发布日期：2025-07-03 14:11 点击次数：91
图片色妈妈色妈妈
绪论Hello小伙伴们人人好，我是生信妙技树的小学徒”我才不吃蛋黄“。今天是胃癌单细胞数据集GSE163558复现系列第十二期。第十一期使用singleR对T细胞亚群进行细分。本期，我们将干涉胃癌复现的临了一章，“细胞通讯”。
1.布景先容肿瘤微环境中细胞类型、数量以及功能一直处于动态变化的过程，各样型的细胞构成了一个有序的长入体，而细胞之间频频的“互动”保管着长入体的动态均衡。这种互动不仅存在于同类型细胞之间，存在与不同类型的细胞间，以致是单个细胞的不同时间维度上。我们把这种互动，叫作念细胞通讯 (Cell–cell communication， CCC)。
换句话说，细胞通讯是受生化信号退换的细胞间相互作用，它简略退换单个细胞的人命过程和细胞间筹商，并通过包括信号通路的各式生化反馈来筹商。关于给定的信号通路，“发送信号”的配体与“受体细胞”名义抒发的相应受体卵白聚合，进而触发下流基因反馈。那么这种辅导普通有两种类型的：自分泌，发送者和继承者是并吞个细胞；旁分泌，发送者和继承者是两个不同的细胞。
若何应用单细胞测序数据从单个细胞和细胞群水平揭示细胞通讯？
现在还是成立了很多器具，大大宗轨范是估计细胞群之间的细胞通讯：
SoptSC、CellChat使用非线性建模轨范盘算推算交互分数，SoptSC是估计单个细胞之间细胞通讯的轨范之一，CellChat沟通了配体和受体的多亚基结构，不错准确地示意异聚复合物，更好地综合已知的配体-受体相互作用；
SoptSC、NicheNet 、scMLnet和CytoTalk等轨范解说了受体细胞中的细胞内基因-基因相互作用；
scTensor对高阶相互作用进行建模，使用张量瓦解来检测多个细胞群和配体-受体对的多对多细胞通讯。
本期，我们先容的细胞通讯的轨范是“CellChat”。CellChat通过综合信号配体、受体过甚辅因子基因的抒发只与它们之间互作的先验学问对细胞通讯概率建模。在估计出细胞间通讯采集后，CellChat提供了进一步数据探索、分析和可视化的功能。
CellChat责任经过图如下：
图片
图片开端于简书Hayley条记：https://www.jianshu.com/p/b3d26ac51c5a2.数据分析2.1 导入数据cellchat的导入的数据分为两个部分：轨范化的矩阵data和细胞分组信息mata，data储存的是基因抒发数据，行名是基因，列名是细胞。meta储存的是细胞标签，行名是细胞名 ，记着这个信息，不错便捷于分析的本事取子集。
国产巨乳最初取销系统环境变量，加载R包及T细胞亚群数据：
rm(list=ls())library(Seurat)options(stringsAsFactors = F)library(SeuratObject)library(ggplot2)library(clustree)library(cowplot)library(dplyr)getwd()setwd("")dir.create("10-cellchat")setwd('10-cellchat/')sce=readRDS( "../9-T/T_sce_celltype.rds")library(CellChat)library(tidyverse)library(ggalluvial)table(sce$singleR)table(Idents(sce))Idents(sce) = sce$singleR创建cellchat对象，导入配受体库，稽察态状该数据库构成的饼状图
cellchat <- createCellChat(sce@assays$RNA$data， meta = sce@meta.data， group.by = "singleR")levels(cellchat@idents)groupSize <- as.numeric(table(cellchat@idents)) CellChatDB <- CellChatDB.human showDatabaseCategory(CellChatDB)
图片
成功使用CellChatDB全库进行细胞通讯分析：
CellChatDB.use <- CellChatDB
遴荐特定的信号来进行分析，这里还不错遴荐ECM-receptor和Cell-Cell Contact。
CellChatDB.use <- subsetDB(CellChatDB， search = "Secreted Signaling") cellchat@DB <- CellChatDB.use
预科罚抒发数据以进行细胞间通讯分析
# subset the expression data of signaling genes for saving computation costcellchat <- subsetData(cellchat)cellchat <- identifyOverExpressedGenes(cellchat)cellchat <- identifyOverExpressedInteractions(cellchat)# project gene expression data onto PPI network (optional)cellchat <- projectData(cellchat， PPI.human)2.2 细胞通讯商量
（1）盘算推算通讯概率并估计通讯采集
#Compute the communication probability and iC3D1er cellular communication networkcellchat <- computeCommunProb(cellchat)# Filter out the cell-cell communication if there are only few number of cells in certain cell groups
这里照旧不要过滤了，否则有些细胞亚群细胞数量过少被过滤掉之后会变成数据不一致而无法进行后续分析
#cellchat <- filterCommunication(cellchat， min.cells = 10)
（2）提真金不怕火配受体对细胞通讯效果表：
df.net <- subsetCommunication(cellchat， slot.name = 'net')head(df.net) #取得配受体对细胞通讯效果表# #或侦察其它感兴致/特定的细胞通讯效果：# df.net1 <- subsetCommunication(cellchat，# sources.use = c('LC')，# targets.use = c('FBN1+ FIB')) #侦察特定细胞对联集# head(df.net1)df.net2 <- subsetCommunication(cellchat， signaling = c('MIF')) #侦察特定信号通门路集head(df.net2)（3）提真金不怕火信号通路水平的细胞通讯表：
cellchat <- computeCommunProbPathway(cellchat) #盘算推算信号通路水平上的通讯概率df.netp <- subsetCommunication(cellchat， slot.name = 'netP') #取得信号通路水平细胞通讯表head(df.netp)
