细胞间通讯分析 CellChat

解决的问题

单细胞测序数据中的细胞间通讯分析常面临配体-受体（ligand-receptor, LR）对数量庞大、单对分析难以揭示系统级通讯规律的问题。传统方法聚焦单个 LR 对的差异，而实际生物学过程中信号通路层面的协同作用更关键。此外，不同实验条件（如正常 vs 疾病）的通讯差异比较、空间转录组中的通讯距离效应等需求，也需要专门工具支持。

核心能力与工作流

• 信号通路层级聚合：将 LR 相互作用按信号通路分类，生成通路层面的通讯概率数组（cellchat@netP$prob）与细胞群间通讯强度矩阵（cellchat@net$weight），避免单对 LR 的碎片化分析
• 双条件差异通讯：通过 mergeCellChat() 合并两个数据集对象，使用 compareInteractions()、netVisual_diffInteraction() 比较通讯差异，并支持基于 DEG 的上下调 LR 分析（net.up / net.down）
• 空间通讯分析：Visium 等 spot 级数据设置 distance.use = TRUE、interaction.range = 250（微米）考虑分泌型信号扩散；单细胞分辨率空间数据推荐 SpatialCellChat，contact.range 约 10 微米处理接触依赖型通讯

工作流关键步骤：

1. 确认物种（CellChatDB.human 或 CellChatDB.mouse）、Seurat 版本（v4 / v5）、分析类型（单数据集或双条件比较）与数据类型（普通单细胞或空间转录组）
2. 从 RNA 或 SCT assay 构建 CellChat 对象，避免使用 integrated
3. 预处理必须运行 subsetData() 与 identifyOverExpressedGenes()
4. 推断通讯概率：computeCommunProbPathway() 聚合通路，aggregateNet() 生成通讯矩阵
5. 系统分析：netAnalysis_signaling_role() 识别发送者 / 接收者等角色，identifyCommunicationPatterns() 进行 NMF 通讯模式识别
6. 可视化：热图（netVisual_heatmap()）、气泡图（netVisual_bubble()）、通路特定网络（circle / chord plot）

适用边界与注意点

• 数据库选择：默认 subsetDB(CellChatDB) 排除非蛋白信号，避免基于估计表达的不可靠结果
• Seurat 版本适配：v5 使用 seurat_obj[["RNA"]]$data，v4 使用 @data 语法
• 空间数据要求：metadata 必须包含 samples 列（即使单样本）；接触依赖型分析的 contact.range 需匹配数据分辨率
• 模式识别限制：NMF 分析要求不同数据集具有相同细胞类型组成，否则需使用 liftCellChat() 转换
• 概率推断参数：triMean 较保守，可能过滤低表达信号；truncatedMean 配合 trim = 0.1 更适合找回潜在生物学意义的通路
• 版本兼容性：旧 CellChat 对象需更新至 v2 / v3 格式，单细胞分辨率空间通讯建议使用独立的 SpatialCellChat 包

核心价值在于将碎片化的 LR 对分析转化为通路级别的系统通讯视图，覆盖从单数据集分析到双条件差异与空间通讯的完整流程。