细胞通讯分析：CellChat

跟完这篇，您能把一份已经注释好细胞类型的单细胞数据，做成「哪类细胞通过哪条信号通路在跟哪类细胞对话」的结论：会算配体-受体通讯、读懂细胞通讯网络图、比较两组之间的通讯差异，也清楚这些结论到底能说到哪一步、不能说什么。

单细胞数据把一块组织拆成了一个个细胞，但细胞不是各自孤立的——它们靠分泌配体、被别的细胞的受体接收来彼此协调。CellChat 做的事，就是根据每类细胞里配体和受体基因的表达量，推断「发信号的细胞」和「收信号的细胞」之间可能存在多强的通讯，并把成百上千对配体-受体归拢成信号通路来看。请先记住一个词：推断。CellChat 给出的是基于表达量算出来的「通讯概率」，是待验证的假说，不是细胞之间真发生了对话的证据。这条边界贯穿全篇，末节会专门讲。

开始之前：您手上要有什么

CellChat 是注释之后的一步，动手前请确认两样东西已经就绪：

一份 log 标准化后的表达矩阵：基因 × 细胞，用的是标准化后的数据（Seurat 的 data 层，即 NormalizeData 的结果），不是原始 counts。
一列可靠的细胞类型标签：每个细胞归到哪一类，这一列的质量直接决定通讯结果的质量。标签错了，后面算得再漂亮也是错的。注释怎么做、怎么核对，见细胞注释：手动 marker 与自动 SingleR。

CellChat 的输入可以直接从 Seurat 对象里取：

library(CellChat)
library(Seurat)

# 从 Seurat 对象取 log 标准化数据与细胞类型标签
data.input <- GetAssayData(seu, assay = "RNA", slot = "data")  # 基因 × 细胞
meta <- data.frame(labels = Idents(seu), row.names = colnames(seu))

物种要对上：人用 CellChatDB.human，小鼠用 CellChatDB.mouse，别混。基因命名（人用大写、小鼠首字母大写）也要和数据库一致。

第一步：建对象、选配体-受体数据库

先把表达数据和细胞标签包成一个 CellChat 对象，再挂上一套配体-受体数据库——这套库就是「已知哪些配体配哪些受体」的字典，所有推断都以它为准。

# 建对象，group.by 指向 meta 里的细胞类型那一列
cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels")

# 挂数据库（人）
CellChatDB <- CellChatDB.human
cellchat@DB <- CellChatDB

CellChatDB 把配体-受体对分成三类，可按研究问题只取其中一部分：

类别	含义	什么时候用
`Secreted Signaling`	分泌型信号（配体扩散出去被远处受体接收）	最常用，关注旁分泌 / 内分泌式通讯时选它
`ECM-Receptor`	细胞外基质与受体	关注细胞与基质互作时
`Cell-Cell Contact`	需要细胞直接接触的信号	关注贴身接触型通讯时

只想看分泌型信号，就先把数据库子集出来再挂：

# 只取分泌型信号；不加这步则用全库
CellChatDB.use <- subsetDB(CellChatDB, search = "Secreted Signaling", key = "annotation")
cellchat@DB <- CellChatDB.use

第二步：算通讯概率

这一步是核心。先做预处理（挑出在各类细胞里显著表达的基因和对应的配体-受体对），再按「质量作用定律」的思路，用配体和受体的表达量算出每一对「发送细胞类型 → 接收细胞类型」在每条信号上的通讯概率。

# 预处理：挑显著表达的基因，再据此挑出有表达支撑的配体-受体对
cellchat <- subsetData(cellchat)
cellchat <- identifyOverExpressedGenes(cellchat)
cellchat <- identifyOverExpressedInteractions(cellchat)

