CellChat 单细胞细胞通讯分析完整指南从配体-受体数据库到通讯网络可视化【免费下载链接】CellChatR toolkit for inference, visualization and analysis of cell-cell communication from single-cell data项目地址: https://gitcode.com/gh_mirrors/ce/CellChat拿到一张已经完成降维聚类、细胞注释的单细胞图谱后一个更棘手的问题往往随之而来这群细胞到底在跟谁说话通过什么分子在说CellChat 正是为解决这个问题而生的 R 工具包——它依托人工整理的配体-受体数据库 CellChatDB从单细胞表达数据中推断、量化并可视化细胞间的通讯网络帮你把基因表达量翻译成细胞对话录。这篇文章从原理到实操带你完整走一遍细胞通讯分析流程。从三个灵魂拷问说起你的单细胞数据里细胞在说什么很多人在做完 Seurat 标准流程后陷入同一个困惑聚类、注释、差异基因都齐了但生物学故事还差一块拼图。三张图里 C1 群高表达配体C3 群高表达受体这能说明它们在通讯吗信号是单向还是双向哪条通路最活跃CellChat 做的事情可以概括为一句话基于配体-受体先验知识把共表达升级为通讯概率。它不满足于告诉你基因 A 在细胞群 X 里高表达而是进一步推断细胞群 X 通过基因 A 向细胞群 Y 发送信号强度是 Z。这个能力背后是一个经过人工审校的配体-受体数据库以及一套基于质量作用定律的概率模型。一张表看懂 CellChat 的核心能力边界在使用之前先明确它能干什么、不能干什么避免期望错位能力维度具体内容典型函数/入口通讯推断计算细胞群两两之间的通讯概率与显著性computeCommunProb通路汇总把配体-受体对聚合到信号通路级别computeCommunProbPathway网络构建生成加权有向网络对象供下游分析aggregateNet可视化环形图、弦图、热图、气泡图、层次图等多种视图netVisual_*系列网络分析中心性、模式识别、多数据集比较netAnalysis_computeCentrality、identifyCommunicationPatterns、mergeCellChat不能做的事也要说清CellChat 不做细胞类型注释那是 Seurat/SingleR 的活也不替你判断通讯是否有生物学意义——显著性检验给的是统计证据最终解读仍需要你的领域知识。拆开 CellChatDB配体-受体数据库的内部构造CellChatDB 是整套分析的弹药库本质是一个按物种组织的 R 列表对象。项目在data/目录下为三个物种各准备了一份.rda数据文件加载方式统一为data(CellChatDB.human)人类data/CellChatDB.human.rda小鼠data/CellChatDB.mouse.rda斑马鱼data/CellChatDB.zebrafish.rda每一份数据库内部都包含四个组件理解它们的职责是读懂后续代码的前提组件存的是什么通俗解释interaction配体-受体对主表记录谁配谁、属于哪条通路、属于哪类信号complex多亚基复合物清单有些配体/受体必须拼装成复合体才起效cofactor共因子信息包括激动剂、拮抗剂、共受体等调节因子geneInfo基因注释表基因的官方 Symbol 与基本属性举个例子interaction中的一条记录可能写着配体 X 受体 Y通路 WNT分泌型信号但如果受体 Y 实际是二聚体就得去complex里查它的两个亚基如果这条互作还依赖某个共受体cofactor会记录这笔账。从数据库规模看分泌型信号约占 60%细胞-细胞接触约占 19%其余为 ECM-受体等类型相当比例的互作涉及异二聚体等多亚基结构——这正是 CellChatDB 相对简单基因对列表类数据库的差异化优势。数据库的辅助函数查询、筛选、提取R/database.R里提供了几个高频工具函数建议先混个脸熟searchPair()按通路名或配体名检索配体-受体对支持模糊与精确匹配subsetDB()按注释类别如Secreted Signaling筛出你关心的子集extractGene()一键取出数据库涉及的全部基因含复合物亚基与共因子用于和你的表达矩阵对齐checkGeneSymbol()核对基因名是否为官方 Symbol发现不规范的命名会直接打印警告。通讯概率的诞生质量作用定律如何落地成代码很多人把computeCommunProb(object)当成黑盒其实它的内部逻辑并不神秘本质是一条四步流水线核心代码都在R/modeling.R中。