单样本Cellchat(V2)细胞通讯分析学习和整理

细胞通讯分析是一种研究不同细胞类型之间如何通过信号分子（如配体和受体）进行相互交流和调控的分析方法。它在揭示细胞间相互作用的机制，理解组织和器官如何协调运作方面具有重要意义。

细胞通讯分析的主要内容如下：

1. 配体-受体相互作用： 每个细胞类型都会表达特定的配体和受体。细胞通讯分析通过研究这些配体和受体之间的相互作用，来了解细胞是如何“交流”的。例如，一个细胞释放的配体可以与另一种细胞的受体结合，从而触发一系列细胞内的信号传导事件。

2. 信号通路活性： 通过分析哪些信号通路在不同细胞类型之间被激活，研究者可以了解哪些信号通路在特定生物学过程中起作用，如细胞分化、免疫反应或疾病状态等。

3. 细胞间网络构建： 细胞通讯分析通常会构建一个细胞间的网络图，显示不同细胞类型之间的相互作用方式。这个网络可以帮助识别主要的信号发送者和接收者，以及哪些细胞在组织中起主导作用。

4. 定量分析： 通过计算细胞通讯的强度（如配体-受体结合的概率），可以定量分析不同细胞类型之间的通讯强度。这可以揭示在特定条件下，哪种细胞类型在通讯中占主导地位。

5. 功能富集分析： 细胞通讯分析还可以与功能富集分析结合使用，探讨哪些生物学功能或通路受到特定细胞通讯的调控。

常用工具：

1、CellChat：这是一个常用的 R 包，可以识别和量化不同细胞类型之间的通讯，并提供丰富的可视化工具。

2、CellPhoneDB：另一个广泛使用的工具，专注于基于配体-受体相互作用的细胞通讯分析。

本次主要来学习一下cellchat这个工具。

CellChatDB v2数据库中包含了丰富的先验信息：

1、数据库内容来源于已知文献的人和小鼠的配-受体相互作用信息。

2、这些信息包含了大约3300个经过验证的分子互作信息(_{40%是自分泌/旁分泌，}17%是细胞外基质-受体，_{13%是细胞-细胞间接触，}30%是非蛋白质信号）

3、相比于v1版本, CellChatDB v2增加了1000多种的蛋白质/非蛋白质的互作信息，比如代谢和突触信号传导。

4、对于数据没有直接作用的关键分子，该工具还能通过分析这些分子的关键介质/酶的情况来预测配-受体表达情况进而预测潜在通讯(这个是对~30%的非蛋白信号互作信息来源的解释)。

5、这个版本还增加了更多的附加注释信息：比如UniProtKB关键字（包括生物过程、分子功能、功能类别、疾病等）、亚细胞位置以及与神经递质的相关性。

6、人和小鼠的配受体库是不一样的，需要自行设定：CellChatDB.human/CellChatDB.mouse。

关于数据输入和准备的流程里开发者提供了不同数据的处理方式，包括conut matrix，seruat对象，SingleCellExperiment对象，Anndata对象等。

详细准备流程可以查看github官网，链接附在参考资料中，笔者这里使用的是Seurat对象。

步骤流程

1.导入

rm(list?=?ls())
library(CellChat)
library(Seurat)
library(qs)
library(patchwork)
library(BiocParallel)
register(MulticoreParam(workers?=?4,?progressbar?=?TRUE))
load('scRNA.Rdata')?

#?check一下
DimPlot(scRNA,pt.size?=?0.8,group.by?=?"celltype",label?=?T)

2.数据预处理

CellChat需要两个用户输入:一个是细胞的基因表达数据，另一个是用户分配的细胞标签。

对于基因表达数据矩阵，行为基因，列为细胞。

CellChat需要数据归一化数据。如果是count数据，里面内置了功能可以进行处理转换(但一般不用count,使用归一化数据)。

建议使用前先捋顺自己的数据。

data.input?<-?GetAssayData(scRNA,?layer?=?'data')
meta?<-?scRNA@meta.data[,c("orig.ident","celltype")]
colnames(meta)?<-??c("group","celltypes")
table(meta$celltypes)
meta$celltypes?<-?gsub("?cells|-cells",?"",?meta$celltypes)
table(meta$celltypes)
?#?Adipocytes???????????B??????CD4+?T??????CD8+?T?Endothelial?Fibroblasts?
?#????????244?????????667????????1007?????????547??????????28?????????762?
?#??Monocytes?Neutrophils??????????NK?
?#????????311?????????378??????????87?

#?建议提前对celltype进行排序~?
identical(rownames(meta),colnames(data.input))
celltype_order?<-?c("CD4+?T","CD8+?T","B","Adipocytes","Endothelial",
????????????????????"Fibroblasts","Monocytes","Neutrophils","NK")
meta$celltypes?<-?factor(meta$celltypes?,levels?=?celltype_order)
#?根据?meta$celltypes?的顺序进行排序
ordered_indices?<-?order(meta$celltypes)
#?对?meta?和?data.input?进行排序
meta?<-?meta[ordered_indices,?]
data.input?<-?data.input[,?ordered_indices]
identical(rownames(meta),colnames(data.input))

3.创建Cellchat对象

#?构建cellchat
cellchat?<-?createCellChat(object?=?data.input,?
???????????????????????????meta?=?meta,?
???????????????????????????group.by?=?"celltypes")
levels(cellchat@idents)
#?[1]?"CD4+?T"??????"CD8+?T"??????"B"???????????"Adipocytes"??"Endothelial"?"Fibroblasts"
#?[7]?"Monocytes"???"Neutrophils"?"NK"?

4.设置配体-受体相互作用数据库

CellChatDB?<-?CellChatDB.human?#?use?CellChatDB.mouse?if?running?on?mouse?data
showDatabaseCategory(CellChatDB)
dplyr::glimpse(CellChatDB$interaction)

#?使用CellChatDB的中特定的数据库进行细胞-细胞通信分析
#?示例中使用了Secreted?Signaling
#?CellChatDB.use?<-?subsetDB(CellChatDB,?search?=?"Secreted?Signaling",?key?=?"annotation")?

#?Only?uses?the?Secreted?Signaling?from?CellChatDB?v1
#??CellChatDB.use?<-?subsetDB(CellChatDB,?search?=?list(c("Secreted?Signaling"),?c("CellChatDB?v1")),?key?=?c("annotation",?"version"))

#?使用所有CellChatDB数据进行细胞-细胞通信分析。
CellChatDB.use?<-?CellChatDB?

#?在构建的cellchat中设定需要使用的数据库
cellchat@DB?<-?CellChatDB.use

5.预处理细胞-细胞通讯分析的表达数据

cellchat?<-?subsetData(cellchat)?
#?future::plan("multisession",?workers?=?1)?#?do?parallel
cellchat?<-?identifyOverExpressedGenes(cellchat)
cellchat?<-?identifyOverExpressedInteractions(cellchat)
#?默认情况下,cellchat使用object@data.signaling进行网络推断
#?此外提供了projectData函数,将基因投射到PPI，开发者说PPI并不会或导致很少的伪通讯
cellchat?<-?projectData(cellchat,?PPI.human)

如何推断细胞间的通讯信息：

该工具可识别纳入分析数据的细胞群中存在