NicheNet_spatial 分析
前言
TIP
NicheNet_spatial 是一个强大的计算方法，通过将配体的表达与靶基因表达变化联系起来，研究发送细胞（sender cells）和接收细胞（receiver cells）之间的细胞间通讯。不同于仅依赖配体和受体共表达的传统方法，NicheNet_spatial 整合了配体-受体互作、信号转导以及基因调控的先验知识网络，从而预测哪些配体能够影响特定靶细胞中的基因表达。
在单细胞空间转录组学研究中，理解微环境（Niche）信号如何塑造细胞状态是核心问题之一。NicheNet_spatial 的独特优势在于它不仅能推断哪些细胞之间存在通讯，更能揭示特定配体如何通过受体和下游信号通路激活接收细胞中的靶基因转录程序。这使得 NicheNet_spatial 在研究肿瘤微环境、组织发育、免疫反应等复杂生物学过程时具有极高的应用价值。
NicheNet_spatial 的核心功能
- 整合先验知识网络：结合了全面的配体-受体、信号转导和基因调控网络
- 靶基因预测：预测特定配体在接收细胞中调控的靶基因（Target genes）
- 配体活性排序：根据配体对接收细胞中差异表达基因的解释能力，对发送细胞表达的配体进行活性评分（Pearson correlation 和 AUROC）
- 信号通路推断：推断从配体到靶基因之间的关键受体和细胞内信号分子
- 灵活的分析模式：支持基于差异表达基因的分析，也可研究特定细胞群之间的互作
本篇文档旨在为单细胞空间转录组学研究者提供一份详尽的 NicheNet_spatial 技术指南，内容涵盖其基本原理、在 SeekSoul Online 云平台上的操作方法、结果解读、应用场景及注意事项，帮助您快速掌握并应用该工具。
NicheNet_spatial 理论基础
NicheNet_spatial 的核心思想是：不仅看配体和受体是否同时表达，更要看配体下游的靶基因是否在接收细胞中被激活。其分析框架主要包括以下几个步骤：
- 构建先验知识模型（NicheNet ligand-target model）：整合公共数据库中的配体-受体相互作用、信号转导通路和转录因子调控网络，计算每种配体对所有潜在靶基因的调控潜力。
- 定义发送细胞和接收细胞：根据研究问题（如肿瘤与免疫细胞的互作），明确信号的发送方和接收方。
- 定义感兴趣的基因集（Gene set of interest）：通常是接收细胞在特定条件（如疾病 vs 健康、不同空间位置）下的差异表达基因。
- 背景基因集（Background genes）：在接收细胞中表达的所有基因。
- 配体活性预测（Ligand activity prediction）：评估发送细胞表达的哪些配体能最好地预测/解释“感兴趣的基因集”。计算每个配体的 Pearson correlation、AUROC 等指标。
- 推断活跃的配体-靶基因连接：提取高活性配体与其调控的靶基因，构建配体-受体-靶基因网络。
云平台操作指南
在 SeekSoul Online 云平台上，NicheNet_spatial 分析流程已被封装为直观易用的模块。您只需进行简单的参数配置即可完成复杂的分析。
参数设置说明
在 SeekSoul Online 云平台的"高级分析"模块中选择"NicheNet_spatial"，需要配置以下参数：
基础参数
任务名称
- 说明：本次分析的任务名称
- 格式要求：需以英文字母开头，可包含英文字母、数字、下划线和中文
- 示例：
NicheNet_spatial
分组因子
- 说明：meta 数据中的细胞类型列名
- 示例：
CellAnnotation、celltype
筛选因子
- 说明：meta 数据中的样本列名
- 示例：
Sample、GD.N_A
微环境因子
- 说明：meta 数据中的微环境列名
- 示例：
micro
互作网络配置（Info 设置）
NicheNet_spatial 分析的关键是准确定义发送细胞类型和接收细胞类型以及它们所处的微环境。请在配置区域按照以下方式填写：
- 第一列（微环境因子）：选择 meta 数据中的微环境列名。
- 第二列（分组因子-发送细胞）：选择 meta 数据中的细胞类型列名，对应的是发送细胞类型。
- 第三列（分组因子-接收细胞）：选择 meta 数据中的细胞类型列名，对应的是接收细胞类型。
设置好列名后，点击“添加”按钮，在新增的记录中选择具体要分析的微环境名称、发送细胞类型名称和接收细胞类型名称。您可以添加多组关系进行分析。
NicheNet_spatial 模型参数
物种
- 选项：
