Seurat用户速成:CellChat如何无缝接入现有单细胞数据做细胞通讯分析
Seurat用户速成:CellChat如何无缝接入现有单细胞数据做细胞通讯分析
🧬 CellChat 是一款用于单细胞和空间转录组数据细胞通讯分析(cell-cell communication)的 R 工具包。如果你已经用 Seurat 完成了质控、降维和聚类,现在想进一步推断细胞间配体-受体互作网络,那么 CellChat 从 0.5.0 版本起就能直接读取 Seurat 对象,无需重新跑流程,几分钟即可进入通讯分析。本文带你走通"Seurat 对象 → CellChat 对象 → 可视化通讯网络"的最短路径。
一、开始前的 3 项准备清单
在把 Seurat 对象交给 CellChat 之前,确认这 3 点,可以避免 90% 的报错:
- 数据已归一化:CellChat 要求输入的是归一化数据(如 log 转换后),不是原始 count;
- 选对 assay:使用 RNA assay。⚠️ 特别注意:Seurat 的
integratedassay 包含负值,不适合用于 CellChat 分析(官方文档中有明确提示,见 man/createCellChat.Rd); - 想好用哪个变量分组:
group.by指定 Seurat meta 中的列名,"ident"表示使用默认细胞类型标注。
二、方式一:Seurat 对象直接一步接入(推荐)🚀
从 CellChat 0.5.0 起,createCellChat 可以直接接收 Seurat 对象,自动从对象中提取归一化表达矩阵和 meta 数据:
library(CellChat)
# 使用 Seurat 对象的默认细胞身份
cellchat <- createCellChat(object = seurat.obj,
group.by = "ident",
assay = "RNA")
📌 小贴士:如果你想用非默认的标注(比如 seurat.clusters 聚类结果),把 group.by 改成对应列名即可:
cellchat <- createCellChat(object = seurat.obj, group.by = "seurat.clusters")
该函数的完整参数说明可参考 R/CellChat_class.R 中的源码实现与 man/createCellChat.Rd 帮助文档。
三、方式二:手动提取矩阵作为备选方案
如果你的 Seurat 对象结构特殊,或想先做子集筛选,可以手动取出两个输入:
# 归一化表达矩阵(基因 × 细胞)
data.input <- seurat_object[["RNA"]]@data
# 注意:Seurat >= 5.0.0 改用下面这种写法
# data.input <- seurat_object[["RNA"]]$data
# 细胞分组信息
labels <- Idents(seurat_object)
meta <- data.frame(group = labels, row.names = names(labels))
# 创建 CellChat 对象
cellchat <- createCellChat(object = data.input, meta = meta, group.by = "group")
完整的转换示例(含 SingleCellExperiment、Scanpy 对象)收录在官方教程 tutorial/Interface_with_other_single-cell_analysis_toolkits.Rmd,遇到"Seurat 对象读不进去"时可优先查阅。
四、常见坑与排查(Troubleshooting)
| 现象 | 原因与解决 |
|---|---|
使用 integrated assay 报错 |
含负值,请改用 assay = "RNA" 或 "SCT" |
| Seurat 5.x 取数据失败 | 新版语法为 seurat_object[["RNA"]]$data |
| 分组列找不到 | 确认 group.by 是 meta 中的真实列名,且值非空 |
| RStudio 直接 FATAL ERROR | 先把 data.input 与 meta 存成 .rda 再加载分析 |
五、接入后:3 行代码跑通通讯分析主线
拿到 cellchat 对象后,CellChat 的核心流程非常固定(完整解释见 tutorial/CellChat-vignette.Rmd):
# 1. 计算配体-受体互作的通讯概率
cellchat <- computeCommunProb(cellchat, type = "triMean")
cellchat <- computeCommunProbPathway(cellchat)
cellchat <- aggregateNet(cellchat)
# 2. 可视化各信号通路(hierarchy / circle / chord 图)
netVisual_aggregate(cellchat, signaling = "ECM - EC")
# 3. 找出各细胞群的通讯"角色"(主要发送者/接收者)
cellchat <- netAnalysis_computeCentrality(cellchat)
netAnalysis_signalingRole_heatmap(cellchat)
运行完这套"组合拳",你就能得到类似下面流程图中右侧的网络图、层次图与热图,直观回答"谁在跟谁说话、说的什么信号通路"。
六、进阶:更多接入技巧
- 更新旧对象:若加载的是 0.5.0 之前计算的 CellChat 对象,先用
updateCellChat升级格式; - 补充 meta 信息:创建时未加注释?后续可用
addMeta追加、setIdent切换默认分组; - 更换互作数据库:
updateCellChatDB可整合自定义配体-受体数据库,详见 tutorial/Update-CellChatDB.Rmd; - 空间数据场景:空间转录组(如 10x Visium)同样支持
createCellChat直接传入 Seurat 对象,只需额外提供datatype = "spatial"与空间参数,教程在 tutorial/CellChat_analysis_of_spatial_transcriptomics_data.Rmd。
总结
对 Seurat 用户来说,CellChat 的接入成本已经降到最低:
- ✅ 确认使用
RNAassay 且数据已归一化; - ✅ 一行
createCellChat(object = seurat.obj, group.by = "ident", assay = "RNA")完成转换; - ✅ 按"计算概率 → 通路聚合 → 可视化/系统分析"主线出图。
🎯 从 Seurat 聚类结果到可发表的细胞通讯网络图,整个链路可以控制在半小时以内——把精力留给生物学解读吧!