第一步算每群细胞的代表性表达量。默认用triMean三均值这种稳健统计量替代普通均值降低离群细胞对结果的干扰也可以切换为truncatedMean、median等策略。第二步做复合物与共因子修正。如果配体或受体是复合物需要取各亚基表达的最小值或几何均值来代表整体如果互作有共受体参与还要按computeExpr_coreceptor的规则对受体表达做乘除修正模拟激动剂增强、拮抗剂抑制的生物学效应。第三步用质量作用定律量化概率。通讯概率正比于配体表达量 × 受体表达量同时引入细胞群占比、可选的种群大小因子等修正项。对空间转录组数据这一步还会叠加距离约束相距超过interaction.length默认 200的细胞群通讯概率会被距离惩罚函数大幅压低。第四步置换检验给概率上保险。默认做nboot 100次标签置换构建零分布并计算 P 值过滤掉纯靠共表达碰出来的虚假通讯。整条流水线计算量不小好在 CellChat 通过future框架支持并行设置好future::plan(multisession)后置换与逐对计算会自动分布到多核上。5 个关键步骤跑通一次完整的细胞通讯分析下面按官方教程的推荐顺序给出可以直接照抄的骨架代码完整可运行版本见项目tutorial/CellChat-vignette.Rmd。步骤 1创建 CellChat 对象并装载数据库。输入归一化后的表达矩阵与分组元数据library(CellChat) data(CellChatDB.human) # 选对应物种 cellchat - createCellChat(count.data data.input, meta meta, group.by labels) cellchatDB - CellChatDB.human步骤 2识别每群细胞的过表达基因。这一步会筛选出用于后续推断的基因子集避免全基因组计算cellchat - identifyOverExpressedGenes(cellchat)步骤 3识别过表达的配体-受体互作。把数据库里的互作对与你的表达数据对齐去掉数据库中存在但你的数据里根本不表达的组合cellchat - identifyOverExpressedInteractions(cellchat)步骤 4计算通讯概率与通路级汇总。这是核心计算步骤跑完后cellchatnet里就是细胞群 × 细胞群 × 配体-受体对的三维概率数组cellchat - computeCommunProb(cellchat) cellchat - computeCommunProbPathway(cellchat)步骤 5聚合网络并做中心性分析。聚合出细胞群级别的加权网络然后计算每个细胞群的入度/出度中心性识别信号枢纽cellchat - aggregateNet(cellchat) cellchat - netAnalysis_computeCentrality(cellchat, slot.name netP)最后根据你的讲述需求挑可视化函数想看整体流向用netVisual_circle想看单条通路用netVisual_aggregate想看配体-受体细节用netVisual_bubble想同时展示多个对象用netVisual_heatmap。整个计算画图链路约 1030 分钟即可跑通视细胞数与并行核数而定。从能出图到会解读四个进阶玩法基础流程跑通后下面四个方向值得依次解锁它们分别在R/analysis.R、R/visualization.R中实现网络中心性分析netAnalysis_computeCentrality基于社会网络分析告诉你谁是总指挥官出度高的信号发送者、谁是听令者入度高的接收者配合netAnalysis_signalingRole_heatmap一眼看清各通路中细胞群的角色分工。通讯模式识别identifyCommunicationPatterns用非负矩阵分解NMF把几十条通路归纳成少数几个主导模式并给出每个模式的驱动通路与代表性细胞群——适合信号通路特别多、看得眼花时做降维归纳。多数据集对比mergeCellChat把两个条件如疾病 vs 对照的 CellChat 对象合并用netVisual_diffInteraction画差异网络定位被疾病破坏或被激活的通讯空间数据还可以用netVisual_spatial把通讯叠加回组织坐标上。