human（人）或mouse（小鼠） - 说明：选择样本对应的物种，NicheNet_spatial 将加载对应物种的先验模型
备注
- 说明：自定义备注信息（选填）
报告结果解读
NicheNet_spatial 分析完成后，会生成包含多种可视化结果的报告，主要揭示“哪些配体最活跃”以及“这些配体调控了哪些靶基因”。
高活性配体基因在细胞群中的表达分布
图片示例：top30_ligand_expression_dotplot.png
通过 NicheNet_spatial 的配体活性预测模型，我们筛选出了对“接收”细胞靶基因集具有最强调控潜力的候选配体。本节主要通过气泡图展示了活性得分排名前 30 的配体基因在不同细胞类型中的表达模式，帮助我们直观验证这些配体是否在预期的“发送”细胞中特异性高表达。
解读要点：
- 横轴 (X-axis)：代表各种细胞群（Cell Types）。
- 纵轴 (Y-axis)：代表 NicheNet_spatial 预测出的活性得分 Top30 的配体基因。
- 圆点大小 (Dot Size)：代表该配体基因在特定细胞类型中表达细胞所占的比例（Fraction of cells）。点越大，表示表达该配体的细胞比例越高。
- 圆点颜色 (Dot Color)：代表配体基因的平均表达水平。颜色越红（偏暖色调），表示表达量越高；颜色越蓝（偏冷色调），表示表达量越低。
预测的受配体对互作热图
图片示例：niche_1_exprs_activity_target_plot.png
在确定了高活性的配体后，NicheNet_spatial 进一步推断这些配体在“接收”细胞表面最可能结合的受体。本节展示的热图不仅呈现了最佳配体-受体（Ligand-Receptor）对，还结合了这些分子在对应“发送者”和“接收者”细胞中的实际表达倍数变化（LFC），以验证交互的生物学合理性。
解读要点：
- 左侧热图 (Sender LFC)：展示了推断出的高活性配体。每一行代表一个“配体-受体”对。颜色代表该配体在特定的“发送（Sender）”细胞中的表达水平相对变化（Log Fold Change）。颜色越深，说明该配体在对应的 Sender 细胞中表达上调越显著。
- 右侧热图 (Receiver LFC)：展示了与左侧配体相匹配的预测受体。颜色代表该受体在对应的“接收（Receiver）”细胞中的表达相对变化。颜色越深，说明该受体在 Receiver 细胞中表达上调越显著。
- 配对逻辑：同一行水平对应着一对有效的“配体-受体”互作，并且两侧颜色的深浅共同验证了该通讯通路在特定 Sender 和 Receiver 细胞间被激活的潜力。
预测配体与下游靶基因调控网络 (Circos图)
图片示例：niche_1_circos.png
NicheNet_spatial 的独特之处在于它能够将上游的信号配体与下游发生表达变化的靶基因连接起来。Circos 图提供了一个全局视角，直观地映射了高活性配体是如何调控“接收”细胞内一系列特定靶基因的。
解读要点：
- 外环结构：圆环被分为两大部分。下半部分代表“发送”细胞来源的配体基因（Ligands）；上半部分代表“接收”细胞中表达发生变化的靶基因（Target genes）。
- 靶基因排序：上半部分的靶基因通常是从左到右按照调控潜力/强度进行排序的（即受配体调控得分最高的靶基因排在前面）。
- 内部连线 (Links)：连接下半部分配体与上半部分靶基因的线条，代表 NicheNet_spatial 预测出的潜在调控关系。线条的颜色通常与其来源的配体颜色一致，线条的宽度反映了该配体对目标靶基因的推断调控潜力（Regulatory potential），线条越宽，调控关系越可能发生。
配体活性与靶基因调控综合展示
图片示例：niche_1_exprs_activity_target_plot.png
为了更全面地评估 NicheNet_spatial 的推断结果，本节通过组合面板（Panel）的形式，将配体的表达情况、计算出的活性得分以及它们对下游靶基因的调控潜力集中展示。这提供了一个从信号发送、计算评分到信号响应的完整证据链。
解读要点：
这是一个综合性的关联展示图，从左至右包含 5 个并排的子面板，整合了细胞通讯中配体表达、调控活性以及下游靶基因的多个维度信息：
- 图 1 (Ligand Expression)：配体表达。展示了高优先级配体在不同 Niche（生态位）中不同细胞类型的表达情况。
- 图 2 (Scaled Ligand Activity)：标准化配体活性。展示了配体在 Receiver（接收）细胞中推测的调控活性得分（经过 Scaled 标准化处理），用于直观比较不同配体间相对调控能力的强弱。
