干货来袭 | 轻松搞定多数据集间细胞通讯比较

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

在上期分享中，小欧带大家介绍了CellChat ——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。在许多实际应用场景中，除了关注细胞间整体的通讯网络，通常我们还想直观地比较不同数据集间，它们的细胞通讯作用关系是否存在差异。

那么接下来，我们就使用来自两种不同处理的scRNA-seq数据：非损伤（NL，正常）皮肤和皮炎患者的损伤（LS，患病）皮肤，来带大家展示CellChat的多种功能吧。

操作步骤

在比较多种生物学处理条件下的细胞间通讯时，Cellchat可以回答以下生物学问题：

1、细胞间的通讯作用是否有增强

2、哪些细胞类型之间的相互作用数目发生了显著变化

3、参与通讯的主要受配体细胞是如何变化的

加载合并数据

首先需要在每个数据集上单独运行CellChat，然后将不同的CellChat对象合并在一起。

如果您的CellChat对象是早期版本 (< 0.5.0) 获得的，请使用updateCellChat函数进行升级。

cellchat.NL <- readRDS("cellchat_humanSkin_NL.rds")cellchat.LS <- readRDS("cellchat_humanSkin_LS.rds")object.list <- list(NL = cellchat.NL, LS = cellchat.LS)cellchat <- mergeCellChat(object.list, add.names = names(object.list))

比较交互数目和交互强度

该分析结果可以对细胞间通讯是否增强的问题进行阐释。

gg1 <- compareInteractions(cellchat, show.legend = F, group = c(1,2))gg2 <- compareInteractions(cellchat, show.legend = F, group = c(1,2), measure = "weight")gg1 + gg2

细胞间互作数量和强度柱状对比图

比较不同细胞群之间的相互作用数量和相互作用强度

为了识别显示显著变化的细胞群之间的相互作用，CellChat比较了不同细胞群之间的相互作用数量和相互作用强度。

par(mfrow = c(1,2), xpd=TRUE)netVisual_diffInteraction(cellchat, weight.scale = T)netVisual_diffInteraction(cellchat, weight.scale = T, measure = "weight")

细胞间互作数量和强度网络对比图

说明：红色线条表示该数据集与另一个数据集相比，相互作用数量/强度增加，蓝色线条表示减少。线条粗细表示增加或减少的程度。

我们还可以使用热图更详细地显示不同数量的交互或交互强度。顶部和右侧的彩色条形图分别表示在各细胞类型中传入信号的总和和传出信号的总和。热图中的红色（或蓝色）代表该数据集与另一个数据集相比，相互作用数量/强度增加（或减少) 。

gg1 <- netVisual_heatmap(cellchat)#> Do heatmap based on a merged objectgg2 <- netVisual_heatmap(cellchat, measure = "weight")#> Do heatmap based on a merged objectgg1 + gg2

细胞间互作数量和强度对比热图

注意，差异通讯网络分析仅适用于成对数据集。如果有更多的数据集进行比较，我们可以直接显示每个数据集中任意细胞群之间的相互作用数量或相互作用强度。

weight.max <- getMaxWeight(object.list, attribute = c("idents","count"))par(mfrow = c(1,2), xpd=TRUE)for (i in 1:length(object.list)) {  netVisual_circle(object.list[[i]]@net$count, weight.scale = T, label.edge= F, edge.weight.max = weight.max[2], edge.width.max = 12, title.name = paste0("Number of interactions - ", names(object.list)[i]))}

各组细胞间互作数量和强度网络图

识别和可视化比较信号通路

通过比较每个信号通路的信息流/相互作用强度，我们可以识别信号通路的（i）关闭，（ii）减少，（iii）打开或（iv）增加。

图中红色的信号通路表示在NL组中富集，而绿色的信号通路则在LS组中富集。

gg1 <- rankNet(cellchat, mode = "comparison", stacked = T, do.stat = TRUE)gg2 <- rankNet(cellchat, mode = "comparison", stacked = F, do.stat = TRUE)gg1 + gg2

各信号通路整体信息流对比图

通过比较通信概率来识别功能失调的信号

我们可以通过气泡图来比较各细胞群间的配体-受体对介导的通信概率。

netVisual_bubble(cellchat, sources.use = 4, targets.use = c(5:11),  comparison = c(1, 2), angle.x = 45)#> Comparing communications on a merged object

信号通路关系对气泡图

使用层次图、圆图或弦图直观地比较细胞间通信

与单个数据集的CellChat分析类似，我们可以使用层次图、圆图或弦图来可视化细胞间通信网络。例如使用弦图来展示：

# Chord diagrampathways.show <- c("CXCL") par(mfrow = c(1,2), xpd=TRUE)for (i in 1:length(object.list)) {  netVisual_aggregate(object.list[[i]], signaling = pathways.show, layout = "chord", signaling.name = paste(pathways.show, names(object.list)[i]))}

细胞通讯和弦图

比较不同数据集之间的信号基因表达分布

我们可以对受配体关系对或信号通路相关的基因表达情况进行比较展示。例图展示了信号通路相关的3个基因在两组间各细胞类型中的表达情况。

cellchat@meta$datasets = factor(cellchat@meta$datasets, levels = c("NL", "LS")) # set factor levelplotGeneExpression(cellchat, signaling = "CXCL", split.by = "datasets", colors.ggplot = T)