自定义数据库tutorial/Update-CellChatDB.Rmd是一份手把手的扩展教程——当你的物种不在三件套里或你想加入自己验证过的互作对时可以参照interaction/complex/cofactor/geneInfo的格式自建列表喂给同样的流程。新手最容易踩的四个坑与 FAQ坑 1用原始 count 矩阵直接建对象。通讯概率计算假设输入是归一化数据直接丢 count 会让高表达基因统治一切。解法先用 Seurat 的NormalizeData或等效流程处理再传入。坑 2分组的 factor levels 残留空水平。computeCommunProb会严格校验objectidents的水平数多一个空水平直接报错。解法meta$labels - droplevels(meta$labels)。坑 3基因名不是官方 Symbol。数据库匹配靠官方命名用别名或大小写不规范的基因名会导致大量互作被静默丢弃。解法跑一次checkGeneSymbol或先做基因名标准化。坑 4物种选错。人的数据加载了CellChatDB.mouse后续匹配率会极低。解法extractGene后检查匹配到的基因数匹配率明显偏低时优先怀疑物种。常见 FAQ 速查问题一句话答案通路上报的 P 值太小是不是假阳性概率经过了置换检验但请留意细胞数过少时统计功效有限能直接处理空间转录组吗可以且默认启用距离约束参数见computeCommunProb的distance.use结果里没有某条我预期的通路先确认该通路基因在你的数据中是否过表达再检查数据库版本内存占用太大怎么办优先开并行 用subsetDB缩减互作对规模效率与稳定性让计算更快、结果更可信的几个技巧开并行是性价比最高的提速手段future::plan(multisession, workers 8)一条命令置换检验部分常可提速数倍。多数据库交叉验证项目还附带 STRINGdb 来源的高置信度蛋白-蛋白互作矩阵data/PPI.human.rda、data/PPI.mouse.rda在解读配体-受体对表达均显著但生物学依据存疑的结果时可借此做辅助验证。从通路级入手再下钻到分子级先看cellchatnetP的通路汇总确定主旋律再用searchPair按通路名拉出具体配体-受体对做细节分析避免一上来就被几十张分子级图表淹没。结果可复现computeCommunProb支持seed.use参数固定随机种子正式分析务必固定下来置换检验结果才能稳定复现。下一步照着这份清单动手跑一遍纸上谈兵到此为止建议按下面的顺序进入实战克隆项目到本地仓库地址https://gitcode.com/gh_mirrors/ce/CellChat 按DESCRIPTION安装依赖打开tutorial/CellChat-vignette.Rmd用示例数据完整跑一遍主流程先确保环境无误换用你自己的单细胞数据走完上文 5 个关键步骤重点检查基因匹配率挑选 23 条最关心的通路做netVisual_aggregate出图练习解读方向性解锁进阶玩法先做中心性分析再尝试一次两条件对比分析若研究物种不在三件套中研读tutorial/Update-CellChatDB.Rmd自建数据库。关键模块路径供深入阅读主教程tutorial/CellChat-vignette.Rmd空间转录组分析tutorial/CellChat_analysis_of_spatial_imaging_data.Rmd多数据集比较tutorial/Comparison_analysis_of_multiple_datasets.Rmd数据库更新与自定义tutorial/Update-CellChatDB.Rmd数据库解析与查询源码R/database.R、R/data.R通讯概率建模源码R/modeling.R网络分析源码R/analysis.R可视化源码R/visualization.R内置数据文件data/目录三个物种的 CellChatDB 与两套 PPI 矩阵从会跑代码到会讲生物学故事中间只差一次完整的实战。现在就把第一张通讯网络图画出来吧。【免费下载链接】CellChatR toolkit for inference, visualization and analysis of cell-cell communication from single-cell data项目地址: https://gitcode.com/gh_mirrors/ce/CellChat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/14 9:03:59 · 阅读 1.2k CellChat 单细胞细胞通讯分析完整指南：从配体-受体数据库到通讯网络可视化
