亲近乱子伦免费视频中文字幕

胃癌单细胞数据集GSE163558复现(十二)：细胞通讯

发布日期：2025-12-24 11:10 点击次数：200

图片

序言

Hello小伙伴们群众好，我是生信手段树的小学徒”我才不吃蛋黄“。今天是胃癌单细胞数据集GSE163558复现系列第十二期。第十一期使用singleR对T细胞亚群进行细分。本期，我们将插足胃癌复现的临了一章，“细胞通讯”。

1.配景先容

肿瘤微环境中细胞类型、数量以及功能一直处于动态变化的过程，万般型的细胞构成了一个有序的斡旋体，而细胞之间时时的“互动”守护着斡旋体的动态均衡。这种互动不仅存在于同类型细胞之间，存在与不同类型的细胞间，致使是单个细胞的不同本领维度上。我们把这种互动，叫作念细胞通讯 (Cell–cell communication, CCC)。

换句话说，细胞通讯是受生化信号退换的细胞间相互作用，它或者退换单个细胞的生命过程和细胞间相关，并通过包括信号通路的各式生化响应来筹议。关于给定的信号通路，“发送信号”的配体与“受体细胞”名义抒发的相应受体卵白聚首，进而触发卑劣基因响应。那么这种提示平淡有两种类型的：自分泌，发送者和收受者是归并个细胞；旁分泌，发送者和收受者是两个不同的细胞。

奈何垄断单细胞测序数据从单个细胞和细胞群水平揭示细胞通讯？

现在也曾建立了好多器具，大盛大秩序是预计细胞群之间的细胞通讯：

SoptSC、CellChat使用非线性建模秩序盘算交互分数，SoptSC是预计单个细胞之间细胞通讯的秩序之一，CellChat推敲了配体和受体的多亚基结构，不错准确地默示异聚复合物，更好地笼统已知的配体-受体相互作用；

SoptSC、NicheNet 、scMLnet和CytoTalk等秩序讲授了受体细胞中的细胞内基因-基因相互作用；

scTensor对高阶相互作用进行建模，使用张量理会来检测多个细胞群和配体-受体对的多对多细胞通讯。

本期，我们先容的细胞通讯的秩序是“CellChat”。CellChat通过综合信号配体、受体超过辅因子基因的抒发只与它们之间互作的先验学问对细胞通讯概率建模。在预计出细胞间通讯收罗后，CellChat提供了进一步数据探索、分析和可视化的功能。

CellChat使命历程图如下：

图片

图片开始于简书Hayley札记：https://www.jianshu.com/p/b3d26ac51c5a2.数据分析2.1 导入数据

cellchat的导入的数据分为两个部分：尺度化的矩阵data和细胞分组信息mata，data储存的是基因抒发数据，行名是基因，列名是细胞。meta储存的是细胞标签，行名是细胞名，记着这个信息，不错便捷于分析的时分取子集。

最初祛除系统环境变量，加载R包及T细胞亚群数据：

rm(list=ls())library(Seurat)options(stringsAsFactors = F)library(SeuratObject)library(ggplot2)library(clustree)library(cowplot)library(dplyr)getwd()setwd("")dir.create("10-cellchat")setwd('10-cellchat/')sce=readRDS( "../9-T/T_sce_celltype.rds")library(CellChat)library(tidyverse)library(ggalluvial)table(sce$singleR)table(Idents(sce))Idents(sce) = sce$singleR

创建cellchat对象，导入配受体库，查察形色该数据库构成的饼状图

cellchat <- createCellChat(sce@assays$RNA$data, meta = sce@meta.data, group.by = "singleR")levels(cellchat@idents)groupSize <- as.numeric(table(cellchat@idents)) CellChatDB <- CellChatDB.human showDatabaseCategory(CellChatDB)

图片

胜仗使用CellChatDB全库进行细胞通讯分析：

CellChatDB.use <- CellChatDB

遴选特定的信号来进行分析，这里还不错遴选ECM-receptor和Cell-Cell Contact。

CellChatDB.use <- subsetDB(CellChatDB, search = "Secreted Signaling") cellchat@DB <- CellChatDB.use

预处分抒发数据以进行细胞间通讯分析

# subset the expression data of signaling genes for saving computation costcellchat <- subsetData(cellchat)cellchat <- identifyOverExpressedGenes(cellchat)cellchat <- identifyOverExpressedInteractions(cellchat)# project gene expression data onto PPI network (optional)cellchat <- projectData(cellchat, PPI.human)

2.2 细胞通讯展望

（1）盘算通讯概率并预计通讯收罗

#Compute the communication probability and iC3D1er cellular communication networkcellchat <- computeCommunProb(cellchat)# Filter out the cell-cell communication if there are only few number of cells in certain cell groups

这里如故不要过滤了，否则有些细胞亚群细胞数量过少被过滤掉之后会酿成数据不一致而无法进行后续分析

#cellchat <- filterCommunication(cellchat, min.cells = 10)

（2）索取配受体对细胞通讯效果表：

df.net <- subsetCommunication(cellchat, slot.name = 'net')head(df.net) #取得配受体对细胞通讯效果表# #或打听其它感酷爱酷爱/特定的细胞通讯效果：# df.net1 <- subsetCommunication(cellchat,#                                sources.use = c('LC'),#                                targets.use = c('FBN1+ FIB')) #打听特定细胞对联集# head(df.net1)df.net2 <- subsetCommunication(cellchat, signaling = c('MIF')) #打听特定信号通门道集head(df.net2)

