CellChat上手实战:如何在30分钟内跑通第一个单细胞细胞-细胞通讯分析

原创2026-11-02 14:09:271,691 阅读
文章标签:生物信息学数据分析数据可视化科学计算科研

CellChat上手实战:如何在30分钟内跑通第一个单细胞细胞-细胞通讯分析

CellChat 是一个开源的 R 工具包(R toolkit),专门用于从单细胞转录组(scRNA-seq)和空间转录组数据中推断、可视化并分析细胞-细胞通讯(cell-cell communication)。它基于人工 curated 的配体-受体互作数据库 CellChatDB,结合配体-受体表达水平,计算任意两个细胞群之间通讯发生的概率,并提供丰富的网络图、弦图、气泡图以及定量分析方法。本文带你走一遍完整流程:从安装 CellChat,到准备输入数据、跑通通讯推断,再到出图和系统分析,零基础用户也能在 30 分钟左右完成第一个单细胞细胞通讯分析。

CellChat 细胞-细胞通讯分析工作流程总览:从单细胞输入数据与配体受体数据库,到通讯概率推断与网络可视化输出

一、CellChat 能做什么?1 分钟认识核心能力

CellChat 的核心思路是:把你手里已经分好群的单细胞表达矩阵,与 CellChatDB 配体-受体数据库(人类约 3,300 个文献支持的分子互作)结合,逐对计算"谁发信号、谁收信号、信号有多强"。主要能力包括 🧬:

  • 通讯推断:以配体-受体对和信号通路(如 WNT、TGFb、CXCL)为粒度,给出带概率值的细胞-细胞通讯网络;
  • 可视化:层级图(Hierarchy)、圆形图(Circle)、弦图(Chord)、气泡图(Bubble)、热图(Heatmap)等,直观展示细胞群之间的信号流动;
  • 定量分析:用社会网络分析(中心性指标)识别主要信号发送者/接收者,用模式识别发现全局通讯模式,用流形学习对通路聚类;
  • 多数据集比较:支持在不同条件/组织间比较通讯网络的差异。

完整的功能总览可参考官方教程 CellChat-vignette.Rmd,本文按"最小可跑通"的路径提炼。

二、环境准备与安装:约 10 分钟

1. 系统要求

  • R(≥ 3.6.0)、macOS / Windows / Linux 均可;
  • 内存建议 ≥ 8GB,能装下你的表达矩阵即可;
  • 若后续使用降维可视化,还需安装 Python 包 umap-learn(pip install umap-learn)。

2. 一键克隆并本地安装

git clone https://gitcode.com/gh_mirrors/cel/CellChat

然后在 R 中执行:

devtools::install_local("CellChat", dependencies = TRUE)
library(CellChat)

💡 依赖较多(NMF、ComplexHeatmap、circlize 等约 50 个包),首次安装建议预留 10 分钟。依赖列表见 DESCRIPTION。

三、数据准备:CellChat 只需要 2 样东西

CellChat 对输入的要求非常"友好",只有两个必须输入 ✅:

输入 要求
data.input 归一化后的表达矩阵:基因在行、细胞在列(log 转换后的数据;若是原始 count,可用包内 normalizeData 处理)
meta 带行名的 data.frame,至少包含一列细胞群标签(如 labels),行名与矩阵列名一致

如果你用的是 Seurat / SingleCellExperiment / Scanpy(AnnData)对象,也都能直接对接,官方教程给出了逐对象的取数方式,详见 Interface_with_other_single-cell_analysis_toolkits.Rmd:

  • Seurat:seurat_object[["RNA"]]@data 取出归一化矩阵,Idents() 取标签;
  • SingleCellExperiment:logcounts(object) 取矩阵,colData(object) 取元数据;
  • AnnData:可用 anndata R 包读取 .h5ad 文件。

四、跑通第一个分析:核心 6 步(约 15 分钟)

下面是最小化的主流程,每步都对应 CellChat-vignette.Rmd 中的完整示例。

步骤 1️⃣ 创建 CellChat 对象

cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels")

createCellChat 定义了核心 CellChat 对象(S4 类,源码见 CellChat_class.R),后续所有分析都挂在它上面。若忘记传入 meta,之后也能用 addMeta 补上、setIdent 切换默认细胞身份。

步骤 2️⃣ 设置配体-受体数据库 CellChatDB

人用 CellChatDB.human,鼠用 CellChatDB.mouse,数据文件位于 data/CellChatDB.human.rda 和 data/CellChatDB.mouse.rda:

CellChatDB <- CellChatDB.human
showDatabaseCategory(CellChatDB)          # 查看数据库分类
CellChatDB.use <- subsetDB(CellChatDB, search = "Secreted Signaling", key = "annotation")
cellchat@DB <- CellChatDB.use

