com dados de célula única
• Realizando análises em larga escala entre conjuntos de dados
• Integrando dados do Census com scanpy ou outros frameworks de análise
• Calculando estatísticas em milhões de células
• Acessando embeddings pré-calculados ou predições de modelos

Instalação e Configuração

Instale a API do Census:

uv pip install cellxgene-census

Para workflows de aprendizado de máquina, instale dependências adicionais:

uv pip install cellxgene-census[experimental]

Padrões de Workflow Principal

1. Abrindo o Census

Sempre use o context manager para garantir limpeza apropriada de recursos:

import cellxgene_census

# Abrir versão estável mais recente
with cellxgene_census.open_soma() as census:
    # Trabalhar com dados do census

# Abrir versão específica para reprodutibilidade
with cellxgene_census.open_soma(census_version="2023-07-25") as census:
    # Trabalhar com dados do census

Pontos-chave:

• Use context manager (declaração with) para limpeza automática
• Especifique census_version para análises reprodutíveis
• Por padrão, abre a release "stable" mais recente

2. Explorando Informações do Census

Antes de consultar dados de expressão, explore conjuntos de dados e metadados disponíveis.

Acesse informações resumidas:

# Obter estatísticas resumidas
summary = census["census_info"]["summary"].read().concat().to_pandas()
print(f"Total de células: {summary['total_cell_count'][0]}")

# Obter todos os conjuntos de dados
datasets = census["census_info"]["datasets"].read().concat().to_pandas()

# Filtrar conjuntos de dados por critérios
covid_datasets = datasets[datasets["disease"].str.contains("COVID", na=False)]

Consulte metadados de célula para entender dados disponíveis:

# Obter tipos de célula únicos em um tecido
cell_metadata = cellxgene_census.get_obs(
    census,
    "homo_sapiens",
    value_filter="tissue_general == 'brain' and is_primary_data == True",
    column_names=["cell_type"]
)
unique_cell_types = cell_metadata["cell_type"].unique()
print(f"Encontrados {len(unique_cell_types)} tipos de célula no cérebro")

# Contar células por tecido
tissue_counts = cell_metadata.groupby("tissue_general").size()

Importante: Sempre filtre por is_primary_data == True para evitar contar células duplicadas, a menos que esteja analisando duplicatas especificamente.

3. Consultando Dados de Expressão (Pequena a Média Escala)

Para consultas retornando < 100k células que cabem na memória, use get_anndata():

# Consulta básica com filtros de tipo de célula e tecido
adata = cellxgene_census.get_anndata(
    census=census,
    organism="Homo sapiens",  # ou "Mus musculus"
    obs_value_filter="cell_type == 'B cell' and tissue_general == 'lung' and is_primary_data == True",
    obs_column_names=["assay", "disease", "sex", "donor_id"],
)

# Consultar genes específicos com múltiplos filtros
adata = cellxgene_census.get_anndata(
    census=census,
    organism="Homo sapiens",
    var_value_filter="feature_name in ['CD4', 'CD8A', 'CD19', 'FOXP3']",
    obs_value_filter="cell_type == 'T cell' and disease == 'COVID-19' and is_primary_data == True",
    obs_column_names=["cell_type", "tissue_general", "donor_id"],
)

Sintaxe de filtro:

• Use obs_value_filter para filtragem de célula
• Use var_value_filter para filtragem de gene
• Combine condições com and, or
• Use in para múltiplos valores: tissue in ['lung', 'liver']
• Selecione apenas colunas necessárias com obs_column_names

Obtendo metadados separadamente:

# Consultar metadados de célula
cell_metadata = cellxgene_census.get_obs(
    census, "homo_sapiens",
    value_filter="disease == 'COVID-19' and is_primary_data == True",
    column_names=["cell_type", "tissue_general", "donor_id"]
)

# Consultar metadados de gene
gene_metadata = cellxgene_census.get_var(
    census, "homo_sapiens",
    value_filter="feature_name in ['CD4', 'CD8A']",
    column_names=["feature_id", "feature_name", "feature_length"]
)

4. Consultas em Larga Escala (Processamento Fora de Núcleo)

Para consultas que excedem a RAM disponível, use axis_query() com processamento iterativo:

import tiledbsoma as soma

# Criar consulta de eixo
query = census["census_data"]["homo_sapiens"].axis_query(
    measurement_name="RNA",
    obs_query=soma.AxisQuery(
        value_filter="tissue_general == 'brain' and is_primary_data == True"
    ),
    var_query=soma.AxisQuery(
        value_filter="feature_name in ['FOXP2', 'TBR1', 'SATB2']"
    )
)

# Iterar através da matriz de expressão em chunks
iterator = query.X("raw").tables()
for batch in iterator:
    # batch é uma pyarrow.Table com colunas:
    # - soma_data: valor de expressão
    # - soma_dim_0: coordenada de célula (obs)
    # - soma_dim_1: coordenada de gene (var)
    process_batch(batch)

Calculando estatísticas incrementais:

