干货分享 | 细胞通讯网络分析新成员，CellChat来报到！

2022-06-30 19:39:25, 欧易生物上海欧易生物医学科技有限公司

单细胞测序能够获取基因在单个细胞分辨率下的表达情况，从而对细胞类型进行详细分类，系统并全面地解析细胞间通讯的复杂网络，进一步揭示细胞微环境的调控机理。之前我们分享过使用 CellPhoneDB 进行细胞通讯分析的方法（可点击查看），今天让我们来认识下另一款堪称细胞通讯可视化之王——CellChat 软件的使用方法吧！

简介

CellChat 是一款能够从单细胞转录组测序数据中定量推断和分析细胞间通讯网络的工具。它使用单细胞表达谱与已知的配体、受体以及辅助因子（也可以称为异构分子复合物，避免只使用一个配体/一个受体基因对，而忽略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-细胞通讯的互作强度。通过配体-受体的互作概率与扰动检验，识别显著互作的配体-受体关系对。最后，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和整合细胞间通讯网络。

CellChat 软件构建了一个配体、受体及其辅助因子间相互作用的数据库——CellChatDB，该数据库中包含受文献支持的人和小鼠物种的配体 - 受体相互作用对。其中，小鼠数据库中含有 2,021 个经过验证的分子相互作用，包含 60% 的旁分泌/自分泌信号相互作用、21% 的细胞外基质 (ECM)-受体相互作用和 19% 的细胞-细胞接触相互作用。人类数据库中含有 1,939 个经过验证的分子相互作用，包含 61.8% 的旁分泌/自分泌信号相互作用、21.7% 的细胞外基质 (ECM)-受体相互作用和 16.5% 的细胞-细胞接触相互作用。值得注意的是，CellChatDB数据库支持用户添加自己挑选的配体-受体关系对来对CellChatDB数据库进行更新。

人类 CellChatDB 数据库组成结构

分析步骤

一、加载数据

软件需要输入标准化基因表达数据（行为基因，列为细胞），以及一张带有细胞注释信息的 metadata 表格。

# Here we load a scRNA-seq data matrix and its associated cell meta data#load(url("https://ndownloader.figshare.com/files/25950872")) # This is a combined data from two biological conditions: normal and diseasesload("data_humanSkin_CellChat.rda")data.input = data_humanSkin$data # normalized data matrixmeta = data_humanSkin$meta # a dataframe with rownames containing cell mata datacell.use = rownames(meta)[meta$condition == "LS"] # extract the cell names from disease data
# Prepare input data for CelChat analysisdata.input = data.input[, cell.use]meta = meta[cell.use, ]

向右滑动查看更多

二、预处理

#创建cellchat对象cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels")# 设置数据库CellChatDB <- CellChatDB.human # use CellChatDB.mouse if running on mouse data# subset the expression data of signaling genes for saving computation costcellchat <- subsetData(cellchat) # This step is necessary even if using the whole databasefuture::plan("multiprocess", workers = 4) # do parallelcellchat <- identifyOverExpressedGenes(cellchat)cellchat <- identifyOverExpressedInteractions(cellchat)# project gene expression data onto PPI network (optional)cellchat <- projectData(cellchat, PPI.human)

向右滑动查看更多

三、推断细胞间通信网络

CellChat 通过为每个相互作用分配一个概率值并执行置换检验，来推断具有生物学意义的细胞间通信。它基于质量作用定律，将基因表达量与先前已知的信号配体、受体及其辅因子之间的相互作用知识相结合，对细胞间通讯的概率进行建模。

推断配体-受体对的数量取决于计算每个细胞组平均基因表达的方法。默认情况下，CellChat 使用一种称为“trimean”的方法进行统计计算，它比其他方法产生的交互相对更少。但是，作者发现 CellChat 在预测更强的相互作用方面表现良好，这对于缩小相互作用范围，进行进一步的实验验证非常有帮助。

cellchat <- computeCommunProb(cellchat)# Filter out the cell-cell communication if there are only few number of cells in certain cell groupscellchat <- filterCommunication(cellchat, min.cells = 10)cellchat <- computeCommunProbPathway(cellchat)cellchat <- aggregateNet(cellchat)groupSize <- as.numeric(table(cellchat@idents))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")

向右滑动查看更多

结果示例

细胞间互作数量和强度网络图

图片说明：

细胞间通信网络是一个加权有向图，左图为细胞间互作数量网络图，图中的节点表示不同细胞类型，节点圆圈越大表示该种细胞类型的细胞数目越多，线条越粗表示不同细胞类型之间检测到的互作数量越多，线条的颜色与配体细胞的颜色一致。右图为细胞间互作强度网络图，节点表示不同细胞类型，线条越粗表示细胞类型之间的互作强度越高，线条的颜色与配体细胞的颜色一致。

细胞间互作数量和强度网络的分组展示图

在推断细胞-细胞通信网络的基础上，CellChat 还可以使用层次图或圈图等各种形式，来可视化每个信号通路层面的细胞通信关系，例如：

细胞通讯网络图

细胞通讯和弦图

细胞通讯互作热图

参与信号通路相关基因的表达量小提琴图

信号角色热图

图片说明：

通过计算每个细胞群的网络中心性指标，CellChat 可以识别细胞间通信网络中的主要发送者（senders）、接收者（receivers）、调解者（mediators）和影响者（influencers），从而分析细胞在信号网络中扮演的角色。

信号通路关系对气泡图

本篇主要介绍了如何使用 CellChat 进行整体细胞通讯网络分析，以及丰富的可视化结果。除此之外，CellChat 还能够针对不同数据集或分组间的细胞通讯关系，进行直观地差异比较分析，我们将在下篇带大家继续深入探索，敬请期待~

参考资料：

【1】 Jin, S., Guerrero-Juarez, C.F., Zhang, L. et al. Inference and analysis of cell-cell communication using CellChat. Nat Commun 12, 1088 (2021). https://doi.org/10.1038/s41467-021-21246-9

【2】 https://github.com/sqjin/CellChat

猜你想看

·欧易生物云平台专辑

1、爱美之心人皆有之——基因表达可视化技能get

2、谁不爱？一个运行更快的云平台

3、“码”辅导——微生物样本有其他来源的污染怎么办？Decontam开源包帮你忙！

4、叮叮叮~新知识已到达！教你用scMetabolism做单细胞代谢分析