- 图 3 (Ligand Activity)：配体活性。展示了配体在 Receiver 细胞中真实的调控潜力原始得分，反映配体驱动下游靶基因表达变化的绝对能力。
- 图 4 (Predicted Target Genes)：预测的靶基因。展示了配体与其预测的下游目标基因之间的调控关系。矩阵中的颜色反映了该配体对特定靶基因的调控潜力。
- 图 5 (Target Expression)：靶基因表达。展示了这些被调控的下游关键靶基因在 Receiver 细胞（或不同组别）中的实际表达水平。
结果解读的最佳实践
TIP
结果解读建议：
- 关注高活性配体：不要仅仅关注表达量最高的配体，要重点关注活性评分（Pearson correlation）排名前列的配体。
- 检查表达验证：结合点图（Dotplot）确认预测出的配体和受体在数据中是否有真实的表达。
- 关联生物学表型：观察配体调控的靶基因集合，结合 GO/KEGG 等富集分析，判断这些靶基因参与了哪些生物学过程（如促炎、促血管生成、细胞凋亡等）。
- 空间转录组结合：如果使用空间数据，可将高活性配体及其靶基因（模块评分）投射回空间切片上，验证其是否在物理空间上共定位。
注意事项与最佳实践
WARNING
先验知识的局限性：NicheNet_spatial 的预测严重依赖于其内置的先验知识网络（Prior knowledge network）。如果某个配体-靶基因的调控关系在文献数据库中未被充分报道，NicheNet_spatial 可能无法准确预测其活性。
CAUTION
靶基因（感兴趣基因集）的选择至关重要： NicheNet_spatial 的核心是评估配体对“感兴趣基因集”的解释能力。如果您的靶基因集定义不明确（例如直接使用了所有表达基因，或者差异基因质量很差），将导致预测出的配体活性缺乏特异性。
分析前的准备
- 明确生物学问题：在运行 NicheNet_spatial 之前，您需要清晰地定义“谁发送信号（Sender）”以及“谁接收信号并发生了改变（Receiver）”。
- 获取高质量的差异基因：如果使用比较条件（如 Treatment vs Control），请确保差异表达分析的结果可靠（适当的 logFC 和 p-value 阈值）。
- 细胞数要求：发送细胞和接收细胞群体需要有足够的细胞数（通常建议 >50 个），以确保平均表达量计算的稳定性。
NicheNet_spatial 与 CellChat_spatial /CellPhoneDB_spatial 的区别
在选择工具时，请注意它们的侧重点：
- CellChat_spatial / CellPhoneDB_spatial：主要基于配体和受体在不同细胞群中的共表达水平来推断通讯概率，更侧重于“通讯网络的全景图”和“谁在和谁说话”。
- NicheNet_spatial：重点在于下游响应。它不仅要求配体表达，还要求该配体已知的靶基因在接收细胞中活跃表达。因此 NicheNet_spatial 更侧重于“这个信号到底导致了什么结果”。
建议在实际研究中，将 NicheNet_spatial 与 CellChat_spatial 结合使用，以获得更全面、互相印证的结论。
方法
参考资料
- GitHub：https://github.com/saeyslab/nichenetr
- [1] Browaeys, R., Saelens, W. & Saeys, Y. NicheNet: modeling intercellular communication by linking ligands to target genes. Nat Methods (2019) doi:10.1038/s41592-019-0667-5
- [2] Guilliams et al. Spatial proteogenomics reveals distinct and evolutionarily conserved hepatic macrophage niches. Cell (2022) doi:10.1016/j.cell.2021.12.018
总结
NicheNet_spatial 提供了一种独特的视角来研究细胞通讯，通过将细胞外配体与接收细胞内的转录重编程联系起来，帮助研究者不仅发现“谁在通讯”，更能深入理解“通讯引发的分子后果”。SeekSoul Online 云平台将其整合为易用的分析模块，助力您高效挖掘单细胞与空间数据中的微环境调控机制。