# Exemplo: Calcular expressão média
n_observations = 0
sum_values = 0.0

iterator = query.X("raw").tables()
for batch in iterator:
    values = batch["soma_data"].to_numpy()
    n_observations += len(values)
    sum_values += values.sum()

mean_expression = sum_values / n_observations

5. Aprendizado de Máquina com PyTorch

Para treinamento de modelos, use a integração experimental com PyTorch:

from cellxgene_census.experimental.ml import experiment_dataloader

with cellxgene_census.open_soma() as census:
    # Criar dataloader
    dataloader = experiment_dataloader(
        census["census_data"]["homo_sapiens"],
        measurement_name="RNA",
        X_name="raw",
        obs_value_filter="tissue_general == 'liver' and is_primary_data == True",
        obs_column_names=["cell_type"],
        batch_size=128,
        shuffle=True,
    )

    # Loop de treinamento
    for epoch in range(num_epochs):
        for batch in dataloader:
            X = batch["X"]  # Tensor de expressão gênica
            labels = batch["obs"]["cell_type"]  # Labels de tipo de célula

            # Forward pass
            outputs = model(X)
            loss = criterion(outputs, labels)

            # Backward pass
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()

Divisão treino/teste:

from cellxgene_census.experimental.ml import ExperimentDataset

# Criar dataset a partir do experimento
dataset = ExperimentDataset(
    experiment_axis_query,
    layer_name="raw",
    obs_column_names=["cell_type"],
    batch_size=128,
)

# Dividir em treino e teste
train_dataset, test_dataset = dataset.random_split(
    split=[0.8, 0.2],
    seed=42
)

6. Integração com Scanpy

Integre perfeitamente dados do Census com workflows scanpy:

import scanpy as sc

# Carregar dados do Census
adata = cellxgene_census.get_anndata(
    census=census,
    organism="Homo sapiens",
    obs_value_filter="cell_type == 'neuron' and tissue_general == 'cortex' and is_primary_data == True",
)

# Workflow scanpy padrão
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000)

# Redução de dimensionalidade
sc.pp.pca(adata, n_comps=50)
sc.pp.neighbors(adata)
sc.tl.umap(adata)

# Visualização
sc.pl.umap(adata, color=["cell_type", "tissue", "disease"])

7. Integração Multi-Dataset

Consulte e integre múltiplos conjuntos de dados:

# Estratégia 1: Consultar múltiplos tecidos separadamente
tissues = ["lung", "liver", "kidney"]
adatas = []

for tissue in tissues:
    adata = cellxgene_census.get_anndata(
        census=census,
        organism="Homo sapiens",
        obs_value_filter=f"tissue_general == '{tissue}' and is_primary_data == True",
    )
    adata.obs["tissue"] = tissue
    adatas.append(adata)

# Concatenar
combined = adatas[0].concatenate(adatas[1:])

# Estratégia 2: Consultar múltiplos conjuntos de dados diretamente
adata = cellxgene_census.get_anndata(
    census=census,
    organism="Homo sapiens",
    obs_value_filter="tissue_general in ['lung', 'liver', 'kidney'] and is_primary_data == True",
)

Conceitos-Chave e Melhores Práticas

Sempre Filtre Dados Primários

A menos que esteja analisando duplicatas, sempre inclua is_primary_data == True em consultas para evitar contar células múltiplas vezes:

obs_value_filter="cell_type == 'B cell' and is_primary_data == True"

Especifique Versão do Census para Reprodutibilidade

Sempre especifique a versão do Census em análises de produção:

census = cellxgene_census.open_soma(census_version="2023-07-25")

Estime Tamanho da Consulta Antes de Carregar

Para consultas grandes, primeiro verifique o número de células para evitar problemas de memória:

# Obter contagem de células
metadata = cellxgene_census.get_obs(
    census, "homo_sapiens",
    value_filter="tissue_general == 'brain' and is_primary_data == True",
    column_names=["soma_joinid"]
)
n_cells = len(metadata)
print(f"Consulta retornará {n_cells:,} células")

# Se muito grande (>100k), use processamento fora de núcleo

Use tissue_general para Agrupamentos Mais Amplos

O campo tissue_general fornece categorias mais amplas que tissue, úteis para análises entre tecidos:

# Agrupamento mais amplo
obs_value_filter="tissue_general == 'immune system'"

# Tecido específico
obs_value_filter="tissue == 'peripheral blood mononuclear cell'"

Selecione Apenas Colunas Necessárias

Minimize transferência de dados especificando apenas colunas de metadados necessárias:

obs_column_names=["cell_type", "tissue_general", "disease"]  # Não todas as colunas

Verifique Presença de Dataset para Consultas Gene-Específicas

Ao analisar genes específicos, verifique quais conjuntos de dados os mediram:

presence = cellxgene_census.get_presence_matrix(
    census,
    "homo_sapiens",
    var_value_filter="feature_name in ['CD4', 'CD8A']"
)

Workflow em Duas Etapas: Explorar Depois Consultar

Primeiro explore metadados para entender dados disponíveis, depois consulte expressão:

# Etapa 1: Explorar o que está disponível
metadata = cellxgene_census.get_obs(
    census, "homo_sapiens",
    value_filter="disease == 'COVID-19' and is_primary_data == True",
    column_names=["cell_type", "tissue_general"]
)
print(metadata.value_counts())

# Etapa 2: Consultar com base em achados
adata = cellxgene_census.get_anndata(
    census=census,
    organism="Homo sapiens",
    obs_value_filter="disease == 'COVID-19' and cell_type == 'T cell' and is_primary_data == True",
)

Campos de Metadados Disponíveis

Metadados de Célula (obs)

Campos-chave para filtragem:

• cell_type, cell_type_ontology_term_id
• tissue, tissue_general, tissue_ontology_term_id
• disease, disease_ontology_term_id
• assay, assay_ontology_term_id
• donor_id, sex, self_reported_ethnicity
• development_stage, development_stage_ontology_term_id
• dataset_id
• is_primary_data (Booleano: True = célula única)

Metadados de Gene (var)

• feature_id (ID de gene Ensembl, ex.: "ENSG00000161798")
• feature_name (Símbolo do gene, ex.: "FOXP2")
• feature_length (Comprimento do gene em pares de bases)

Documentação de Referência

Este skill inclui documentação de referência detalhada:

references/census_schema.md

Documentação abrangente de:

• Estrutura e organização dos dados do Census
• Todos os campos de metadados disponíveis
• Sintaxe e operadores de filtro de valor
• Tipos de objeto SOMA
• Critérios de inclusão de dados

Quando ler: Quando você precisa de informações detalhadas de schema, lista completa de campos de metadados ou sintaxe de filtro complexa.

references/common_patterns.md

Exemplos e padrões para:

• Consultas exploratórias (apenas metadados)
• Consultas pequenas-a-médias (AnnData)
• Consultas grandes (processamento fora de núcleo)
• Integração com PyTorch
• Workflows de integração Scanpy
• Integração multi-dataset
• Melhores práticas e armadilhas comuns

Quando ler: Ao implementar padrões de consulta específicos, procurar exemplos de código ou troubleshooting de problemas comuns.

Casos de Uso Comuns

Caso de Uso 1: Explorar Tipos de Célula em um Tecido

with cellxgene_census.open_soma() as census:
    cells = cellxgene_census.get_obs(
        census, "homo_sapiens",
        value_filter="tissue_general == 'lung' and is_primary_data == True",
        column_names=["cell_type"]
    )
    print(cells["cell_type"].value_counts())

Caso de Uso 2: Consultar Expressão de Gene Marcador

with cellxgene_census.open_soma() as census:
    adata = cellxgene_census.get_anndata(
        census=census,
        organism="Homo sapiens",
        var_value_filter="feature_name in ['CD4', 'CD8A', 'CD19']",
        obs_value_filter="cell_type in ['T cell', 'B cell'] and is_primary_data == True",
    )

Caso de Uso 3: Treinar Classificador de Tipo de Célula

from cellxgene_census.experimental.ml import experiment_dataloader

with cellxgene_census.open_soma() as census:
    dataloader = experiment_dataloader(
        census["census_data"]["homo_sapiens"],
        measurement_name="RNA",
        X_name="raw",
        obs_value_filter="is_primary_data == True",
        obs_column_names=["cell_type"],
        batch_size=128,
        shuffle=True,
    )

    # Treinar modelo
    for epoch in range(epochs):
        for batch in dataloader:
            # Lógica de treinamento
            pass

Caso de Uso 4: Análise Entre Tecidos

with cellxgene_census.open_soma() as census:
    adata = cellxgene_census.get_anndata(
        census=census,
        organism="Homo sapiens",
        obs_value_filter="cell_type == 'macrophage' and tissue_general in ['lung', 'liver', 'brain'] and is_primary_data == True",
    )

    # Analisar diferenças de macrófago entre tecidos
    sc.tl.rank_genes_groups(adata, groupby="tissue_general")

Troubleshooting

Consulta Retorna Muitas Células

• Adicione filtros mais específicos para reduzir escopo
• Use tissue em vez de tissue_general para granularidade mais fina
• Filtre por dataset_id específico se conhecido
• Mude para processamento fora de núcleo para consultas grandes

Erros de Memória

• Reduza escopo de consulta com filtros mais restritivos
• Selecione menos genes com var_value_filter
• Use processamento fora de núcleo com axis_query()
• Processe dados em lotes

Células Duplicadas nos Resultados

• Sempre inclua is_primary_data == True em filtros
• Verifique se está consultando intencionalmente entre múltiplos conjuntos de dados

Gene Não Encontrado

• Verifique ortografia do nome do gene (sensível a maiúsculas)
• Tente ID Ensembl com feature_id em vez de feature_name
• Verifique matriz de presença de dataset para ver se gene foi medido
• Alguns genes podem ter sido filtrados durante a construção do Census

Inconsistências de Versão

• Sempre especifique census_version explicitamente
• Use mesma versão em todas as análises
• Verifique notas de release para mudanças específicas de versão