CellChat 单细胞细胞通讯分析完整指南从配体-受体数据库到通讯网络可视化【免费下载链接】CellChatR toolkit for inference, visualization and analysis of cell-cell communication from single-cell data项目地址: https://gitcode.com/gh_mirrors/ce/CellChat拿到一张已经完成降维聚类、细胞注释的单细胞图谱后一个更棘手的问题往往随之而来这群细胞到底在跟谁说话通过什么分子在说CellChat 正是为解决这个问题而生的 R 工具包——它依托人工整理的配体-受体数据库 CellChatDB从单细胞表达数据中推断、量化并可视化细胞间的通讯网络帮你把基因表达量翻译成细胞对话录。这篇文章从原理到实操带你完整走一遍细胞通讯分析流程。从三个灵魂拷问说起你的单细胞数据里细胞在说什么很多人在做完 Seurat 标准流程后陷入同一个困惑聚类、注释、差异基因都齐了但生物学故事还差一块拼图。三张图里 C1 群高表达配体C3 群高表达受体这能说明它们在通讯吗信号是单向还是双向哪条通路最活跃CellChat 做的事情可以概括为一句话基于配体-受体先验知识把共表达升级为通讯概率。它不满足于告诉你基因 A 在细胞群 X 里高表达而是进一步推断细胞群 X 通过基因 A 向细胞群 Y 发送信号强度是 Z。这个能力背后是一个经过人工审校的配体-受体数据库以及一套基于质量作用定律的概率模型。一张表看懂 CellChat 的核心能力边界在使用之前先明确它能干什么、不能干什么避免期望错位能力维度具体内容典型函数/入口通讯推断计算细胞群两两之间的通讯概率与显著性computeCommunProb通路汇总把配体-受体对聚合到信号通路级别computeCommunProbPathway网络构建生成加权有向网络对象供下游分析aggregateNet可视化环形图、弦图、热图、气泡图、层次图等多种视图netVisual_*系列网络分析中心性、模式识别、多数据集比较netAnalysis_computeCentrality、identifyCommunicationPatterns、mergeCellChat不能做的事也要说清CellChat 不做细胞类型注释那是 Seurat/SingleR 的活也不替你判断通讯是否有生物学意义——显著性检验给的是统计证据最终解读仍需要你的领域知识。拆开 CellChatDB配体-受体数据库的内部构造CellChatDB 是整套分析的弹药库本质是一个按物种组织的 R 列表对象。项目在data/目录下为三个物种各准备了一份.rda数据文件加载方式统一为data(CellChatDB.human)人类data/CellChatDB.human.rda小鼠data/CellChatDB.mouse.rda斑马鱼data/CellChatDB.zebrafish.rda每一份数据库内部都包含四个组件理解它们的职责是读懂后续代码的前提组件存的是什么通俗解释interaction配体-受体对主表记录谁配谁、属于哪条通路、属于哪类信号complex多亚基复合物清单有些配体/受体必须拼装成复合体才起效cofactor共因子信息包括激动剂、拮抗剂、共受体等调节因子geneInfo基因注释表基因的官方 Symbol 与基本属性举个例子interaction中的一条记录可能写着配体 X 受体 Y通路 WNT分泌型信号但如果受体 Y 实际是二聚体就得去complex里查它的两个亚基如果这条互作还依赖某个共受体cofactor会记录这笔账。从数据库规模看分泌型信号约占 60%细胞-细胞接触约占 19%其余为 ECM-受体等类型相当比例的互作涉及异二聚体等多亚基结构——这正是 CellChatDB 相对简单基因对列表类数据库的差异化优势。数据库的辅助函数查询、筛选、提取R/database.R里提供了几个高频工具函数建议先混个脸熟searchPair()按通路名或配体名检索配体-受体对支持模糊与精确匹配subsetDB()按注释类别如Secreted Signaling筛出你关心的子集extractGene()一键取出数据库涉及的全部基因含复合物亚基与共因子用于和你的表达矩阵对齐checkGeneSymbol()核对基因名是否为官方 Symbol发现不规范的命名会直接打印警告。