撰写： 芒果 来源：小张聊科研平台的“ i生信”公众号，微信公众号搜索“ i生信”即可关注/扫描关注见文末
#生信分析# #生信发文# #细胞通讯# #数据库#
今天给大家介绍一个发表在Nature Communications上的细胞-细胞通讯分析的超nice的工具-CellChat，其能够准确地识别与展示细胞间的通讯信号，并且对其进行系统性地分析，旨在帮助发现新的细胞间通讯，并在不同组织中建立细胞-细胞通讯图谱。CellChat能满足你分析的超多需求，感觉直接运用这个工具写文章，暗戳戳一两个section就可以搞定啦！！！
CellChat包含两大部分：配体-受体关系对数据库、细胞-细胞通讯图谱分析工具（R包）
网址：/
1、CellChatDB
（配体-受体关系对数据库）
展开全文
该数据资源涉及人类与老鼠两个物种，囊括了2021对配体-受体关系对，搜索时可以按照物种以及通路（大多数为配体或者受体家族）进行筛选相应的配体-受体关系对。
完整的数据可以从GitHub中下载：
2、CellChat R包分析工具：
单套数据集
按照其给出的教程进行R包的安装以及数据的分析，其整个分析流程的代码都可以在参考教程中找到（大家可以对照自己的数据与分析去扒代码呦~），所以接下来主要介绍该R包可以实现哪些功能以及结果图片介绍（以该R包教程中的人类皮肤单细胞数据为例）：
2.1 推断与计算整体的细胞-细胞通讯网络
CellChat基于质量作用定律，结合单细胞表达谱与已知的配体、受体以及它们的辅助因子（也可以称为异构分子复合物，其避免了只使用一个配体/一个受体基因对而忽略了许多受体作为多亚基复合物来行使功能的问题）来计算细胞-细胞通讯的概率值（也可以理解为互作强度）。进一步通过配体-受体的互作概率与扰动检验来识别显著互作的配体-受体关系对。然后通过加和细胞类型间显著互作的配体-受体关系对数量或者强度来计算整合的细胞-细胞通讯网络。
点和线的颜色都代表其相应的细胞类型，线的粗细代表该细胞类型作为信号sender向其他细胞类型发射的信号强度。
2.2 可视化细胞-细胞通讯网络
这部分的结果有多种展示形式：层次型网络图、圆形网络图、和弦图、热图。
1）CellChat通过总结与每个信号通路相关的所有配体-受体相互作用的通信概率来计算信号通路水平上的通信概率
层次图提供了一个直观的方法来可视化通常复杂信号的细节,包括:(i)清晰可见的sender和receiver细胞群；(ii)易于识别的方向性和信号的概率；和(iii)旁分泌和自分泌信号连接。
2）进一步继续探究与展示配体-受体关系对对某通路信号的贡献度以及其在不同细胞类型间的互作强度
3）除此之外，可视化多对配体-受体或信号通路介导的细胞间通讯，探究细胞类型间细配体-受体互作强度或者配体受体基因表达水平的特征（共性或者差异性）
2.3 系统性地分析细胞-细胞通讯网络
2.3.1 Cellchat使用加权有向网络的测量方法，包括出度、入度、流间性和信息中心性，分别识别细胞间通信的主要发送者（senders）、接收者（receivers）、中介者（mediators）和影响者（influencers）。此外，其还进一步探究每一个信号通路对于细胞-细胞通讯的贡献。
1）可视化网络中心性分数
2）在二维空间中可视化主要的senders与receivers
3）确定对某些细胞群的输出（outgoing）或输入（incoming）信号贡献最大的通路
2.3.2 除了探究单个信号通路的详细交流外，一个重要的问题是多个细胞群和信号通路如何协调运作，CellChat采用模式识别方法来识别全局通信模式。
1）当细胞为sender时的输出（outgoing）信号模式
当输出信号模式的数量为3时，Cophenetic和Silhouette的值开始突然下降。所以在这里选取模式数量为3（其实类似于聚类的cluster数量），然后分别对细胞类型与信号通路进行聚类。
当细胞为receiver时的输入（incoming）信号模式可以重复上述的操作。
2）信号通路的模块相似性分析
此外，CellChat能够量化所有重要信号通路之间的相似性，然后根据它们的细胞通讯网络相似性对它们进行分组。分组可以基于功能或结构相似性。
3、CellChat R包分析工具：
多套数据集
在大多数的单细胞研究中，上述的细胞-细胞通讯分析足可以胜任了。除了单细胞数据集的分析模块外，该R包还包含多数据集的比较分析来描绘保守的和背景特异的细胞通讯通路（例如，探索正常与疾病状态下细胞类型间的细胞通讯的异同），涵盖了具有类似的细胞组成与不同的细胞组成两种情况。多套数据集的图形输出模式与类型与单套数据集类型，只不过在此表达的是差异程度。在这部分就展示部分结果，感兴趣的小伙伴可以自行了解。在这依然使用人类皮肤的单细胞测序数据，其中NL为皮肤正常状态的单细胞数据集，而LS为皮肤疾病状态。
1）两种皮肤状态下整体配体-受体互作对数量的差异
2）两种皮肤状态下通路水平上的细胞-细胞通讯差异
3）两种皮肤状态下细胞类型扮演角色的差异（主要的sender、receiver）
4）两种皮肤状态下保守以及状态特异的信号通路模式
5）两种皮肤状态下保守以及状态特异的信号通路
6）两种皮肤状态中差异的配体-受体互作
总之，CellChat R包是一个通用的、易于使用的工具包，用于从任何给定的scRNA-seq数据推断、分析和可视化细胞-细胞通信，主要包括刻画细胞类型间的配体-受体互作蓝图以及从四个水平来分析：细胞类型水平来识别主要的senders或者receivers、通络水平识别贡献于细胞通讯最大的信号通路、分子水平识别贡献最大或者差异的配体-受体互作、不同背景水平下识别保守与特异的细胞-细胞通讯。它提供了多种图形输出，以方便不同的后续分析。
原文链接：
