CellChat一个报错

问题出在这里：
cellchat <- netClustering(cellchat, type = "functional")

修改为cellchat <- netClustering(cellchat, type = "functional", do.parallel = FALSE)

就ok了

——————分割线——————

library(future)

plan("multisession", workers = 4)  # 或者设置您想要的核心数

cellchat <- computeNetSimilarity(cellchat, type = "functional")

cellchat <- netEmbedding(cellchat, type = "functional")

#> Manifold learning of the signaling networks for a single dataset

cellchat <- netClustering(cellchat, type = "functional")

#> Classification learning of the signaling networks for a single dataset

# Visualization in 2D-space

netVisual_embedding(cellchat, type = "functional", label.size = 3.5)

Manifold learning of the signaling networks for a single dataset Classification learning of the signaling networks for a single dataset

#单数据集信令网络的流形学习

Error: No such strategy for futures: 'multiprocess' Traceback: 1. future::plan("multiprocess", workers = nCores) 2. do.call(tweak, args = args, quote = TRUE) 3. (function (strategy, ..., penvir = parent.frame()) . UseMethod("tweak"))(base::quote("multiprocess"), workers = base::quote(4), . penvir = base::quote(<environment>)) 4. tweak.character(base::quote("multiprocess"), workers = base::quote(4), . penvir = base::quote(<environment>)) 5. stopf("No such strategy for futures: %s", sQuote(strategy)) 6. stop(cond)

错误含义

#这个错误说明：No such strategy for futures: 'multiprocess'（没有这样的future策略：'multiprocess'）。

#错误发生在您尝试使用plan("multiprocess", workers = nCores)命令时，系统找不到名为"multiprocess"的并行计算策略。

之前跑cellchat一直遇到并行计算无法进行的问题，一直就是卡在这个multiprocess上。

future包是多核并行处理的R语言包，

future包中有效的并行策略包括：

• "sequential" - 顺序执行（非并行）
• "multisession" - 多会话并行（推荐用于R会话内并行）
• "multicore" - 多核心并行（仅适用于类Unix系统，Windows不支持）
• "cluster" - 集群并行（适用于多台机器）

问题出在这里：
cellchat <- netClustering(cellchat, type = "functional")

修改为cellchat <- netClustering(cellchat, type = "functional", do.parallel = FALSE)

就ok了

即，可以直接使用do.parallel = FALSE参数禁用并行计算
 

netClustering函数是CellChat包中的一个重要功能，用于对细胞间通讯网络进行聚类分析。这个函数的主要功能和特点如下：

1. 网络聚类：将具有相似信号传递模式的配体-受体对分组聚类，帮助识别功能相似的信号通路
2. 基于相似性：利用之前由computeNetSimilarity计算的网络相似性矩阵进行聚类
3. 降维分析：通常在netEmbedding函数执行的降维结果基础上进行聚类，将高维的信号网络信息降低到二维空间
4. 类型选择：
   • type = "functional"：基于功能相似性聚类（信号通路的功能模式）
   • type = "structural"：基于结构相似性聚类（信号通路的拓扑结构）
5. 聚类方法：使用k均值聚类或层次聚类等算法对网络进行分组
6. 并行计算选项：
   • do.parallel = TRUE：启用并行计算加速处理（默认）
   • do.parallel = FALSE：禁用并行计算，避免配置问题（如您所用的解决方案）
7. 结果应用：聚类结果可以通过netVisual_embedding等函数进行可视化，帮助研究人员理解信号通路的功能组织和模块化特征