数据库把互作分为 Secreted Signaling、ECM-Receptor、Cell-Cell Contact、Non-protein Signaling 四类;默认建议先用分泌信号类子集(subsetDB 筛选)。

步骤 3️⃣ 识别高表达配体/受体

cellchat <- subsetData(cellchat)                              # 只保留信号基因,省时
future::plan("multisession", workers = 4)                     # 开 4 核并行
cellchat <- identifyOverExpressedGenes(cellchat)              # 找各组高表达信号基因
cellchat <- identifyOverExpressedInteractions(cellchat)        # 找高表达的 L-R 对

步骤 4️⃣ 计算通讯概率并推断网络

这是最核心的一步,CellChat 基于质量作用定律(law of mass action)+ 置换检验打分:

cellchat <- computeCommunProb(cellchat, type = "triMean")     # 核心:通讯概率矩阵
cellchat <- filterCommunication(cellchat, min.cells = 10)     # 过滤细胞数过少的组
cellchat <- computeCommunProbPathway(cellchat)                # 汇总到信号通路层面
cellchat <- aggregateNet(cellchat)                            # 生成聚合网络

⚠️ 新手最常问的问题:type = "triMean"(默认)产出的互作偏少偏强,适合锁定强信号;若发现已知通路没被预测出来,可改用 type = "truncatedMean", trim = 0.1 放宽阈值(详见 CellChat-vignette.Rmd 的 CAUTION 说明)。

步骤 5️⃣ 出图:5 分钟拿到"论文级"网络图

pathways.show <- "CXCL"
netVisual_aggregate(cellchat, signaling = pathways.show)          # 层级图
netVisual_aggregate(cellchat, signaling = pathways.show, layout = "circle")  # 圆形图
netVisual_aggregate(cellchat, signaling = pathways.show, layout = "chord")   # 弦图
netVisual_bubble(cellchat, sources.use = 1, targets.use = 2:5)   # 气泡图

图中边越粗代表信号越强,圆圈大小与细胞数量成正比;所有显著通路可遍历 cellchat@netP$pathways 批量出图。

步骤 6️⃣ 保存对象,随时复用

saveRDS(cellchat, file = "cellchat_humanSkin_LS.rds")

之后加载对象即可直接跳到分析/可视化环节,无需重算概率。

五、进阶 5 分钟:从"看图"到"定量结论" 📊

跑通基础流程后,两个最常用的系统分析功能强烈建议补上(实现位于 R/analysis.R):

1. 谁是最主要的信号发送者/接收者?(网络中心性)

cellchat <- netAnalysis_computeCentrality(cellchat, slot.name = "netP")
netAnalysis_signalingRole_network(cellchat, signaling = "CXCL")   # 热图
netAnalysis_signalingRole_scatter(cellchat)                        # 2D 散点

2. 多种细胞群 + 多条通路如何协同?(通讯模式识别)

selectK(cellchat, pattern = "outgoing")                            # 先选 k
cellchat <- identifyCommunicationPatterns(cellchat, pattern = "outgoing", k = 5)
netAnalysis_river(cellchat, pattern = "outgoing")                  # 河流图
netAnalysis_dot(cellchat, pattern = "outgoing")                    # 点图

此外还有 computeNetSimilarity + netEmbedding + netClustering 三件套,可对通路做功能/结构相似性聚类与降维展示;多个样本条件之间的比较分析见 Comparison_analysis_of_multiple_datasets.Rmd。

六、常见新手坑位清单(避坑指南)🛟

问题 解决方式
输入不是归一化数据 CellChat 要求 log 归一化矩阵;count 数据先用包内 normalizeData
预测出的通路太少 computeCommunProb 改用 type = "truncatedMean", trim = 0.1
老版本对象加载报错 用 updateCellChat 升级对象结构(版本历史见 NEWS.md)
安装卡在某个依赖 确认 R ≥ 3.6.0;UMAP 相关报错执行 pip install umap-learn
想换细胞群定义 addMeta 更新元数据后用 setIdent(cellchat, ident.use = "labels") 切换

七、更多教程与延伸阅读 📚

仓库 tutorial/ 目录下有覆盖各种场景的完整教程,按需取用:

分析完成后还可以调用 runCellChatApp(cellchat) 启动交互式 Web 浏览器,在网页中直接探索通讯网络结果,对新手非常友好。

写在最后

回顾一下 30 分钟时间线:安装 10 分钟 → 数据准备 5 分钟 → 六步核心流程 15 分钟。至此你已经完成了从 scRNA-seq 数据到细胞-细胞通讯网络图的完整分析闭环。CellChat 的分析函数(如 netVisual、netAnalysis 系列)都以统一的 cellchat 对象为入口,后续扩展到多条件比较、空间转录组等场景时,套路完全一致——这就是"先跑通一个最小流程"的价值所在。祝分析顺利!🎉

登录后查看全文
CellChat