# 算通讯概率（配体-受体层面），并对结果做置换检验给出 p 值
cellchat <- computeCommunProb(cellchat)

# 过滤：一类细胞数太少，通讯估计不可靠，直接剔除
cellchat <- filterCommunication(cellchat, min.cells = 10)

# 归并到信号通路层面，再把网络按细胞类型对聚合
cellchat <- computeCommunProbPathway(cellchat)
cellchat <- aggregateNet(cellchat)

几点要知道：

computeCommunProb 默认用 type = "triMean"，倾向于给出更少但更强的通讯，结果更保守。它同时跑置换检验，给每一对配体-受体一个 p 值——所以「通讯概率」和「是否显著」是两码事，都要看。
filterCommunication(min.cells = 10) 是常用惯例，非铁律：细胞数太少的类别，表达均值抖动大，通讯估计不可信。数据里稀有细胞多可适当调整，但要清楚放宽后这些类别的结论更该谨慎。
CellChat 有两个层级：配体-受体对（细）和信号通路（粗）。一条通路（如 TGFb）往往由多对配体-受体共同构成，看通路更稳、看具体配体-受体对更细。

想把推断出的显著通讯拉成一张表逐条看，用 subsetCommunication：

# 每行是一对「发送类型 → 接收类型 + 某配体-受体对」，带 prob 和 pval
df.net <- subsetCommunication(cellchat)
head(df.net)

读懂网络图

CellChat 最常看的是一张圆形网络图：每个点是一类细胞，点之间的连线表示通讯，箭头方向是「配体发送方 → 受体接收方」。有两种权重，别看混：

数量（count）：两类细胞之间有多少对显著的配体-受体在通讯。
强度（weight）：这些通讯的概率加总，代表通讯的「量级」。

groupSize <- as.numeric(table(cellchat@idents))

par(mfrow = c(1, 2))
# 左：通讯数量；右：通讯强度
netVisual_circle(cellchat@net$count,  vertex.weight = groupSize,
                 weight.scale = TRUE, label.edge = FALSE, title.name = "通讯数量")
netVisual_circle(cellchat@net$weight, vertex.weight = groupSize,
                 weight.scale = TRUE, label.edge = FALSE, title.name = "通讯强度")

读这张图的顺序：

先看谁连谁：线越粗，两类细胞之间通讯越多 / 越强；没有线就是没算出显著通讯。
看方向：箭头从发送方指向接收方。同一对细胞可能双向通讯，粗细未必对称。
数量 ≠ 强度：可能配体-受体对不多，但每一对都很强（强度高、数量低）；反之亦然。两张图对照着看。

想聚焦某一条通路，或想看具体是哪些配体-受体对在起作用：

# 单看某条通路的通讯网络
pathways.show <- c("TGFb")   # 换成您数据里显著的通路名
netVisual_aggregate(cellchat, signaling = pathways.show, layout = "circle")

# 热图：行列是细胞类型，颜色深浅是该通路的通讯强度
netVisual_heatmap(cellchat, signaling = pathways.show, color.heatmap = "Reds")

# 这条通路里，各配体-受体对各贡献了多少
netAnalysis_contribution(cellchat, signaling = pathways.show)

想在指定的发送方、接收方之间，一次看清哪些配体-受体对显著，用气泡图——点大小代表显著性、颜色代表通讯概率：

# sources.use / targets.use 填细胞类型的编号或名称
netVisual_bubble(cellchat, sources.use = 1, targets.use = c(2, 3, 4),
                 remove.isolate = FALSE)

谁在发信号、谁在收

除了「谁连谁」，还常问「哪类细胞是通讯枢纽」。CellChat 用网络中心性来刻画每类细胞在一条通路里的角色：主要发送者（sender）、主要接收者（receiver）、中介者（mediator）、影响者（influencer）。

# 先算每条通路的网络中心性
cellchat <- netAnalysis_computeCentrality(cellchat, slot.name = "netP")

# 看某条通路里各细胞类型分别扮演什么角色
netAnalysis_signalingRole_network(cellchat, signaling = pathways.show,
                                  width = 8, height = 2.5)

# 二维散点：横轴总发送强度、纵轴总接收强度，一眼看出谁主发、谁主收
netAnalysis_signalingRole_scatter(cellchat)

散点图右下方的细胞类型是「话多的发送者」，左上方是「主要在听的接收者」，右上方则是又发又收的通讯核心。这一步帮您从一堆连线里，快速锁定值得深挖的细胞类型和通路。

组间通讯差异怎么比

真正有生物学价值的问题，往往是「病例组比对照组，通讯多了还是少了、哪条通路变了」。CellChat 的做法是：两组各自独立跑完上面全套，得到两个 CellChat 对象，再合并来比。

