企业官网建设流程全解析

• 生物信息学
• 科研
• 数据分析

CellChat 是一个开源的 R 工具包（R toolkit），专门用于从单细胞转录组（scRNA-seq）和空间转录组数据中推断、可视化并分析细胞-细胞通讯（cell-cell communication）。它基于人工 curated 的配体-受体互作数据库 CellChatDB，结合配体-受体表达水平，计算任意两个细胞群之间通讯发生的概率，并提供丰富的网络图、弦图、气泡图以及定量分析方法。本文带你走一遍完整流程：从安装 CellChat，到准备输入数据、跑通通讯推断，再到出图和系统分析，零基础用户也能在 30 分钟左右完成第一个单细胞细胞通讯分析。

一、CellChat 能做什么？1 分钟认识核心能力

CellChat 的核心思路是：把你手里已经分好群的单细胞表达矩阵，与CellChatDB 配体-受体数据库（人类约 3,300 个文献支持的分子互作）结合，逐对计算"谁发信号、谁收信号、信号有多强"。主要能力包括 🧬：

• 通讯推断：以配体-受体对和信号通路（如 WNT、TGFb、CXCL）为粒度，给出带概率值的细胞-细胞通讯网络；
• 可视化：层级图（Hierarchy）、圆形图（Circle）、弦图（Chord）、气泡图（Bubble）、热图（Heatmap）等，直观展示细胞群之间的信号流动；
• 定量分析：用社会网络分析（中心性指标）识别主要信号发送者/接收者，用模式识别发现全局通讯模式，用流形学习对通路聚类；
• 多数据集比较：支持在不同条件/组织间比较通讯网络的差异。

完整的功能总览可参考官方教程 CellChat-vignette.Rmd，本文按"最小可跑通"的路径提炼。

二、环境准备与安装：约 10 分钟

1. 系统要求

• R（≥ 3.6.0）、macOS / Windows / Linux 均可；
• 内存建议 ≥ 8GB，能装下你的表达矩阵即可；
• 若后续使用降维可视化，还需安装 Python 包umap-learn（pip install umap-learn）。

2. 一键克隆并本地安装

git clone https://gitcode.com/gh_mirrors/cel/CellChat

然后在 R 中执行：

devtools::install_local("CellChat", dependencies = TRUE) library(CellChat)

💡 依赖较多（NMF、ComplexHeatmap、circlize 等约 50 个包），首次安装建议预留 10 分钟。依赖列表见 DESCRIPTION。

三、数据准备：CellChat 只需要 2 样东西

CellChat 对输入的要求非常"友好"，只有两个必须输入 ✅：

如果你用的是 Seurat / SingleCellExperiment / Scanpy（AnnData）对象，也都能直接对接，官方教程给出了逐对象的取数方式，详见 Interface_with_other_single-cell_analysis_toolkits.Rmd：

• Seurat：seurat_object[["RNA"]]@data取出归一化矩阵，Idents()取标签；
• SingleCellExperiment：logcounts(object)取矩阵，colData(object)取元数据；
• AnnData：可用anndataR 包读取.h5ad文件。

四、跑通第一个分析：核心 6 步（约 15 分钟）

下面是最小化的主流程，每步都对应 CellChat-vignette.Rmd 中的完整示例。

步骤 1️⃣ 创建 CellChat 对象

cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels")

createCellChat定义了核心CellChat对象（S4 类，源码见 CellChat_class.R），后续所有分析都挂在它上面。若忘记传入 meta，之后也能用addMeta补上、setIdent切换默认细胞身份。

步骤 2️⃣ 设置配体-受体数据库 CellChatDB

人用CellChatDB.human，鼠用CellChatDB.mouse，数据文件位于 data/CellChatDB.human.rda 和 data/CellChatDB.mouse.rda：

CellChatDB <- CellChatDB.human showDatabaseCategory(CellChatDB) # 查看数据库分类 CellChatDB.use <- subsetDB(CellChatDB, search = "Secreted Signaling", key = "annotation") cellchat@DB <- CellChatDB.use

数据库把互作分为 Secreted Signaling、ECM-Receptor、Cell-Cell Contact、Non-protein Signaling 四类；默认建议先用分泌信号类子集（subsetDB筛选）。

