东方天意细胞间通讯分析cellchat

作者 admin

2026年11月5日 5 分钟阅读

0 0

下载地址

代码

https://www.zhengdianxue.com/wp-content/uploads/skills/org-ekt13cme--singlecell-cellchat.zip

将提示词发送给你的 AI 安装该 skills

代码

请根据 https://skillhub.cn/install/skillhub.md，安装 @org-ekt13cme/singlecell-cellchat。

基于R语言，使用 CellChat 对单细胞或空间转录组数据进行细胞间通讯分析。涵盖单数据集流程、通路水平推断、可视化、双条件比较、NMF 通讯模式识别和空间 CCC 分析。提供丰富的内置可视化，并且适合双条件差异通讯比较和通讯模式识别。天意云简介：天意云（dftianyi.com）是专注 AI 云、科研云、生信云领域，集专业、高效、安全于一体的全能科研平台，依托 AI 底座为科研工作赋能，陪伴科研人员科研探索之路。

平台为国家级科技型企业、广东省创新型企业，获得政府引导基金投资；现已服务 10W + 客户，与 500 + 高校及单位达成合作，完成 5000 + 项目交付，汇聚 100 + 生态成员。业务产品覆盖 AI 工具、科研绘图、生信服务器、科学计算服务器、生信流程定制、数据库网站开发、软件开发，同时提供 PubMed 批量下载、科研云盘等多款科研实用工具。

阅读全文（展开查看完整说明）

概述

singlecell-cellchat-cn Skill

指导用户使用 CellChat（R / Seurat）进行细胞间通讯分析（cell-cell communication, CCC）。CellChat 能够将配体-受体（ligand-receptor, LR）相互作用聚合到 信号通路层面，提供丰富的内置可视化，并且非常适合 双条件差异通讯比较 和 通讯模式识别。

什么时候适合使用 CellChat

当用户有以下需求时，优先考虑 CellChat：

希望分析 信号通路层级 的细胞通讯，而不仅仅是单个配体-受体对
需要丰富的内置可视化，例如 circle plot、chord diagram、heatmap、river plot
想比较两个条件下的细胞通讯差异，例如 Control vs Disease
需要进行通讯模式识别，例如基于 NMF 的 outgoing / incoming pattern 分析
需要分析空间转录组中的细胞通讯
- CellChat v2：适合 Visium 等 spot-level 空间数据
- CellChat v3 / SpatialCellChat：适合单细胞分辨率空间数据
分析流程主要基于 R / Seurat

在写代码前，应先向用户确认以下信息：

物种：human 还是 mouse，对应 CellChatDB.human 或 CellChatDB.mouse
Seurat 版本：Seurat v5 和 v4 的表达矩阵读取方式不同
分析类型：单个数据集分析，还是两个条件 / 多数据集比较
数据类型：普通单细胞数据，还是空间转录组数据

这些信息会决定后续使用哪条工作流，以及关键参数如何设置。

安装

devtools::install_github("jinworks/CellChat")

# 如果是单细胞分辨率空间通讯分析，可安装：
# devtools::install_github("jinworks/SpatialCellChat")

单数据集 CellChat 分析流程

Step 1 — 创建 CellChat 对象

Seurat v5 推荐写法：

library(CellChat)
library(patchwork)

data.input = seurat_obj[["RNA"]]$data
labels = Idents(seurat_obj)
meta = data.frame(labels = labels, row.names = names(labels))

cellchat = createCellChat(
  object = data.input,
  meta = meta,
  group.by = "labels"
)

也可以直接从 Seurat 对象创建：

cellchat = createCellChat(
  object = seurat_obj,
  group.by = "ident",
  assay = "RNA"
)

注意：

Seurat v5 使用 seurat_obj[["RNA"]]$data
Seurat v4 常见写法是 seurat_obj[["RNA"]]@data
不要使用 integrated assay，因为 integrated assay 中可能包含负值，不适合 CellChat

Step 2 — 设置数据库

CellChatDB = CellChatDB.human
# 或者：
# CellChatDB = CellChatDB.mouse

CellChatDB.use = subsetDB(CellChatDB)
cellchat@DB = CellChatDB.use

如果只想分析某一类信号，例如分泌型信号：

CellChatDB.use = subsetDB(
  CellChatDB,
  search = "Secreted Signaling",
  key = "annotation"
)

cellchat@DB = CellChatDB.use

说明：

subsetDB(CellChatDB) 默认使用 protein signaling
CellChatDB v2 中的 Non-protein Signaling 部分依赖估计表达，标准分析中通常建议先排除

