细胞在悄悄“聊天“？用 CellChat 快速破解单细胞通讯网络的完整指南

细胞在悄悄"聊天"？用 CellChat 快速破解单细胞通讯网络的完整指南

【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

把单细胞测序跑完、聚类图画出来，往往只完成了第一个问题——有哪些细胞；紧接着更棘手的问题是：这些细胞之间如何相互影响？CellChat 正是用于从单细胞数据推断、可视化与分析细胞间通讯的 R 工具包，它把你的表达矩阵变成一张张"谁在给谁发信号"的通讯网络图，帮你从聚类结果再往前迈一步。

一个让所有单细胞研究者都沉默的问题

想象这样一个场景：你花了两周跑完 Seurat 的标准流程，UMAP 图上十几个细胞群整整齐齐，你甚至给每个 cluster 都起了名字——巨噬细胞、成纤维细胞、T 细胞、内皮细胞……这时导师走过来问了一句："这些细胞之间是怎么互相影响的？谁在给谁发信号？"你盯着聚类图，沉默了。

这不是你的问题，而是单细胞数据分析里最普遍的真实困境。聚类能回答"有哪些细胞"，但细胞与细胞之间的对话——谁分泌配体、谁表达受体、信号沿着什么通路流动——藏在海量表达矩阵里，肉眼根本看不出来。人工去翻文献逐对验证，几万行数据根本翻不完。

CellChat 就是为回答这个问题而生的。它由华盛顿大学团队开发，自 2021 年发表在 Nature Communications 之后，已经成为单细胞通讯分析领域绕不开的经典工具，被大量肿瘤微环境、发育生物学、免疫学论文引用。

这个工具到底解决什么问题、适合谁

先别被"通讯推断"这个名词吓到。CellChat 的定位非常清楚：输入你已经分好群的单细胞数据，输出细胞之间的通讯网络和一堆能放进论文的图。

它适合的场景很典型：

• 你已经用 Seurat 或 SingleCellExperiment 完成了聚类，想知道不同细胞类型之间的信号关系；
• 你想找某个通路（比如 CXCL、TGFb）到底由谁发出、被谁接收；
• 你想比较正常组和疾病组之间，哪些通讯被增强、哪些被削弱；
• 你拿到了空间转录组数据（比如 10X Visium），想看细胞在空间距离内的局部通讯。

它的底层逻辑可以浓缩成一句话：把"配体—受体"的已知规则和你的表达数据结合起来，用质量作用定律算出每条通讯的概率，再用置换检验筛出显著的那些。说白了，就是用先验知识当"字典"，把数据翻译成通讯事件。

上面这张官方全景图展示了 CellChat 的完整链路：先有人工整理的配体-受体数据库，再基于质量作用定律建模推断通讯概率，随后输出层级图、圆环图、弦图、热图、气泡图等可视化结果，最后还能做网络中心性、通讯模式识别和跨条件比较等深度分析。后面我们会把这四步逐个拆开讲。

三步完成环境配置并跑通第一个示例

CellChat 是一个正经的 R 包，安装并不复杂，但依赖较多（dplyr、igraph、ggplot2、circlize、ComplexHeatmap、NMF 等都在其中），需要 R 3.6.0 及以上版本。

第一步：获取代码并安装

仓库代码可以通过 git 直接克隆到本地：

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

然后在 R 里用 devtools 从本地目录安装：

devtools::install_local("CellChat", build_vignettes = TRUE)

如果你更习惯传统方式，也可以在克隆目录下运行R CMD INSTALL .。安装完成后，用library(CellChat)验证即可。

第二步：准备好两样输入

CellChat 需要的输入非常"朴素"：

• 表达矩阵：基因在行、细胞在列，并且必须是归一化并 log 变换后的数据（如果只有原始 count，可以用包内的normalizeData先处理）；
• 细胞分组信息：一个以细胞名为行名的数据框，里面至少有一列是细胞类型标签。

如果你手里的对象已经是 Seurat 或 SingleCellExperiment，更省事——直接传对象进去，再指定group.by参数即可。

library(CellChat) # 方式一：从矩阵 + meta 创建 cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels") # 方式二：直接从 Seurat 对象创建 cellchat <- createCellChat(object = seurat_obj, group.by = "ident")