通讯概率的诞生质量作用定律如何落地成代码很多人把computeCommunProb(object)当成黑盒其实它的内部逻辑并不神秘本质是一条四步流水线核心代码都在R/modeling.R中。第一步算每群细胞的代表性表达量。默认用triMean三均值这种稳健统计量替代普通均值降低离群细胞对结果的干扰也可以切换为truncatedMean、median等策略。第二步做复合物与共因子修正。如果配体或受体是复合物需要取各亚基表达的最小值或几何均值来代表整体如果互作有共受体参与还要按computeExpr_coreceptor的规则对受体表达做乘除修正模拟激动剂增强、拮抗剂抑制的生物学效应。第三步用质量作用定律量化概率。通讯概率正比于配体表达量 × 受体表达量同时引入细胞群占比、可选的种群大小因子等修正项。对空间转录组数据这一步还会叠加距离约束相距超过interaction.length默认 200的细胞群通讯概率会被距离惩罚函数大幅压低。第四步置换检验给概率上保险。默认做nboot 100次标签置换构建零分布并计算 P 值过滤掉纯靠共表达碰出来的虚假通讯。整条流水线计算量不小好在 CellChat 通过future框架支持并行设置好future::plan(multisession)后置换与逐对计算会自动分布到多核上。5 个关键步骤跑通一次完整的细胞通讯分析下面按官方教程的推荐顺序给出可以直接照抄的骨架代码完整可运行版本见项目tutorial/CellChat-vignette.Rmd。步骤 1创建 CellChat 对象并装载数据库。输入归一化后的表达矩阵与分组元数据library(CellChat) data(CellChatDB.human) # 选对应物种 cellchat - createCellChat(count.data data.input, meta meta, group.by labels) cellchatDB - CellChatDB.human步骤 2识别每群细胞的过表达基因。这一步会筛选出用于后续推断的基因子集避免全基因组计算cellchat - identifyOverExpressedGenes(cellchat)步骤 3识别过表达的配体-受体互作。把数据库里的互作对与你的表达数据对齐去掉数据库中存在但你的数据里根本不表达的组合cellchat - identifyOverExpressedInteractions(cellchat)步骤 4计算通讯概率与通路级汇总。这是核心计算步骤跑完后cellchatnet里就是细胞群 × 细胞群 × 配体-受体对的三维概率数组cellchat - computeCommunProb(cellchat) cellchat - computeCommunProbPathway(cellchat)步骤 5聚合网络并做中心性分析。聚合出细胞群级别的加权网络然后计算每个细胞群的入度/出度中心性识别信号枢纽cellchat - aggregateNet(cellchat) cellchat - netAnalysis_computeCentrality(cellchat, slot.name netP)最后根据你的讲述需求挑可视化函数想看整体流向用netVisual_circle想看单条通路用netVisual_aggregate想看配体-受体细节用netVisual_bubble想同时展示多个对象用netVisual_heatmap。整个计算画图链路约 1030 分钟即可跑通视细胞数与并行核数而定。从能出图到会解读四个进阶玩法基础流程跑通后下面四个方向值得依次解锁它们分别在R/analysis.R、R/visualization.R中实现网络中心性分析netAnalysis_computeCentrality基于社会网络分析告诉你谁是总指挥官出度高的信号发送者、谁是听令者入度高的接收者配合netAnalysis_signalingRole_heatmap一眼看清各通路中细胞群的角色分工。通讯模式识别identifyCommunicationPatterns用非负矩阵分解NMF把几十条通路归纳成少数几个主导模式并给出每个模式的驱动通路与代表性细胞群——适合信号通路特别多、看得眼花时做降维归纳。多数据集对比mergeCellChat把两个条件如疾病 vs 对照的 CellChat 对象合并用netVisual_diffInteraction画差异网络定位被疾病破坏或被激活的通讯空间数据还可以用netVisual_spatial把通讯叠加回组织坐标上。