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.....