第三步：跑通核心推断流水线

创建好对象后，把配体-受体数据库挂上去，然后依次执行以下几步，整条流水线不超过 10 行代码：

# 1. 选择物种对应的数据库（人 / 小鼠 / 斑马鱼） CellChatDB <- CellChatDB.human cellchat@DB <- CellChatDB # 2. 预处理：只保留信号相关基因，识别过表达配体受体 cellchat <- subsetData(cellchat) cellchat <- identifyOverExpressedGenes(cellchat) cellchat <- identifyOverExpressedInteractions(cellchat) # 3. 推断：算通讯概率 -> 过滤 -> 通路层汇总 -> 网络聚合 cellchat <- computeCommunProb(cellchat) cellchat <- filterCommunication(cellchat, min.cells = 10) cellchat <- computeCommunProbPathway(cellchat) cellchat <- aggregateNet(cellchat) # 4. 画图：圆环图展示细胞群之间的通讯强度和数量 netVisual_circle(cellchat@net$count)

到这里，你已经完成了"从数据到通讯网络"的第一次跑通。如果一切顺利，一张漂亮的细胞通讯网络图就会出现在绘图窗口里——恭喜，你离"细胞在聊什么"的答案只差一次解读了。

核心原理拆解：把细胞通讯想象成一场"微信聊天"

光会跑代码还不够，理解原理才能选对参数。这里用一个生活化的类比帮你建立直觉。

把细胞通讯想象成一场热闹的微信群聊：

• 配体（Ligand）是发送方发出去的消息内容；
• 受体（Receptor）是接收方手机上的"接收器"，只有装了对的接收器，消息才被读到；
• 共因子（Cofactor）是帮消息送达的"信号增强器"，比如让信号更强或更弱的调节分子；
• 信号通路（Pathway）就是群聊里围绕某个话题展开的一整串对话。

而CellChatDB 相当于提前整理好的"通讯录词典"：它告诉你哪些基因组合起来能构成一次有效通话（很多配体受体是复合物，比如异二聚体需要两个亚基都表达才行）、哪些辅助分子参与其中、这条通讯属于哪个信号通路。有了这本词典，CellChat 再结合你的表达数据，就能回答：这个群里，谁在说话、说给谁听、音量多大、是否真的被听到了。

需要特别说明的是，CellChatDB 不是自动抓取的数据库，而是人工从文献和 KEGG 等来源逐条整理、校验的。以小鼠数据库为例，它收录了 2021 条经过验证的分子互作，其中约六成是分泌型自分泌/旁分泌信号，两成是细胞外基质-受体互作，近两成是细胞接触型互作；人类数据库收录约 1939 条。这种人工把关保证了后续推断的"词典"质量，这也是很多论文愿意引用它的原因。

三层"翻译"：从分子、通路到网络，快速定位关键信号

跑通流水线只是开始，CellChat 真正强大的地方在于它把结果分成了三个层次，你可以在不同粒度上审视同一个问题：

层级	对应函数	存储位置	一句话解释
分子层	computeCommunProb	net	每条配体-受体边上的通讯概率，最细粒度
通路层	computeCommunProbPathway	netP	把同一条通路的所有 L-R 概率汇总，看通路整体强弱
网络层	aggregateNet	net$count/net$weight	全细胞群之间的通讯边数矩阵和强度矩阵，俯瞰全局

想快速拿到"哪两个细胞群之间有通讯、强度多大"的表格，用subsetCommunication一行就能导出数据框；想看某个通路，比如 CXCL，用netVisual_aggregate可以一键切换层级图、圆环图、弦图、热图四种画法；想追究到某个具体的配体-受体对，就用netVisual_individual。

可视化函数看着多，其实都是同一套数据换画法：

函数	图型	什么时候用
netVisual_aggregate	层级/圆环/弦/热图	整体看一条通路
netVisual_individual	同左	细看单个 L-R 对
netVisual_bubble	气泡图	横比多个 L-R 对
netVisual_chord_gene	弦图	多通路/多基因的复杂关系
netAnalysis_contribution	柱状图	看每个 L-R 对在通路中的贡献占比

进阶玩法：四个少有人知的深度分析姿势

基础流程跑通后，如果你还想"再挖深一层"，下面这几个功能才是 CellChat 的真正宝藏。

1. 网络中心性分析：找出真正的"话痨"和"听众"。netAnalysis_computeCentrality会为每个细胞群计算出度、入度、流介数、信息中心性等指标，分别对应信号的主导发送者、接收者、中介者和影响者。配合netAnalysis_signalingRole_heatmap出热图，一眼就能看出"谁在指挥、谁在响应"。

2. 全局通讯模式识别：用 NMF 找出"群聊分组"。单个通路看多了容易只见树木不见森林。identifyCommunicationPatterns基于 NMF 分解出若干种通讯模式，再用selectK帮你选模式数量，最后用netAnalysis_river（河流图）和netAnalysis_dot展示哪些细胞群和哪些通路在"协同作战"。

