资料名称： PerturbAI Brain-Wide In Vivo CRISPR Atlas（v1.0），Hugging Face 上的 perturbai/wholebrain_crispr_atlas，版本修订号 a7c65dc0，数据集卡标注许可 CC BY 4.0；配套代码仓库 jinlabneurogenomics/distributed_agent（Distributed Agents，MIT 许可）；两篇预印本为 Shi 等《Genome-scale functional mapping of the mammalian whole brain with in vivo Perturb-seq》（bioRxiv，2026-03-18，第 1 版）与 Sun 等《Distributed AI agents enable comprehensive discovery of biological insights at scale》（bioRxiv，2026-10-16，第 1 版）

帖内资料： 默认配置 Parquet 合起来 7,720,300 行、36 个字段的逐条说明，基因元数据表 19,070 行三列的字段与示例，数据集四种文件形态各自的分工，代码仓库里八份 BioEval 任务清单分别测什么，留一验证用到的 273 与 1,674 两个目标数怎么来的，以及公开数据、代码仓库与两篇预印本的入口

时间覆盖： 数据集版本修订于 2026-03-20，代码仓库最后更新 2026-10-24；图谱预印本为 2026-03-18 第 1 版，分布式智能体预印本为 2026-10-16 第 1 版

许可与引用： 数据集卡标注 CC BY 4.0，署名后可使用、改写与再分发，须保留署名与许可声明并标明改动；代码仓库为 MIT 许可；两份预印本以 CC BY 4.0 发布、版权归作者／资助方，引用按预印本标注版本与日期

适用任务： 熟悉单细胞扰动数据的字段与切分方式、按细胞类型或脑区取子集做差异表达练习、把八份 BioEval 任务当基准跑自己的流程、规划复现论文图表所需的存储与准备步骤

默认配置（data 目录下 317 个 parquet 分片）合起来是 7,720,300 行、36 列，分在 1,553 个 row group 里。数据集卡把这一层称为 per-cell expression and metadata，也就是一行一个细胞：卡片写的是 7.7 million cells，19,070 个 mRNA、8,588 条 sgRNA。

基因元数据表（metadata/gene_metadata.parquet）单独给出 19,070 行、三列——gene_token_id、gene_name、gene_ids，前三行是 Xkr4、Rp1、Sox17，对应 ENSMUSG00000051951、ENSMUSG00000025900、ENSMUSG00000025902。

想把 token 编号换回基因名，查这张表就够。

基因数量上会看到两个数：卡片写 19,070 个 mRNA，仓库记录差异表达结果文件的清单给的是 17,994 个 measured_genes。两者统计对象不同，前者是表达矩阵的基因维度，后者是差异表达结果表里出现的基因数，论文里不要互相替换。

第一组是质控：num_rna_umi、num_genes、pct_mt、scDblFinder.class 与 scDblFinder.score、log_ambient_mse 与 log_ambient_mse_norm、cluster、passes_qc。passes_qc 的判定条件在卡片里写死了四条——num_genes 不低于 2000、scDblFinder.class 为 singlet、log_ambient_mse_norm 大于 0.09、cluster 不在 1／17／2／3／57／6／83／NA 这批里。

自己筛细胞时照这四条来，别只取其中一两条。

第二组是扰动：gene_target 给出这个细胞被敲掉的基因，写法有四种——单个基因、gene1|gene2 这种多基因、Non_target（非靶向对照）、Negative（没检到足够多的 guide）；num_guides 是按 3 UMI 阈值数出来的 guide 条数，guide_call 列出具体 guide，guide_umis、guide_umi_top、guide_umi_second 分别给总 UMI 数与前两条 guide 的 UMI 数。

做统计前先看 num_guides，多 guide 的细胞要不要剔除得先定规则。

第三组是细胞类型注释：predicted_class、predicted_subclass、predicted_supertype、predicted_cluster 四个层级各带一个概率列，都来自 MapMyCells 配 Allen Institute Whole Mouse Brain Taxonomy；predicted_group 是这项研究自己把 predicted_subclass 聚合出来的分组。

另有 neuron_type、neighborhood、region_level1、region_level2 四个派生列。

第四组是样本来源：batch（一个 Flex-pool）、scp_name（10x channel，一个 batch 会跑在多个 channel 上）、source、sex、sample_label（同一只鼠的左右半球常标 L／
R）。做批次校正时按 batch 还是按 scp_name 分组，要按自己的设计定。

data 下的 317 个 parquet 是细胞级表达与元数据，适合按列取子集、按分区扫全量；metadata 下另有两个 parquet，all_obs.parquet 是整理好的细胞级元数据，gene_metadata.parquet 是上面那张 19,070 行的基因表。

h5ads 下有 14 个分片，按 WB8588_（批次_通道）命名，Scanpy、scvi-tools、Seurat、SingleCellExperiment 这一路走这里；卡片给的读法是用 AnnCollection 把 14 个分片以 backed 模式串成一个对象，再按 gene_target 与 passes_qc 取子集，避免一次性读进内存。

analysis 下还有一个 preprocessed_gex.zarr.tar.gz 归档，配 NVIDIA 的单细胞分析流程用；analysis/2603_shi_manuscript 目录是与论文图表对应的那批表，其中差异表达结果那个 parquet 是仓库记录里体积最大的一份，10,761,466,473 字节，仓库同时记了它的 sha256。

Distributed Agents 的思路写在预印本摘要里：把一个实验拆成很多份，各自派一个智能体去读，再把结果汇总成全研究层面的结论；在不知道原文结论的前提下，这些智能体的汇总复现出了原论文的判断，也预测了留一验证的扰动效应。摘要同时给了两条尺度——分布式智能体的文献覆盖量比单智能体高出数百倍，以及双盲评审里人类专家更偏好分布式智能体的解读。

仓库里 src/bioeval/benchmarks 下共八份任务清单，分成四组：depletion-odd-seed 一份，finding-caveats 按 30、50、50 不带文献、100 四个规模各一份，holdout-prediction 下有 deg-count 与 deg-identity 两份，literature-flags 一份。

每份都指定交付文件 trace.md 与 answer.txt，可用 DistributedAgents、Codex、Claude Code、Biomni 四种框架互相对照跑。

留一验证那一组给的是具体数字：holdout_perturbations.csv 登记 273 个目标，其中 272 个进入评估集，另有一个安全靶向对照在评估集之外；训练侧 151_TH_Prkcd_Grin2c_Glut_deg_counts_training.csv 给 1,674 个非留一目标的差异表达基因数，判定阈值是 pvals_adj 小于 0.05。

保存下来的答案分 distributed_agents 与 codex 两套，各三个重复。

仓库给的是一条命令式的准备流程：取回上面那份 10.8 GB 的 parquet、校验 sha256、生成不带计数与留一训练两个变体，再校验八份任务清单。README 写明要预留 35 GB 空闲，准备好的文件约占 31 GB；中断可以续传，已校验过的文件会复用。这一步之后才是 notebook 下的 fig1 到 fig4 与 figS3 到 figS11。

复现本身不需要模型调用：README 写明 notebook 只显示图、不导出图片或 HTML，保存好的答案与测量值都打在仓库里，跑一遍 prepare 再执行 fig3 与 figS9 就能重算留一验证的评估表。

数据集页、代码仓库与两份预印本的入口，几处容易混用的口径差别，以及取用门槛和引用写法，都在下面，回复就能看到。