步骤 3️⃣ 识别高表达配体/受体

cellchat <- subsetData(cellchat) # 只保留信号基因，省时 future::plan("multisession", workers = 4) # 开 4 核并行 cellchat <- identifyOverExpressedGenes(cellchat) # 找各组高表达信号基因 cellchat <- identifyOverExpressedInteractions(cellchat) # 找高表达的 L-R 对

步骤 4️⃣ 计算通讯概率并推断网络

这是最核心的一步，CellChat 基于质量作用定律（law of mass action）+ 置换检验打分：

cellchat <- computeCommunProb(cellchat, type = "triMean") # 核心：通讯概率矩阵 cellchat <- filterCommunication(cellchat, min.cells = 10) # 过滤细胞数过少的组 cellchat <- computeCommunProbPathway(cellchat) # 汇总到信号通路层面 cellchat <- aggregateNet(cellchat) # 生成聚合网络

⚠️ 新手最常问的问题：type = "triMean"（默认）产出的互作偏少偏强，适合锁定强信号；若发现已知通路没被预测出来，可改用type = "truncatedMean", trim = 0.1放宽阈值（详见 CellChat-vignette.Rmd 的 CAUTION 说明）。

步骤 5️⃣ 出图：5 分钟拿到"论文级"网络图

pathways.show <- "CXCL" netVisual_aggregate(cellchat, signaling = pathways.show) # 层级图 netVisual_aggregate(cellchat, signaling = pathways.show, layout = "circle") # 圆形图 netVisual_aggregate(cellchat, signaling = pathways.show, layout = "chord") # 弦图 netVisual_bubble(cellchat, sources.use = 1, targets.use = 2:5) # 气泡图

图中边越粗代表信号越强，圆圈大小与细胞数量成正比；所有显著通路可遍历cellchat@netP$pathways批量出图。

步骤 6️⃣ 保存对象，随时复用

saveRDS(cellchat, file = "cellchat_humanSkin_LS.rds")

之后加载对象即可直接跳到分析/可视化环节，无需重算概率。

五、进阶 5 分钟：从"看图"到"定量结论" 📊

跑通基础流程后，两个最常用的系统分析功能强烈建议补上（实现位于 R/analysis.R）：

1. 谁是最主要的信号发送者/接收者？（网络中心性）

cellchat <- netAnalysis_computeCentrality(cellchat, slot.name = "netP") netAnalysis_signalingRole_network(cellchat, signaling = "CXCL") # 热图 netAnalysis_signalingRole_scatter(cellchat) # 2D 散点

2. 多种细胞群 + 多条通路如何协同？（通讯模式识别）

selectK(cellchat, pattern = "outgoing") # 先选 k cellchat <- identifyCommunicationPatterns(cellchat, pattern = "outgoing", k = 5) netAnalysis_river(cellchat, pattern = "outgoing") # 河流图 netAnalysis_dot(cellchat, pattern = "outgoing") # 点图

此外还有computeNetSimilarity+netEmbedding+netClustering三件套，可对通路做功能/结构相似性聚类与降维展示；多个样本条件之间的比较分析见 Comparison_analysis_of_multiple_datasets.Rmd。

六、常见新手坑位清单（避坑指南）🛟

七、更多教程与延伸阅读 📚

仓库tutorial/目录下有覆盖各种场景的完整教程，按需取用：

• 单数据集全流程详解：CellChat-vignette.Rmd
• 多数据集比较：Comparison_analysis_of_multiple_datasets.Rmd
• 空间转录组分析：CellChat_analysis_of_spatial_transcriptomics_data.Rmd
• 空间数据 FAQ：FAQ_on_applying_CellChat_to_spatial_transcriptomics_data.Rmd
• 更新配体-受体数据库：Update-CellChatDB.Rmd

分析完成后还可以调用runCellChatApp(cellchat)启动交互式 Web 浏览器，在网页中直接探索通讯网络结果，对新手非常友好。

写在最后

回顾一下 30 分钟时间线：安装 10 分钟 → 数据准备 5 分钟 → 六步核心流程 15 分钟。至此你已经完成了从 scRNA-seq 数据到细胞-细胞通讯网络图的完整分析闭环。CellChat 的分析函数（如netVisual、netAnalysis系列）都以统一的cellchat对象为入口，后续扩展到多条件比较、空间转录组等场景时，套路完全一致——这就是"先跑通一个最小流程"的价值所在。祝分析顺利！🎉

• 生物信息学
• 科研
• 数据分析