空转 | CellChat-V2，揭秘空间转录组数据的细胞通讯分析
空转 | CellChat-V2，揭秘空间转录组数据的细胞通讯分析
这里介绍下空间转录组的CellChat分析 以及 和单细胞转录组的一些区别。
一 数据输入，处理
1，载入R包和数据
仍然使用空转 | 结合scRNA完成空转spot注释（Seurat Mapping） & 彩蛋（封面的空转主图代码）推文中的空转数据进行示例展示。
注：CellChat分析中 Cell labels cannot contain `0`! ，因为未作细胞注释，因此将cluster前面加C 。
options(stringsAsFactors = FALSE)
library(CellChat)
library(Seurat)
library(tidyverse)
library(viridis)
library(RColorBrewer)
#载入数据
load("Brain_ST_scRNA.sBio.Rdata")
#查看数据情况
Brain_ST@meta.data$celltype <- paste("C",Brain_ST$seurat_clusters,sep = "")
Idents(Brain_ST) <- "celltype"
head(Brain_ST)
#可定义颜色
color.use <- scPalette(nlevels(Brain_ST))
names(color.use) <- levels(Brain_ST)
SpatialDimPlot(Brain_ST, label = TRUE, label.size = 3, cols = color.use)
2，准备输入文件
和单细胞区别之一：空间转录组除矩阵和meta外，还需要额外输入空间图像信息 以及 Scale factor信息 。
#矩阵信息
data.input = Seurat::GetAssayData(Brain_ST, slot = "data", assay = "SCT")
#meta信息
meta = data.frame(labels = Idents(Brain_ST), #名字自定义
row.names = names(Idents(Brain_ST))) # manually create a dataframe consisting of the cell labels
unique(meta$labels)
# 空间图像信息
spatial.locs = Seurat::GetTissueCoordinates(Brain_ST, scale = NULL,
cols = c("imagerow", "imagecol"))
# Scale factors and spot diameters 信息
scale.factors = jsonlite::fromJSON(txt =
file.path("E:/bioinformation/sc_ST/data/Brain_35707680/spatial", 'scalefactors_json.json'))
scale.factors = list(spot.diameter = 65, spot = scale.factors$spot_diameter_fullres, # these two information are required
fiducial = scale.factors$fiducial_diameter_fullres, hires = scale.factors$tissue_hires_scalef, lowres = scale.factors$tissue_lowres_scalef # these three information are not required
)scalefactors_json.json在构建空转Object时候用到的， 查找一下路径即可。
3，创建CellChat对象
使用上述准备好的矩阵数据、meta信息，图像信息和scale factor信息构建CellChat对象，通过 group.by 定义分组。
cellchat <- createCellChat(object = data.input,
meta = meta,
group.by = "labels", #前面的meta ，定义的名字是labels
datatype = "spatial", ###
coordinates = spatial.locs,
scale.factors = scale.factors)注意datatype 要选择 "spatial" 。
4，设置参考数据库
因为空转数据是人的，这里直接选择CellChatDB.human（鼠的话选择 CellChatDB.mouse） 。
CellChatDB <- CellChatDB.human # use CellChatDB.mouse if running on mouse data
# use a subset of CellChatDB for cell-cell communication analysis
#CellChatDB.use <- subsetDB(CellChatDB, search = "Secreted Signaling", key = "annotation") # use Secreted Signaling
# use all CellChatDB for cell-cell communication analysis
CellChatDB.use <- CellChatDB # simply use the default CellChatDB
# set the used database in the object
cellchat@DB <- CellChatDB.use注1：使用全部的用于cellchat分析，也可以不进行subsetDB，直接指定cellchat@DB <- CellChatDB 即可。
注2：如果你有关心的配受体对 且 不在该数据库中，也可以自行添加上。大概步骤就是下载对应的csv（数据库），在对应的列上添加上你的配受体对信息，保存后重新读取新的csv即可，详细见https://htmlpreview.github.io/?https://github.com/sqjin/CellChat/blob/master/tutorial/Update-CellChatDB.html。
5，CellChat预处理
可以使用subsetData选择进行cellchat的子集，注意使用全集的话也要subsetData一下。
# subset the expression data of signaling genes for saving computation cost
cellchat <- subsetData(cellchat) # This step is necessary even if using the whole database
future::plan("multisession", workers = 1) #笔记本可以选1
##识别过表达基因
cellchat <- identifyOverExpressedGenes(cellchat)
#识别过表达配体受体对
cellchat <- identifyOverExpressedInteractions(cellchat)二 推断cell-cell network
前面数据和配体受体库准备好之后，就可以根据表达值推断细胞类型之间的互作了。
1，推断细胞通讯网络
使用表达值推测细胞互作的概率
cellchat <- computeCommunProb(cellchat,
type = "truncatedMean", trim = 0.1,
distance.use = TRUE,
scale.distance = 0.01)
cellchat <- filterCommunication(cellchat, min.cells = 10)注1：type 默认为triMean，producing fewer but stronger interactions; 当设置‘type = "truncatedMean"', 需要跟 'trim'参数 , producing more interactions.