（3）索取信号通路水平的细胞通讯表：

cellchat <- computeCommunProbPathway(cellchat) #盘算信号通路水平上的通讯概率df.netp <- subsetCommunication(cellchat, slot.name = 'netP') #取得信号通路水平细胞通讯表head(df.netp)

（4）细胞互作相关展示：盘算细胞对间通讯的数量和概率强度

cellchat <- aggregateNet(cellchat)

不同细胞亚群间的互作数量与概率/强度可视化：

细胞亚群间配受体数量收罗图：

groupSize <- as.numeric(table(cellchat@idents))par(mfrow = c(1,1), xpd = TRUE)netVisual_circle(cellchat@net$count,                 vertex.weight = groupSize,                 weight.scale = T,                 label.edge = F,                 title.name = 'Number of interactions')

图片

颜料代表不同的细胞亚群，圆圈的大小默示该细胞亚群所含配受体对数量。发出箭头的圆圈默示配体细胞亚群，箭头指向的圆圈默示受体细胞亚群。线的粗细默示细胞间互作配受体对数量，数量越多线越粗。

细胞亚群间配受体概率/强度收罗图：

par(mfrow = c(1,1), xpd = TRUE)netVisual_circle(cellchat@net$weight,                 vertex.weight = groupSize,                 weight.scale = T,                 label.edge= F,                 title.name = 'Interaction weights/strength')

图片

颜料代表不同的细胞亚群，圆圈的大小默示该细胞亚群所含配受体对数量。发出箭头的圆圈默示配体细胞亚群，箭头指向的圆圈默示受体细胞亚群。线的粗细默示通讯概率，概率越大线越粗。

查验单个细胞亚群的互作信号强度：

mat <- cellchat@net$weightpar(mfrow = c(3,4), xpd = TRUE)for (i in 1:nrow(mat)) {  mat2 <- matrix(0, nrow = nrow(mat), ncol = ncol(mat), dimnames = dimnames(mat))  mat2[i, ] <- mat[i, ]  netVisual_circle(mat2, vertex.weight = groupSize, weight.scale = T, edge.weight.max = max(mat), title.name = rownames(mat)[i])}saveRDS(cellchat,file = "cellchat.rds")

配受体对细胞通讯效果表：

df.net <- subsetCommunication(cellchat, slot.name = 'net')head(df.net)

信号通路水平细胞通讯效果表：

df.netp <- subsetCommunication(cellchat, slot.name = 'netP')head(df.netp)

使用收罗图可视化细胞亚群间配受体对的数量与概率：

par(mfrow = c(1,2), xpd = TRUE)netVisual_circle(cellchat@net$count,                 vertex.weight = groupSize,                 weight.scale = T,                 label.edge = F,                 title.name = 'Number of interactions')netVisual_circle(cellchat@net$weight,                 vertex.weight = groupSize,                 weight.scale = T,                 label.edge= F,                 title.name = 'Interaction weights/strength')

图片

信号通路查察：

cellchat@netP$pathways

以'MIF'信号通路展示为例：

pathways.show <- c('MIF')

（1）层级图（Hierarchy plot）画图查察细胞亚群及factor王法：

levels(cellchat@idents)

遴选其中感酷爱酷爱的细胞亚群：

vertex.receiver = c(1,2,3)par(mfrow = c(1,1))netVisual_aggregate(cellchat,                    layout = c('hierarchy'), #"circle", "hierarchy", "chord"                    signaling = pathways.show,                    vertex.receiver = vertex.receiver)

图片

（2）收罗图（Circle plot）画图

par(mfrow = c(1,1))netVisual_aggregate(cellchat,                    layout = c('circle'),                    signaling = pathways.show)

图片

（3）弦图（Chord diagram）画图

par(mfrow=c(1,1))netVisual_aggregate(cellchat,                    layout = c('chord'),                    signaling = pathways.show)

图片

（4）热图（Heatmap）画图

par(mfrow=c(1,1))netVisual_heatmap(cellchat,                  signaling = pathways.show,                  color.heatmap = c("white", "#b2182b"))

图片

2.3 信号通路有关配受体对水平的细胞通讯分析

盘算配受体对在指标信号通路中的孝顺度:

netAnalysis_contribution(cellchat, signaling = pathways.show)

配受体对孝顺条形图

图片

索取细胞对：

pairLR.CXCL <- extractEnrichedLR(cellchat,                                 signaling = pathways.show,                                 geneLR.return = FALSE)LR.show <- pairLR.CXCL[1,] #以孝顺度top1的配受体对为例pairLR.CXCL; LR.show

2.4 多个配受体对/信号通路水平介导的细胞通讯可视化

指定信号通路：

levels(cellchat@idents)netVisual_bubble(cellchat,                 sources.use = 4,                 targets.use = c(1:2),                 # signaling = c("MIF",'CCL"), #指定CCL和CXCL两个信号通路                 remove.isolate = FALSE)

指定配受体对：

pairLR.use <- extractEnrichedLR(cellchat, signaling = c("MIF")) #深信在指标信号通路中有遑急作用的配受体对pairLR.use

参与指标信号通路的基因在各细胞亚群的抒发散布展示：

plotGeneExpression(cellchat, signaling = 'MIF', type = 'violin')

图片

结语

胃癌复现系列到此杀青，感谢诸君小伙伴的谄谀，同期也相等感谢Jimmy老诚以及生信手段树诸君老诚的指点，宽待群众建议观点建议和月旦，你们的温雅是我们更新的能源。提前预报：肺腺癌单细胞数据集GSE189357复现系列，我们不见不散~

图片

本站仅提供存储行状，悉数试验均由用户发布，如发现存害或侵权试验，请点击举报。