专栏首页生信菜鸟团胞间互作工具——Cellchat(一)

胞间互作工具——Cellchat(一)

最初接触这个R包是去年年中,想做细胞间相互作用,又不会python,正好看到周老师的推文,就跟着学了学,CellChat:细胞间相互作用分析利器,当时CellChat包还是0.0.1版本,里面有不少小bug,文章放在预印版上,而今年二月份他终于见刊,发表在NC,现在R包也来到了1.1.2版本,并且在github上持续更新,今天我们来重新学习一次。

网址:https://github.com/sqjin/CellChat

首先是安装

 devtools::install_github("sqjin/CellChat")

可能会出现安装失败的情况,需满足:NMF包 (>= 0.23.0)、circlize包 (>= 0.4.12)、安装ComplexHeatmap以及UMAP python。

 install.packages('NMF')
 devtools::install_github("jokergoo/circlize")
 devtools::install_github("jokergoo/ComplexHeatmap")
 #pip install umap-learn

官网有教程,建议直接打包下载到本地,tutorial挨个看吧。

加载包

 library(CellChat)
 library(patchwork)
 options(stringsAsFactors = FALSE)##印象中新版R已经不需要这行代码了

Part 1:数据输入及预处理

 load(url("https://ndownloader.figshare.com/files/25950872")) # 官方提供了一个单细胞数据集,包括对照组和疾病组
 data.input = data_humanSkin$data # 均一化矩阵
 meta = data_humanSkin$meta # meta data 行名为细胞名
 table(meta$condition) ## 5011 LS    2552 NL 
 cell.use = rownames(meta)[meta$condition == "LS"] # 提取正常组织
 
 data.input = data.input[, cell.use]
 meta = meta[cell.use, ]
 unique(meta$labels)####这里的labels就是已经标记好的细胞类型,后续所谓的胞间分析都是在这些标签上进行的

看一下meta的结构

CellChat的输入需要的matrix和meta我们已经准备好,下面开始创建

 cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels")
 cellchat <- addMeta(cellchat, meta = meta)##增加其他meta信息
 cellchat <- setIdent(cellchat, ident.use = "labels") # 将 "labels" 设为默认细胞标记类型,这个可以根据自己的数据自定义
 levels(cellchat@idents)
 groupSize <- as.numeric(table(cellchat@idents)) # 每组细胞的数量

下面看一下基于配受体分析的数据库

 CellChatDB <- CellChatDB.human # 包括人和老鼠的,这里我们用human
 showDatabaseCategory(CellChatDB)###作者提供了可视化的代码,可以看到该数据库中“Secreted Signaling”占比过半
 dplyr::glimpse(CellChatDB$interaction)  ###看一下CellChatDB的基本结构
 CellChatDB_interaction <- CellChatDB$interaction
 CellChatDB.use <- subsetDB(CellChatDB, search = "Secreted Signaling") # 我们这里使用“Secreted Signaling”部分做后续的细胞通讯分析
 cellchat@DB <- CellChatDB.use

对表达数据做进一步预处理,节省算力

 cellchat <- subsetData(cellchat)
 cellchat <- identifyOverExpressedGenes(cellchat)###首先识别过表达基因(配体——受体)
 cellchat <- identifyOverExpressedInteractions(cellchat)###然后识别过表达配受体之间过表达的相互作用   (绕绕绕绕绕....)
 # project gene expression data onto PPI network (optional)
 cellchat <- projectData(cellchat, PPI.human)

Part 2:胞间通讯网络的预测及构建

计算胞间通讯概率,预测通讯网络

 cellchat <- computeCommunProb(cellchat)###这应该是核心的一行代码
 cellchat <- filterCommunication(cellchat, min.cells = 10)##过滤掉小于10个细胞的胞间通讯网络

作者还贴心的提供了胞间通讯网络的输出代码

 df.net <- subsetCommunication(cellchat)  ###自己输出一把,很好理解
 df.net <- subsetCommunication(cellchat, sources.use = c(1,2), targets.use = c(4,5))##配体细胞1群2群,受体细胞4群5群
 df.net <- subsetCommunication(cellchat, signaling = c("WNT", "TGFb"))##WNT及TGFb相关网络

在信号通路的水平进一步推测胞间通讯,计算聚合网络

 cellchat <- computeCommunProbPathway(cellchat)
 cellchat <- aggregateNet(cellchat)

这样我们就能可视化细胞互作的结果了

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

分别代表相互作用的数量及权重

下面展示每个细胞亚群发出的信号,

 mat <- cellchat@net$weight
 par(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])###通過edge.weight.max参数比较不同网络的边缘权重
 }

Part 3:胞间通讯网络的进一步可视化

CellChat提供为胞间通讯后续的数据探索、分析及可视化提供了多样功能

1.多种可视化方法:层次图、圆图、弦图、气泡图

2.更容易提取和可视化通讯网络的高阶信息。例如,它允许随时预测细胞群的主要信号输入和输出,以及这些种群和信号如何为功能协调。

3.它将社会网络分析、模式识别和多种学习方法相结合,采用一种综合的方法对推断的细胞-细胞通信网络进行定量表征和比较。

未完待续.....