注2：distance.use = FALSE 会过滤掉较远空间距离之间的交互
注3：空转默认的是truncatedMean 和 trim组合，根据经验进行适当的调整。
2，计算cell-cell communication
使用computeCommunProbPathway计算每个信号通路的所有配体-受体相互作用的通信结果，结存存放在net 和 netP中 。
然后使用aggregateNet计算细胞类型间整合的细胞通讯结果。
#计算每个信号通路相关的所有配体-受体相互作用的通信结果
cellchat <- computeCommunProbPathway(cellchat)
#计算整合的细胞类型之间通信结果
cellchat <- aggregateNet(cellchat)
与单细胞转录组一样，得到的net中也会有count 和 weight 两个维度，可以选择性可视化。
三 CellChat 可视化
除了和单细胞转录组一致的可视化外，还有一些空转特有的可视化展示。
1，celltype之间通讯结果
1）根据使用netVisual_circle显示任意两个celltype之间的通讯次数（左）或总通讯强度(右)
groupSize <- as.numeric(table(cellchat@idents))
par(mfrow = c(1,2), xpd=TRUE)
netVisual_circle(cellchat@net$count, vertex.weight = rowSums(cellchat@net$count),
weight.scale = T, label.edge= F, title.name = "Number of interactions")
netVisual_circle(cellchat@net$weight, vertex.weight = rowSums(cellchat@net$weight),
weight.scale = T, label.edge= F, title.name = "Interaction weights/strength")
2）根据使用netVisual_heatmap显示任意两个celltype之间的通讯次数（左）或总通讯强度(右)
p1 <- netVisual_heatmap(cellchat, measure = "count", color.heatmap = "Blues")
p2 <- netVisual_heatmap(cellchat, measure = "weight", color.heatmap = "Blues")
p1 + p2
2，单个信号通路可视化
首先根据cellchat@netP$pathways展示当前有哪些通路结果，选择感兴趣的进行展示，此处示例展示SPP1通路。
levels(cellchat@idents) 查看当前的celltype顺序，然后可以通过vertex.receiver指定target 的细胞类型。
1）层级图
绘制层级图的话 ，需要指定layout为hierarchy ，当前版本默认下出来的是circle图。
cellchat@netP$pathways
pathways.show <- c("SPP1")levels(cellchat@idents)
#[1] "C9" "C3" "C5" "C4" "C0" "C7" "C6" "C8" "C1" "C2"
vertex.receiver = c(1,2,4,5) #选择的是levels(cellchat@idents) 中的
netVisual_aggregate(cellchat, signaling = pathways.show,
vertex.receiver = vertex.receiver,layout = "hierarchy")
左图中间的Target是vertex.receiver选定的细胞类型，右图是除vertex.receiver选中之外的另外的细胞类型。
注意vertex.receiver = c(1,2,4,5) 选择的是levels(cellchat@idents) 中的第1 2 4 5 个celltype 而不是C1 C2 C4 C5。
2）和弦图
可以额外绘制空间转录组版本的和弦图，添加layout = "spatial" 。
# Circle plot
par(mfrow=c(1,1))
netVisual_aggregate(cellchat, signaling = pathways.show, layout = "circle")
# Spatial plot
par(mfrow=c(1,1))
netVisual_aggregate(cellchat, signaling = pathways.show, layout = "spatial",
edge.width.max = 2, vertex.size.max = 1,
alpha.image = 0.2, vertex.label.cex = 3.5)
3） network centrality scores
# Compute the network centrality scores
cellchat <- netAnalysis_computeCentrality(cellchat, slot.name = "netP") # the slot 'netP' means the inferred intercellular communication network of signaling pathways
# Visualize the computed centrality scores using heatmap, allowing ready identification of major signaling roles of cell groups
par(mfrow=c(1,1))
netAnalysis_signalingRole_network(cellchat, signaling = pathways.show,
width = 8, height = 2.5, font.size = 10)
3，绘制配体受体气泡图
1）指定受体-配体细胞类型
绘制指定受体-配体细胞类型中的全部配体受体结果的气泡图，通过sources.use 和 targets.use指定。
#指定受体-配体细胞类型
netVisual_bubble(cellchat, sources.use = c(3,5),
targets.use = c(1,2,4,6), remove.isolate = FALSE)
2）指定受体-配体细胞类型 且 指定通路
同时通过signaling指定展示通路
netVisual_bubble(cellchat, sources.use = c(3,5), targets.use = c(1,2,4,6),
signaling = c("TGFb","SPP1"), remove.isolate = FALSE)
3）ligand-receptor pair 表达
# Take an input of a ligand-receptor pair and show expression in binary
spatialFeaturePlot(cellchat, pairLR.use = "IGF1_IGF1R", point.size = 1.5,
do.binary = TRUE, cutoff = 0.05, enriched.only = F,
color.heatmap = "Reds", direction = 1)
以上就完成了CellChat 在空转数据中的应用。
四 参考资料
更多的可视化展示方式详见官网：
[1]https://github.com/jinworks/CellChat
[2]https://htmlpreview.github.io/?https://github.com/jinworks/CellChat/blob/master/tutorial/CellChat_analysis_of_spatial_imaging_data.html
[3]CellChat for systematic analysis of cell-cell communication from single-cell and spatially resolved transcriptomics