# cellchat.NL、cellchat.LS 是两组各自跑完的对象；标签必须完全一致
object.list <- list(NL = cellchat.NL, LS = cellchat.LS)
cellchat <- mergeCellChat(object.list, add.names = names(object.list))

第一层，比总量——两组的通讯总数量、总强度谁高谁低：

compareInteractions(cellchat, show.legend = FALSE, group = c(1, 2))
compareInteractions(cellchat, show.legend = FALSE, group = c(1, 2), measure = "weight")

第二层，看差异网络——红色代表在第二组里增强、蓝色代表减弱，直接看出哪对细胞之间的通讯变了：

par(mfrow = c(1, 2))
netVisual_diffInteraction(cellchat, weight.scale = TRUE)                    # 数量之差
netVisual_diffInteraction(cellchat, weight.scale = TRUE, measure = "weight") # 强度之差

第三层，把通路按「信息流」排序，看哪些通路在两组间此消彼长，do.stat = TRUE 会做显著性检验：

# stacked = TRUE 看相对占比，FALSE 看绝对值；两组同一通路并排比
rankNet(cellchat, mode = "comparison", stacked = TRUE,  do.stat = TRUE)
rankNet(cellchat, mode = "comparison", stacked = FALSE, do.stat = TRUE)

比较分析的三条纪律：

两组的细胞类型标签必须一致：类别名、粒度都要对齐，否则「差异」里混着的是注释口径的差异，不是生物学差异。
别只盯绝对量：一组细胞数多、测序深，通讯总量天然偏高。stacked = TRUE 看相对占比，能抵消一部分这种规模差异。
差异要落到通路和配体-受体上：说「A 组通讯更强」意义有限，要能指到「是 TGFb 通路在某对细胞间增强了」，才是可跟进、可验证的结论。

结论解读的边界

这是全篇最该慢下来读的一节。CellChat 的结论用错地方，比不做还糟。

说法	能不能这么说	为什么
「A 细胞和 B 细胞之间可能存在 TGFb 通讯」	可以	这是基于表达量的推断、待验证的假说
「A 细胞正在给 B 细胞发 TGFb 信号」	不能	CellChat 只看 mRNA 表达，没测蛋白、没测结合、没测下游是否真被激活
「这条通讯导致了表型变化」	不能	相关不等于因果，快照数据说不了因果和时序
「通讯概率 0.8 比 0.4 强一倍」	谨慎	它是相对打分，不是真实概率，跨数据集直接比数值不可靠

几条务必记住的局限：

推断，不是测量。通讯概率来自配体、受体基因的表达量，走的是「表达高 → 可能通讯强」的逻辑。mRNA 高不等于蛋白高，蛋白在不等于真的结合、真的激活了下游。所有结论都是待实验验证的假说。
依赖数据库，且数据库不完整。没被收录的配体-受体对，CellChat 一律看不到；库以外的通讯不会出现在结果里，「没算出来」不等于「不存在」。
不含空间信息。标准 CellChat 不知道两类细胞在组织里是不是真挨得够近。分泌型信号还好，接触型信号尤其要留意——表达对得上，物理上够不着也白搭。
对细胞数敏感。min.cells 之下的类别被剔除；即便留下，稀有类别的通讯估计也更抖、更该谨慎。
是筛线索的工具。CellChat 的正确用法是从全景里筛出值得深挖的通讯，再拿共染、配体受体阻断、体外共培养等实验去验证——它给的是方向，不是定论。

一句话收尾：把 CellChat 的输出当成「值得下一步验证的候选通讯清单」来用，而不是当成「细胞对话的实况记录」。

在平台上跑一遍

上面从建对象到组间比较的整套流程，在「百沐一下」不写代码也能走完：上传注释好的单细胞数据（要有细胞类型那一列），用一句话说清目的——例如「用 CellChat 分析这份人外周血数据的细胞通讯，再比较 disease 和 control 两组的通讯差异」，平台会自动完成建库、算通讯概率、出网络图与差异图，并连同结果表和可复现的 R 代码一起交付。功能说明见组学分析助手使用指南，或直接到 app.baimuyixia.com 试一遍。