Step 3 — 数据预处理

cellchat = subsetData(cellchat)

future::plan("multisession", workers = 4)

cellchat = identifyOverExpressedGenes(cellchat)
cellchat = identifyOverExpressedInteractions(cellchat)

注意：

subsetData() 是必须步骤，即使使用完整数据库也要运行
identifyOverExpressedGenes() 用于识别每个细胞群中过表达的基因
identifyOverExpressedInteractions() 用于识别潜在过表达的配体-受体相互作用

Step 4 — 细胞通讯概率推断

cellchat = computeCommunProb(
  cellchat,
  type = "triMean"
)

cellchat = filterCommunication(
  cellchat,
  min.cells = 10
)

cellchat = computeCommunProbPathway(cellchat)
cellchat = aggregateNet(cellchat)

参数说明：

type = "triMean"：较保守，约等价于 25% trimmed mean
type = "truncatedMean", trim = 0.1：更宽松，适合找回低表达但可能有生物学意义的通路
filterCommunication(min.cells = 10)：过滤细胞数过少的细胞群之间的通讯
computeCommunProbPathway()：将 LR 对聚合到 pathway 层面
aggregateNet()：生成细胞群之间的通讯数量和通讯强度矩阵

Step 5 — 系统层面分析

cellchat = netAnalysis_computeCentrality(
  cellchat,
  slot.name = "netP"
)

该步骤用于计算各细胞群在不同信号通路中的发送者、接收者、中介者、影响者等角色。

结果提取

提取 LR 层面的通讯结果

df.net = subsetCommunication(cellchat)

提取 pathway 层面的通讯结果

df.netP = subsetCommunication(
  cellchat,
  slot.name = "netP"
)

按来源细胞和目标细胞筛选

subsetCommunication(
  cellchat,
  sources.use = c(1, 2),
  targets.use = c(4, 5)
)

按信号通路筛选

subsetCommunication(
  cellchat,
  signaling = c("WNT", "TGFb")
)

常用 CellChat 对象槽位

cellchat@net$prob
cellchat@net$pval
cellchat@net$count
cellchat@net$weight
cellchat@netP$prob

说明：

cellchat@net$prob：source × target × LR-pair 的三维通讯概率数组
cellchat@net$pval：对应的显著性 p 值
cellchat@net$count：细胞群之间显著通讯数量矩阵
cellchat@net$weight：细胞群之间通讯强度矩阵
cellchat@netP$prob：source × target × pathway 的三维通路通讯概率数组

可视化

总体通讯网络

groupSize = as.numeric(table(cellchat@idents))

netVisual_circle(
  cellchat@net$count,
  vertex.weight = groupSize,
  weight.scale = TRUE
)

netVisual_circle(
  cellchat@net$weight,
  vertex.weight = groupSize,
  weight.scale = TRUE
)

netVisual_heatmap(
  cellchat,
  measure = "weight"
)

说明：

cellchat@net$count 展示细胞群之间的通讯数量
cellchat@net$weight 展示细胞群之间的通讯强度
netVisual_heatmap() 可快速查看细胞群间通讯强弱

特定信号通路可视化

pathways.show = c("CXCL")

netVisual_aggregate(
  cellchat,
  signaling = pathways.show,
  vertex.receiver = seq(1, 4)
)

netVisual_aggregate(
  cellchat,
  signaling = pathways.show,
  layout = "circle"
)

netVisual_aggregate(
  cellchat,
  signaling = pathways.show,
  layout = "chord"
)

netAnalysis_contribution(
  cellchat,
  signaling = pathways.show
)

说明：

layout = "circle"：环形图
layout = "chord"：弦图
netAnalysis_contribution()：展示某个 pathway 中不同 LR 对的贡献

Bubble plot

netVisual_bubble(
  cellchat,
  sources.use = 4,
  targets.use = c(5:11),
  remove.isolate = FALSE
)

netVisual_bubble(
  cellchat,
  sources.use = 4,
  targets.use = c(5:11),
  signaling = c("CCL", "CXCL")
)

Bubble plot 适合展示指定 source cell type 到 target cell type 的配体-受体通讯。

信号角色分析

netAnalysis_signalingRole_scatter(cellchat)

netAnalysis_signalingRole_heatmap(
  cellchat,
  pattern = "outgoing"
)

netAnalysis_signalingRole_heatmap(
  cellchat,
  pattern = "incoming"
)