自定义数据库tutorial/Update-CellChatDB.Rmd是一份手把手的扩展教程——当你的物种不在三件套里或你想加入自己验证过的互作对时可以参照interaction/complex/cofactor/geneInfo的格式自建列表喂给同样的流程。新手最容易踩的四个坑与 FAQ坑 1用原始 count 矩阵直接建对象。通讯概率计算假设输入是归一化数据直接丢 count 会让高表达基因统治一切。解法先用 Seurat 的NormalizeData或等效流程处理再传入。坑 2分组的 factor levels 残留空水平。computeCommunProb会严格校验objectidents的水平数多一个空水平直接报错。解法meta$labels - droplevels(meta$labels)。坑 3基因名不是官方 Symbol。数据库匹配靠官方命名用别名或大小写不规范的基因名会导致大量互作被静默丢弃。解法跑一次checkGeneSymbol或先做基因名标准化。坑 4物种选错。人的数据加载了CellChatDB.mouse后续匹配率会极低。解法extractGene后检查匹配到的基因数匹配率明显偏低时优先怀疑物种。常见 FAQ 速查问题一句话答案通路上报的 P 值太小是不是假阳性概率经过了置换检验但请留意细胞数过少时统计功效有限能直接处理空间转录组吗可以且默认启用距离约束参数见computeCommunProb的distance.use结果里没有某条我预期的通路先确认该通路基因在你的数据中是否过表达再检查数据库版本内存占用太大怎么办优先开并行 用subsetDB缩减互作对规模效率与稳定性让计算更快、结果更可信的几个技巧开并行是性价比最高的提速手段future::plan(multisession, workers 8)一条命令置换检验部分常可提速数倍。多数据库交叉验证项目还附带 STRINGdb 来源的高置信度蛋白-蛋白互作矩阵data/PPI.human.rda、data/PPI.mouse.rda在解读配体-受体对表达均显著但生物学依据存疑的结果时可借此做辅助验证。从通路级入手再下钻到分子级先看cellchatnetP的通路汇总确定主旋律再用searchPair按通路名拉出具体配体-受体对做细节分析避免一上来就被几十张分子级图表淹没。结果可复现computeCommunProb支持seed.use参数固定随机种子正式分析务必固定下来置换检验结果才能稳定复现。下一步照着这份清单动手跑一遍纸上谈兵到此为止建议按下面的顺序进入实战克隆项目到本地仓库地址https://gitcode.com/gh_mirrors/ce/CellChat 按DESCRIPTION安装依赖打开tutorial/CellChat-vignette.Rmd用示例数据完整跑一遍主流程先确保环境无误换用你自己的单细胞数据走完上文 5 个关键步骤重点检查基因匹配率挑选 23 条最关心的通路做netVisual_aggregate出图练习解读方向性解锁进阶玩法先做中心性分析再尝试一次两条件对比分析若研究物种不在三件套中研读tutorial/Update-CellChatDB.Rmd自建数据库。关键模块路径供深入阅读主教程tutorial/CellChat-vignette.Rmd空间转录组分析tutorial/CellChat_analysis_of_spatial_imaging_data.Rmd多数据集比较tutorial/Comparison_analysis_of_multiple_datasets.Rmd数据库更新与自定义tutorial/Update-CellChatDB.Rmd数据库解析与查询源码R/database.R、R/data.R通讯概率建模源码R/modeling.R网络分析源码R/analysis.R可视化源码R/visualization.R内置数据文件data/目录三个物种的 CellChatDB 与两套 PPI 矩阵从会跑代码到会讲生物学故事中间只差一次完整的实战。现在就把第一张通讯网络图画出来吧。【免费下载链接】CellChatR toolkit for inference, visualization and analysis of cell-cell communication from single-cell data项目地址: https://gitcode.com/gh_mirrors/ce/CellChat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考