本文分享自微信公众号 - 生信菜鸟团(bio_123456789),作者:Forest Lee

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2021-07-20

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • CellChat三部曲1:使用CellChat对单个数据集进行细胞间通讯分析

    自从周运来写了一篇cellchat的中文介绍教程《CellChat:细胞间相互作用分析利器》,然后R包作者也在B站做了直播介绍,cellchat作为一个细胞通讯...

    生信技能树jimmy
  • CellChat:细胞间相互作用分析利器

    我们知道,细胞间信息传递方式一个是细胞表面配受体的相互作用,另一个通过细胞产生的可溶性小分子,即细胞因子。在单细胞数据分析中下游,有时候我们想看某几种细胞类型之...

    生信技能树jimmy
  • 单细胞分析十八般武艺7:CellChat

    单细胞初级8讲和高级分析8讲 单细胞分析十八般武艺1:harmony 单细胞分析十八般武艺2:LIGER 单细胞分析十八般武艺3:fastMNN 单细胞分析十八...

    生信技能树jimmy
  • CellChat 三部曲3:具有不同细胞类型成分的多个数据集的细胞通讯比较分析

    此教程显示了如何将 CellChat 应用于具有不同细胞类型成分的多个数据集的比较分析。几乎所有的CellChat功能都可以应用。

    生信技能树jimmy
  • cellphonedb 及其可视化

    在单细胞数据分析过程中,上游的拆库定量,中游的分群注释,目前的门槛是很低的了。但是解析细胞类型异质性不应止于这些,还可以看细胞群之间的通讯。当然,这方面我们介绍...

    生信技能树jimmy
  • 细胞通讯分析结果的解读

    不过,虽然细胞通讯分析越来越普通,但它的难度并不会降低,在试图学习这个分析方法之前,大家需要自己提前了解一下:细胞通讯分析的背景知识,而且呢,还得看看细胞通讯分...

    生信技能树
  • 单细胞分析十八般武艺11:xCell

    单细胞初级8讲和高级分析8讲 单细胞分析十八般武艺1:harmony 单细胞分析十八般武艺2:LIGER 单细胞分析十八般武艺3:fastMNN 单细胞分析十八...

    生信技能树jimmy
  • 构建单细胞亚群网络(类似于细胞通讯分析)

    细胞通讯分析在肿瘤领域的单细胞研究数据处理很常见,因为恶性的肿瘤细胞并不是孤立存在的,它会跟其周围的肿瘤微环境(免疫细胞以及基质细胞)有着各种相互作用,影响着肿...

    生信技能树
  • 单细胞分析十八般武艺8:Garnett

    单细胞初级8讲和高级分析8讲 单细胞分析十八般武艺1:harmony 单细胞分析十八般武艺2:LIGER 单细胞分析十八般武艺3:fastMNN 单细胞分析十八...

    生信技能树jimmy
  • 生物活性材料诱导软组织修复过程的免疫微环境探究

    首先利用大鼠全层伤口模型发现取向组诱导创缘再上皮化效果最好、皮肤附属器官再生更多,皮下模型提示取向组的纤维沉积更少,伤后7天皮肤组织bulk 测序(n=3)提示...

    生信技能树jimmy
  • Network在单细胞转录组数据分析中的应用

    面向单细胞的技术革命,让我们得以进入新的研究层面,但也对传统的分析方法提出了一系列的挑战。单细胞技术正在弥补分子生物学和组织生物学之间的鸿沟,进入高通量时代以来...

    生信技能树jimmy
  • 单细胞实验也了解一下?让细胞计数更加准确的7个步骤

    单细胞数据处理教程我们已经分享了太多太多,而且也出了专辑介绍单细胞的各个技术原理,但是基本上没有涉及到实验操作本身。首先是因为我们都是生信工程师,不太有机会接触...

    生信技能树jimmy
  • TFmiR:TF、miRNA、target genes间互作用工具

    TFmiR是一个整合分析TF、miRNA、target genes间互作的免费的网络服务。

    生信交流平台
  • NicheNet ||细胞间相互作用分析

    NicheNet(https://github.com/saeyslab/nichenetr)是一个计算不同细胞间相互作用的R包,通过细胞的表达数据与已知的信号...

    生信编程日常
  • 单细胞测序如何指导临床问题?看这篇paper就够了

    几个月前的NGS创新者大会在杭州碰到了联川生物的沈总,说非常希望可以跟我们单细胞天地合作共同推广单细胞技术,就有了这个系列.

    生信技能树jimmy
  • Science述评|大规模单细胞组学解析人类基因遗传学互作

    评述论文:Exploring genetic interaction manifolds constructed from rich single-cell p...

    生信宝典
  • 单细胞分析十八般武艺3:fastMNN

    单细胞初级8讲和高级分析8讲 单细胞分析十八般武艺1:harmony 单细胞分析十八般武艺2:LIGER 重温seurat官方教程

    生信技能树jimmy
  • Signalling entropy: A novel network-theoretical fram摘要简介

    用户1359560
  • 2018 Cell系列相变最强综述,未来已来,你在哪?

    Trends in Cell Biology (Cell系列综述, 2018 IF: 18.564)于2018年6月1日在线发表了Steven Boeynaem...

    生信宝典

扫码关注云+社区

领取腾讯云代金券