说明：

outgoing：哪些细胞群主要作为信号发送者
incoming：哪些细胞群主要作为信号接收者
scatter plot 可展示不同细胞群的发送和接收强度

通讯模式识别：NMF

library(NMF)
library(ggalluvial)

selectK(
  cellchat,
  pattern = "outgoing"
)

cellchat = identifyCommunicationPatterns(
  cellchat,
  pattern = "outgoing",
  k = 4
)

netAnalysis_river(
  cellchat,
  pattern = "outgoing"
)

netAnalysis_dot(
  cellchat,
  pattern = "outgoing"
)

说明：

selectK() 用于选择合适的模式数量 k
identifyCommunicationPatterns() 使用 NMF 识别通讯模式
netAnalysis_river() 展示细胞群、信号通路和通讯模式之间的关系
netAnalysis_dot() 用 dot plot 展示模式特征

多数据集 / 双条件比较分析

例如比较 Control 和 Disease：

object.list = list(
  Ctrl = cellchat.ctrl,
  Disease = cellchat.disease
)

cellchat = mergeCellChat(
  object.list,
  add.names = names(object.list)
)

比较整体通讯数量或强度

compareInteractions(
  cellchat,
  show.legend = FALSE,
  group = c(1, 2)
)

差异通讯网络

netVisual_diffInteraction(
  cellchat,
  weight.scale = TRUE
)

说明：

红色通常表示 dataset 2 中增强的通讯
蓝色通常表示 dataset 2 中减弱的通讯

比较不同信号通路的整体强度

gg1 = rankNet(
  cellchat,
  mode = "comparison",
  stacked = TRUE,
  do.stat = TRUE
)

gg2 = rankNet(
  cellchat,
  mode = "comparison",
  stacked = FALSE,
  do.stat = TRUE
)

gg1 + gg2

条件比较下的 bubble plot

netVisual_bubble(
  cellchat,
  sources.use = 4,
  targets.use = c(5:11),
  comparison = c(1, 2),
  max.dataset = 2,
  remove.isolate = TRUE
)

基于 DEG 的上调 / 下调配体-受体分析

pos.dataset = "Disease"
features.name = paste0(pos.dataset, ".merged")

cellchat = identifyOverExpressedGenes(
  cellchat,
  group.dataset = "datasets",
  pos.dataset = pos.dataset,
  features.name = features.name,
  only.pos = FALSE,
  thresh.pc = 0.1,
  thresh.fc = 0.05,
  thresh.p = 0.05
)

net = netMappingDEG(
  cellchat,
  features.name = features.name,
  variable.all = TRUE
)

net.up = subsetCommunication(
  cellchat,
  net = net,
  datasets = "Disease",
  ligand.logFC = 0.05
)

net.down = subsetCommunication(
  cellchat,
  net = net,
  datasets = "Ctrl",
  ligand.logFC = -0.05
)

说明：

net.up：Disease 中上调的配体相关通讯
net.down：Ctrl 中相对更高、Disease 中下降的通讯
阈值如 thresh.fc、thresh.p 可根据数据情况调整

空间转录组分析流程：CellChat v2 / Visium

准备空间坐标

spatial.locs = Seurat::GetTissueCoordinates(
  visium.obj,
  scale = NULL,
  cols = c("imagerow", "imagecol")
)

读取 scale factor

scalefactors = jsonlite::fromJSON("scalefactors_json.json")

spot.size = 65
conversion.factor = spot.size / scalefactors$spot_diameter_fullres

spatial.factors = data.frame(
  ratio = conversion.factor,
  tol = spot.size / 2
)

构建 metadata

meta = data.frame(
  labels = Idents(visium.obj),
  samples = "sample1",
  row.names = names(Idents(visium.obj))
)

注意：

空间数据的 meta 中必须包含 samples 列
即使只有一个样本，也需要写 samples = "sample1"

创建空间 CellChat 对象

cellchat = createCellChat(
  object = data.input,
  meta = meta,
  group.by = "labels",
  datatype = "spatial",
  coordinates = spatial.locs,
  spatial.factors = spatial.factors
)

计算空间通讯概率

cellchat = computeCommunProb(
  cellchat,
  type = "truncatedMean",
  trim = 0.1,
  distance.use = TRUE,
  interaction.range = 250,
  scale.distance = 0.01,
  contact.dependent = TRUE,
  contact.range = 100
)