据悉，HRA工作组与将与跨20多个国际项目合作，通过详细讨论制定了有助于HRA构建、使用和可持续性的三个关键目标，即①将新组织与现有数据进行匹配；②包含能够洞察发生在身体各个层面的变化的功能（如衰老、疾病或其他扰动）；③采用能够鼓励协作并指导未来发展的流程，如利用具有模块化、轻量级组件的架构等。此外，对于图谱构建和使用的关键SOP以及HRA术语也达成一致。

在2023年12月发布的第六版HRA v2.0（图1）中，包含4,499种独特解剖结构、1,195种细胞类型和2,089种生物标志物（如基因、蛋白质和脂质），这些数据来自33个ASCT+B表和65个与本体相关联的3D参考对象。图1. HRA组成部分及关联为构建复杂而精细的HRA图谱，研究团队运用了多种关键技术方法。首先收集来自不同个体的组织样本，包括多种器官的组织块，并通过三种方式对样本进行数据整合，使用Azimuth进行单细胞注释，通过器官定位抗体panel（OMAP）实现空间蛋白质组定位，注册用户界面（RUI）完成组织样本3D空间注册。
在数据扩展方面，研究团队扩展了Uberon解剖本体（ontologie）和Cell Ontology细胞本体，新增125个解剖术语和141个细胞类型。通过HRAlit数据库将700万篇文献、58万学者信息与图谱数据相关联，HRApop整合了553个组织数据集，用于计算具有3D参考对象的40个解剖结构的细胞类型。
研究团队还开发了灵活的混合云架构，以支持数据的管理、分析和访问。该架构整合了50多个开源算法，实现了数据的半自动提取、自动分析注释、可查找性、可访问性、互操作性、分析支持和可持续性。在这个架构下，数据和代码通过HuBMAP数据门户和HRA门户提供服务，方便研究人员使用。

此外，研究团队开发了统一的数据处理流程，涵盖多种数据类型的处理。例如，针对单细胞（sc）/ 单细胞核（sn）RNA 测序数据，基于Salmon准映射方法构建了处理流程，并使用Scanpy和scVelo进行下游分析和RNA速度计算。对于成像数据，使用端到端的分析方法，包括图像校正、细胞和细胞核分割等步骤，并通过空间过程和关系建模（SPRM）计算相关指标。
--
FROM 59.41.66.*