CellChat 细胞通讯分析

作者: SeekGene

时长: 7 分钟

字数: 1.8k 字

更新: 2025-09-11

阅读: 0 次

前言

IMPORTANT

本文档为基于 CellChat 的细胞通讯分析资料，包含方法原理、SeekSoulOnline 平台参数说明、结果解读与案例演示。请在使用时结合原始数据质控与生物学验证。

本文参考 CellChat 官方文档，结合 SeekSoulOnline 云平台操作流程和结果报告编写。

1 原理概述

1.1 CellChat 的基本思想

CellChat 是一个基于先验配体-受体数据库并结合基因表达数据，用于推断细胞间通信网络的 R 包。其核心包括：

• 使用经过人工整理的 CellChatDB（支持人/鼠）作为配体、受体、多亚基复合体和辅因子信息的先验知识；
• 基于基因表达估计信号通量与互作强度，并在计算上考虑多亚基结构与辅因子；
• 使用系统网络分析（如社交网络分析、模式识别、流量度量等）来量化通信强度、角色与通路间相似性。

1.2 计算模型要点

• 表达聚合：对多亚基配体/受体，CellChat 采用合适的聚合函数来估计整体复合体活性；
• 动力学建模（米氏方程）：在评估受体-配体互作强度时，考虑表达与结合动力学的非线性关系；
• 统计显著性评估：通过置换检验或其他随机化方法评估每对 L-R 对的显著性；
• 信号通路汇总：将多个 L-R 对映射到生物学信号通路，提供通路层级的比较分析与可视化。

1.3 CellChat 相较其它工具的优势与局限

• 优势：细致的多亚基注释、丰富的可视化形式（circle、chord、sankey、heatmap、bubble 等）、支持人/鼠数据库、对非蛋白质介导交互的扩展支持（v2）。
• 局限：依赖先验库覆盖；无法直接给出因果性验证；对低表达/稀有细胞类型敏感。

2 SeekSoulOnline 平台（CellChat 模块）参数说明与操作指南

NOTE

以下为平台参数示例。

2.2 主要参数说明

1. 任务名称：以字母开头，支持下划线，示例：cellchat_analysis_2025。
2. 物种：Human 或 Mouse，影响 CellChatDB 的选择。
3. 分组因子：细胞注释列名，例如 celltype 或 CellAnnotation。
4. 分析方法：计算方法，可选值为triMean或者truncatedMean，前者得到较少但是更强的相互作用，后者得到更多的相互作用。
5. 表达比例：当分析方法为truncatedMean时才会被用到，表达比例低于百分之多少时，视基因表达平均值为0。单细胞转录组默认为0.25，空间数据推荐设置小一些，比如0.1。若关注稀有细胞，可适当降低表达阈值。
6. 细胞数影响：是否考虑细胞群内数目的影响。分选的细胞群设为“否”，未分选的细胞群设为“是”，空间数据统一为“否”。

2.4 提交与结果获取

• 点击提交后，请在任务列表查看进度；分析时间取决于细胞数、比较对象组数；
• 完成后可下载包含图像（PNG）、表格（TSV/XLS）和交互式 HTML 报告。

3 报告结果解读

NOTE

结果须结合生物背景与表达验证，CellChat 提供的是基于统计与先验知识的预测结果，非直接实验验证。

3.1 核心结果文件说明

• *_cellchat_netp_lr.xls：基于信号通路的配体-受体对通讯数据；
• *_cellchat_net_lr.xls：基于配体-受体对的通讯数据；
• 各类图片：netVisual_circle.png、bubble.png、heatmap.png、chord.png、sankey.png 等。

图示：不同组别/样本总体 L-R pairs 数量与通讯强度比较（示例图）。

图示：Circle 图展示各细胞群之间的发送/接收关系与强度（示例图）。

3.2 常见图表的生物学解读

• Circle/Chord 图：展示细胞群之间的总体交互关系。环宽/弧度代表发送或接收总强度，连线代表细胞间的交互量。
• Heatmap（交互矩阵）：行/列表示发送/接收细胞，颜色深浅表示交互强度或 L-R pair 数量，便于快速发现最活跃的细胞对。
• Bubble 图：展示具体 L-R pairs 在各细胞群中的表达情况，点大小为表达比例，颜色代表平均表达量。

图示：配体-受体气泡图，显示配体在不同细胞群中的表达比例与平均表达（示例图）。

图示：交互强度热图，用于直观比较细胞群间的通讯差异（示例图）。

图示：Chord 图用于显示细胞群之间的成对交互（示例图）。

3.3 判读要点与筛选策略

1. 优先关注高强度且生物学合理的 L-R 对（高表达 + 高统计显著性 + 文献支持）；
2. 结合通路分析：若多个 L-R 对集中于同一路径，则该通路可能是关键通信通路；
3. 关注细胞角色：分析发送/接收角色的 scatter 或角色热图，识别主要发送者与接收者；
4. 验证优先级：优先验证 Top 配体及其预测靶基因或受体表达。

4 案例：人类免疫微环境中 B 细胞与单核细胞的通信分析（示例）

4.1 分析目标

识别 B 细胞与 CD14 单核细胞之间的重要配体-受体通信，评估炎症相关通路（如 TNF、IL1）在不同处理组间的变化。

4.2 关键发现（示例）

• CD14_Mono → B_cell：发现 IL1 家族配体在单核细胞中高表达，且对应受体在 B 细胞中富集；
• 通路层面：IL1 信号通路在处理组中显著增强，通路强度差异优先级靠前；
• 图像验证：bubble 图显示 IL1B 在 CD14_Mono 中表达比例高且平均表达高，heatmap 与 chord 图均支持该通路为主导信号。

4.3 生物学意义与建议验证实验

1. 生物学意义：IL1 介导的单核-淋巴细胞通信可能参与炎症反应与免疫调节；
2. 实验验证建议：流式或免疫组化验证 IL1B/IL1R1 的细胞定位；体外共培养结合阻断抗体验证功能性影响；
3. 下游分析：结合差异表达与富集分析确认 IL1 下游靶基因的表达改变。

5 注意事项与最佳实践

WARNING

避免过度解读：CellChat 给出的是统计学推断结果，需结合文献与实验验证。

• 数据质量：确保每类细胞有足够细胞数（建议至少 50 个细胞）；稀有细胞需谨慎下调阈值并结合下采样策略；
• 批次效应：在多样本比较中先处理批次效应，避免假阳性信号；
• 物种一致性：确保使用与样本一致的物种数据库（人/鼠）。

6 参考文献与资料

1. CellChat 官网页面与文档：https://github.com/sqjin/CellChat。
2. Jin S, et al. Inference and analysis of cell-cell communication using CellChat. Nat Commun. 2021;12:1088.