3. 通路相似性聚类：看哪些通路在功能上冗余。computeNetSimilarity支持 functional 和 structural 两种相似度，配合netEmbedding、netClustering可以把 20 多条信号通路降维聚类，帮你发现功能高度相似、可能冗余的通路组。

4. 多数据集比较：两个条件差异在哪，一目了然。用mergeCellChat合并不同条件下的 CellChat 对象后，netVisual_diffInteraction直接画出通讯差异网络，rankNet对比通路强度排名，netAnalysis_signalingChanges_scatter定位具体某个细胞群的信号变化。这套组合拳是发比较类论文的利器。

另外还有一个容易被忽略的冷门技巧：如果你只想关注某几个细胞群，用subsetCellChat切出子集再分析，速度会快很多；想验证某个基因在每个细胞群里的平均表达，computeAveExpr可以帮你"盯住"信号基因的表达水平；如果测序深度浅、dropout 严重，projectData(cellchat, PPI.human)可以把表达量投影到蛋白互作网络上做平滑，再用raw.use = FALSE的computeCommunProb重算，常常能救回一批被淹没的弱信号。

新手最容易踩的 5 个坑

作为老用户，下面这几个坑几乎人人都踩过，提前知道能帮你省下大半天。

1. 基因名格式不统一。人、鼠基因名大小写规则完全不同，物种选错数据库或者基因名格式不一致，会导致通讯结果大面积为空。先用checkGeneSymbol校验一下数据里的基因名能否在数据库里对上。

2. 把 count 数据直接喂进去。CellChat 要求归一化 + log 变换后的数据。如果强行用原始 count，概率估计会明显失真。分不清的话，先用normalizeData处理一遍最稳妥。

3. 平均表达方法选错，通路"静音"。computeCommunProb默认用 triMean 这种稳健均值，结果更保守，但可能漏掉一些真实存在的弱通路。如果你明明知道某个通路很重要却算不出来，试试type = "truncatedMean", trim = 0.1。

4. 忽略细胞数很少的组别。某个细胞群只有几个细胞时，算出来的通讯概率噪声很大。filterCommunication(cellchat, min.cells = 10)这步别省。

5. 加载旧版本对象直接报错。1.6.0 之后对象结构重新设计过，如果你手里是旧版本存下来的.rds，记得先跑一次updateCellChat。

生态、版本与社区现状

CellChat 目前仓库内版本为 1.6.1，采用 GPL-3 开源协议。它的版本迭代脉络很清晰：1.0 版本对应 2021 年 Nature Communications 的正式发表；1.4 加入了富集分数计算和条形图；1.6 版本是一个重要里程碑——正式支持空间转录组数据，新增netVisual_spatial和computeRegionDistance，可以把通讯限制在分子的实际扩散距离内，适用于 10X Visium 等平台的数据。

这里要如实提醒你一点：作者团队已经把 CellChat 升级到了v2，并在新仓库中继续维护和开发（v2 的完整协议见 2023 年的预印本，重点是空间解析转录组方向），当前这个仓库作为 v1 时代的代码镜像保留，不会再有新功能更新。换句话说：如果你追求稳定复现经典流程，用这个仓库的 v1 足够；如果想要最新功能，建议关注 v2。

项目的tutorial/目录是真正的宝藏，里面躺着 7 份可以直接跑通的教程：基础的CellChat-vignette.Rmd、空间成像数据分析、多数据集比较（包括细胞组成不同时的比较）、与其他单细胞分析工具的对接、以及如何自定义更新 CellChatDB。如果你想把自己发现的配体-受体对加进数据库，跟着Update-CellChatDB.Rmd走一遍就能学会。

写在最后：让数据开口说话

回到开头的场景。同样是"细胞之间如何互相影响"这个问题，有了 CellChat，你不再需要盯着 UMAP 图干瞪眼。十几行代码之后，你能清楚地告诉导师：哪群细胞是信号源、哪群是接收者、哪个通路在暗中主导，甚至还能指出疾病组里哪条通讯被异常放大。

这就是这类工具的价值——它把一张静态的"细胞类型地图"，升级成一张动态的"细胞社交网络"。而你要做的，只是迈出第一步。

现在就去实践吧：克隆仓库git clone https://gitcode.com/gh_mirrors/ce/CellChat，先把tutorial/CellChat-vignette.Rmd完整跑通一遍，然后换成你自己的数据试一次。等第一张通讯网络图出现在屏幕上，你会理解为什么那么多论文都选择了它。

【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