分析测试百科网 > 行业资讯 > 微信文章

Nature子刊！CellChat-助力单细胞分析新角度

吉凯基因

2021.9.16

构建细胞类型图谱是单细胞转录组数据分析的主体内容，但其仍然停留在“描述性研究”的范畴，难免让人感觉意犹未尽。想要在分子层面解释疾病发生的机制，就需要对数据进行更深入的探索。这当中，细胞通讯分析就是一个很好的方向。今天小编借助CellChat工具为大家介绍细胞通讯分析的使用方法、真实案例和注意事项。

细胞通讯（cell communication）是指细胞接收、处理和传递与环境和自身的信号的能力，它是每个生物体（如细菌、植物和动物）中所有细胞的基本属性。由配体-受体复合物介导的细胞-细胞通讯对于协调各种生物过程至关重要，如发育、分化和炎症。多种疾病与错误的细胞间的交流有关，包括糖尿病，甲状腺功能减退症和甲状腺功能亢进症，多发性硬化症，癌症和精神分裂症等。

CellChat是一个能够从单细胞RNA测序（scRNA-seq）数据中定量推断和分析细胞间通讯网络的R包，它需要细胞的基因表达数据作为输入，并通过整合基因表达与信号配体、受体及其辅助因子之间的相互作用的先验知识来建立细胞-细胞交流的概率，进而对细胞间通讯做出预测，并提供多种可视化方法。

除可利用R对自己的数据进行分析外，作者还提供了网页版http://www.cellchat.org/，用于查看配体-受体数据库（CellChatDB）和已被作者分析过的细胞间通讯网络。

Fig.1 CellChat网页版

CellChat能做些什么？

方法一

构建细胞间通讯网络

细胞通讯网络（intercellular communication network）是一个由相互作用的细胞组之间的显著的配体-受体对组成的加权有向图，显示不同的细胞组之间检测到配体-受体相互作用的数量。Fig. 2中，不同颜色的实心圆表示不同细胞组，实心圆大小与该细胞组对应的细胞个数成正比，每条边的颜色与信号发送者（具体含义见方法二）保持一致，边的粗细与通讯强度成比例。

Fig. 2细胞通讯网络

方法二

推断细胞角色

同一个细胞组既可以发送信号（信号的发送者，sender），也可以接收信号（信号的接收者，receiver）。CellChat利用网络分析中的out-degree, in-degree推断细胞通讯过程中不同细胞组作为信号的发送者，接收者的强度。Fig. 3中点的颜色表示不同细胞组，点的大小与每个细胞组推断的配体和受体数量成正比，x轴和y轴分别表示细胞组作为信号发送者和接收者的强度。

out-degree：细胞作为信号的发送者，发出信号的概率之和；

in-degree：细胞作为信号的接收者，接收信号的概率之和。

Fig. 3 细胞角色

方法三

确认介导细胞交流的配体-受体

CellChat可展示不同细胞组通讯过程中显著的配体-受体。Fig. 4 表示信号发送者Inflam. FIB和信号接收者cDC1, cDC2, LC, Inflam. DC, TC , Inflam. TC, CD40LG+TC通讯时显著的配体-受体。点的颜色和大小分别表示配体-受体对介导细胞通讯的可能性和及该可能性对应的p-value，空意味着在该数据集中，对应的配体-受体不介导该细胞通讯。

Fig.4 配体-受体介导的细胞间交流

方法四

分组信号通路

为了以更有生物学意义的方式进一步分析细胞间通讯，基于同行评审的文献，配体-受体对被归入功能相关的信号通路。CellChat能够量化所有显著信号通路之间的相似性，根据其细胞通讯网络的相似性对它们进行分组，如Fig .5将所有的信号通路降维后展示在二维图上，点的颜色和大小分别表示信号通路的分组及该信号通路代表的通讯的可能性。

Fig.5信号通路分组

方法五

预测细胞间协调反应

CellChat可利用模式识别预测细胞间的协调反应。这种分析的输出是一组所谓的通讯模式（communication pattern），它将细胞组与信号通路连接起来。

Fig.6中，cell groups和signaling分别表示细胞组和信号通路，流动的厚度表示细胞组或信号通路对每个通讯模式的贡献。a图表示传出模式（outgoing patterns）下，细胞作为信号发送者如何相互协调，以及它们如何与某些信号通路协调以驱动通信。

例如本次模式识别揭示了细胞组cDC1, cDC2, LC, Inflam. DC与同属于pattern1的信号通路GALECTIN, GAS, VEGF协调向外发送信号。b图表示传入模式（incoming patterns）下，细胞作为信号接收者如何相互协调，以及它们如何与某些信号通路协调以响应传入的信号。

Fig.6 模式识别

CellChat使用的真实案例

案例一

2021年6月，来自斯坦福大学和萨尔州大学的研究团队对COVID-19对神经系统的影响进行了研究。作者选取了来自14个对照者和8个COVID-19患者的30个额叶皮层和脉络丛样本的65309个单核转录组进行了分析。结果表明，尽管无法在脑部样本中特异性地检测到病毒的RNA或蛋白质，但结合CellChat的预测的细胞通讯结果，表明外周SARS-CoV-2感染使脑屏障细胞（如脉络丛的细胞）发炎；然后这种炎症被转达到脑实质中。该文章最终被发表在nature上（IF: 49.960）。

案例二

2021年5月，四川大学和华西口腔医院的研究者们探究了具有三种表面拓扑结构（随机、排列和格子）的电纺膜，对小鼠和大鼠的背侧皮肤切除伤口愈合和免疫调节特性的影响。在单细胞RNA测序的帮助下，对微环境中不同的免疫细胞进行了概述，发现体内有多种细胞异质性。CellChat揭示了免疫细胞、角质细胞和成纤维细胞之间错综复杂的相互作用。

案例三

2021年，中国科学院，北京大学第三医院，和北京干细胞与再生医学研究所利用单细胞RNA测序（scRNA-seq）来比较分析正常和无法解释的复发性流产（RM）妊娠在妊娠早期的蜕膜和外周白细胞的细胞和分子特征。综合分析确定了总共22个不同的细胞群，并揭示了RM病例中白细胞亚群和分子特性的巨大差异。CellChat证明RM和正常妊娠之间的信号激活状态是不同的，RM患者有优先的免疫激活。这些发现揭示了人类早期妊娠中蜕膜和外周白细胞的全面细胞和分子图谱，并对早期妊娠损失的免疫发病机制提供了深入的了解。

使用工具时注意事项

1. 目前的配体-受体数据库只包含小鼠和人类，因此该工具适用于小鼠和人；

2. 细胞分组是使用CellChat的前提条件，在进行细胞通讯分析之前，需要仔细进行细胞聚类，以捕捉有生物学意义的细胞组；

3. 计算过表达基因花费时间较长，可根据资源设置线程数进行时间控制；

4. 模式识别中，pattern的个数由自己定义，尽管CellChat会给出一些图帮助确定该值，但仍需注意设置不同数量的pattern会得到不同分辨率的结果。