（4）细胞互作筹商展示：盘算推算细胞对间通讯的数量和概率强度
cellchat <- aggregateNet(cellchat)
不同细胞亚群间的互作数量与概率/强度可视化：
细胞亚群间配受体数量采集图：
groupSize <- as.numeric(table(cellchat@idents))par(mfrow = c(1，1)， xpd = TRUE)netVisual_circle(cellchat@net$count， vertex.weight = groupSize， weight.scale = T， label.edge = F， title.name = 'Number of interactions')
图片
形貌代表不同的细胞亚群，圆圈的大小示意该细胞亚群所含配受体对数量。发出箭头的圆圈示意配体细胞亚群，箭头指向的圆圈示意受体细胞亚群。线的粗细示意细胞间互作配受体对数量，数量越多线越粗。
细胞亚群间配受体概率/强度采集图：
par(mfrow = c(1，1)， xpd = TRUE)netVisual_circle(cellchat@net$weight， vertex.weight = groupSize， weight.scale = T， label.edge= F， title.name = 'Interaction weights/strength')
图片
形貌代表不同的细胞亚群，圆圈的大小示意该细胞亚群所含配受体对数量。发出箭头的圆圈示意配体细胞亚群，箭头指向的圆圈示意受体细胞亚群。线的粗细示意通讯概率，概率越大线越粗。检查单个细胞亚群的互作信号强度：
mat <- cellchat@net$weightpar(mfrow = c(3，4)， xpd = TRUE)for (i in 1:nrow(mat)) { mat2 <- matrix(0， nrow = nrow(mat)， ncol = ncol(mat)， dimnames = dimnames(mat)) mat2[i， ] <- mat[i， ] netVisual_circle(mat2， vertex.weight = groupSize， weight.scale = T， edge.weight.max = max(mat)， title.name = rownames(mat)[i])}saveRDS(cellchat，file = "cellchat.rds")配受体对细胞通讯效果表：
df.net <- subsetCommunication(cellchat， slot.name = 'net')head(df.net)
信号通路水平细胞通讯效果表：
df.netp <- subsetCommunication(cellchat， slot.name = 'netP')head(df.netp)
使用采集图可视化细胞亚群间配受体对的数量与概率：
par(mfrow = c(1，2)， xpd = TRUE)netVisual_circle(cellchat@net$count， vertex.weight = groupSize， weight.scale = T， label.edge = F， title.name = 'Number of interactions')netVisual_circle(cellchat@net$weight， vertex.weight = groupSize， weight.scale = T， label.edge= F， title.name = 'Interaction weights/strength')
图片
信号通路稽察：
cellchat@netP$pathways
以'MIF'信号通路展示为例：
pathways.show <- c('MIF')（1）层级图（Hierarchy plot）画图 稽察细胞亚群及factor规矩：
levels(cellchat@idents)
遴荐其中感兴致的细胞亚群：
vertex.receiver = c(1，2，3)par(mfrow = c(1，1))netVisual_aggregate(cellchat， layout = c('hierarchy')， #"circle"， "hierarchy"， "chord" signaling = pathways.show， vertex.receiver = vertex.receiver)图片
（2）采集图（Circle plot）画图
par(mfrow = c(1，1))netVisual_aggregate(cellchat， layout = c('circle')， signaling = pathways.show)图片
（3）弦图（Chord diagram）画图
par(mfrow=c(1，1))netVisual_aggregate(cellchat， layout = c('chord')， signaling = pathways.show) 图片
（4）热图（Heatmap）画图
par(mfrow=c(1，1))netVisual_heatmap(cellchat， signaling = pathways.show， color.heatmap = c("white"， "#b2182b"))图片
2.3 信号通路有关配受体对水平的细胞通讯分析盘算推算配受体对在谋略信号通路中的孝敬度:
netAnalysis_contribution(cellchat， signaling = pathways.show)
配受体对孝敬条形图
图片
提真金不怕火细胞对：
pairLR.CXCL <- extractEnrichedLR(cellchat， signaling = pathways.show， geneLR.return = FALSE)LR.show <- pairLR.CXCL[1，] #以孝敬度top1的配受体对为例pairLR.CXCL; LR.show2.4 多个配受体对/信号通路水平介导的细胞通讯可视化
指定信号通路：
levels(cellchat@idents)netVisual_bubble(cellchat， sources.use = 4， targets.use = c(1:2)， # signaling = c("MIF"，'CCL")， #指定CCL和CXCL两个信号通路 remove.isolate = FALSE)指定配受体对：
pairLR.use <- extractEnrichedLR(cellchat， signaling = c("MIF")) #笃定在谋略信号通路中有遑急作用的配受体对pairLR.use参与谋略信号通路的基因在各细胞亚群的抒发散布展示：
plotGeneExpression(cellchat， signaling = 'MIF'， type = 'violin')
图片
结语胃癌复现系列到此兑现，感谢诸君小伙伴的市欢，同期也绝顶感谢Jimmy敦厚以及生信妙技树诸君敦厚的指点，接待人人建议倡导建议和月旦，你们的温煦是我们更新的能源。提前预报：肺腺癌单细胞数据集GSE189357复现系列，我们不见不散~
图片
本站仅提供存储工作，统共实质均由用户发布，如发现存害或侵权实质，请点击举报。