工具詳解 | CellChat 揭示細胞通訊機制
點擊藍字
關注我們
CellChat 揭示細胞通訊機制
細胞到底是怎么“聊天”的？
它們靠什么交流？
答案是：它們主要依賴一種化學信號進行通訊，通常是發送細胞產生的蛋白質或其他分子。只有擁有對應受體（receptor）的細胞，才能識別并接收這個信號。當信號分子（通常稱為配體，ligand）和受體結合后，就會讓受體的形狀或活性發生變化，從而把配體所攜帶的信息轉換成細胞內部的一系列反應，例如改變某個基因的活性，甚至可以啟動一整套完整的細胞過程，例如細胞分裂[1]。
圖片來源：https://www.khanacademy.org/science/biology/cell-signaling/mechanisms-of-cell-signaling/a/introduction-to-cell-signaling
01
Cellchat軟件（最新版本v2.1.0）是2024年由Jin等學者開發的生物信息學R語言包[2]，也是目前最常用、最穩定的細胞間通訊分析包之一。Cellchat能根據輸入的scRNA-seq數據，推斷細胞間通訊網絡、預測細胞的主要信號的輸入及輸出、以及分析這些細胞群和信號如何協同作用。此外，CellChat還具有強大的可視化輸出功能，能更直觀地進行數據解釋和分析。
CellChat的主要優勢在于：
全面數據庫：
互作網絡分析：
信號通路分組：
不同狀態比較：
02
在實際研究中，細胞通訊分析不僅是一種描述性工具，更能夠幫助研究人員揭示調控關系：哪些細胞在主導疾病的進展？哪些信號通路被激活？哪些細胞類型在信號交流中扮演“發送者”或“接收者”的角色？許多高質量研究和論文正是使用了Cellchat分析，找到了細胞間調控機制。
以2024年發表在Nature Communications的文章DNMT3A clonal hematopoiesis-driver mutations induce cardiac fibrosis by paracrine activation of fibroblasts[3]為例，該研究旨在解析DNMT3A突變導致的意義未明的克隆性造血（clonal hematopoiesis of indeterminate potential, DNMT3A-CHIP）病人中，突變單核細胞與心臟其他細胞類型之間的相互作用機制。作者通過Cellchat推斷細胞互作網絡，識別潛在受體細胞，進一步預測驅動纖維化的關鍵信號通路，為后續實驗提示了可能的方向。
根據Cellchat分析得到的細胞互作數量結果，如圖所示，DNMT3A CHIP單核細胞（monocytes）發出的信號明顯多于No-CHIP組。在射血分數降低型心衰（HFrEF）樣本中，DNMT3A CHIP單核細胞與成纖維細胞之間的相互作用數量最多，提示DNMT3A CHIP單核細胞在心臟可能主要作用于心肌成纖維細胞（cardiac fibroblasts）。
圖片來源：doi.org/10.1038/s41467-023-43003-w
為了進一步研究DNMT3A CHIP單核細胞刺激成纖維細胞活化的機制。作者基于CellChat分析DNMT3A-CHIP 與 No-CHIP 單核細胞在健康與 HFrEF 心臟組織中的受體-配體相互作用，結果顯示，兩組均富集于 EGF、RESISTIN 和 IGF 等信號通路，其中EGF占主導地位。
圖片來源：doi.org/10.1038/s41467-023-43003-w
基于此預測，作者在細胞與組織模型中驗證了HB-EGF（EGF家族配體）能夠顯著激活心肌成纖維細胞，支持了 CellChat 的推斷結果。
圖片來源：doi.org/10.1038/s41467-023-43003-w
此外，還通過EGFR（EGF受體）抑制劑Gefitinib能阻止DNMT3A沉默的單核細胞上清液誘導αSMA的表達（αSMA是肌纖維母細胞激活的著名標志），進一步證明了 EGF-EGFR 通路的關鍵作用。
圖片來源：doi.org/10.1038/s41467-023-43003-w
03
理解了 CellChat 在單細胞分析的重要性和應用場景后， 想自己跑通單樣本細胞通訊分析？我們梳理了一份基于R語言的Cellchat分析步驟指南，帶你一步步走通：
Step1 創建 CellChat 對象
library(CellChat)
library(Seurat)
seurat_obj <- GetAssayData(seurat_obj, slot = "data")
cellchat <- createCellChat(object = seurat_obj, meta = [email protected], group.by = "celltype")
CellChatDB <- subsetDB(CellChatDB.human)
cellchat@DB <- CellChatDB
Step2 識別配體–受體對
cellchat <- subsetData(cellchat)cellchat <- identifyOverExpressedGenes(cellchat)cellchat <- identifyOverExpressedInteractions(cellchat)
Step3 計算通信概率
cellchat <- computeCommunProb(cellchat)cellchat <- computeCommunProbPathway(cellchat)
Step4 可視化
# HeatmapnetVisual_heatmap(cellchat, measure = c("weight"), font.size = 12, font.size.title = 15, color.heatmap = "Blues")
圖片來源：百洋智心
# Circle plotgroupSize <- as.numeric(table(cellchat@idents))netVisual_circle(cellchat@net$weight, vertex.weight = groupSize, weight.scale = T, label.edge = F)
圖片來源：百洋智心
# Scatter plotnetAnalysis_signalingRole_scatter(cellchat, label.size = 6, font.size = 15)
圖片來源：百洋智心
# Bubble plotnetVisual_bbble(cellchat, sources.use = c("CM"), remove.isolate = TRUE, signaling = c("APP"))
圖片來源：百洋智心
# Chord plotnetVisual_chord_cell(cellchat, signaling = 'APP', title.name = " ")
圖片來源：百洋智心
百洋智心大數據與生物信息學平臺
百洋智心團隊基于 CellChat 提供專業的細胞通訊分析服務，包括：
? CellChat 細胞通訊網絡構建與分析
? 顯著互作信號通路鑒定
? 多層次可視化（網絡、氣泡、熱圖等）
? 配體-受體對強度與概率計算
? 信號通路層級結構與貢獻度解析
? 通訊相關基因功能富集分析
? ……
儲存計算資源
高性能計算服務器集群
-
4個CPU機架式計算節點，每節點搭載 Intel Xeon Gold 5318Y處理器，合計提供192線程的計算能力。
-
2000+TB存儲空間（2160TB HDD + 40TB SSD）
圖片來源：百洋智心
多組學分析
專業的轉錄組、基因組及多組學整合分析服務
-
基于Seurat、CellChat、Signac等生物信息學工具，包括但不限于差異基因表達、可變剪接、細胞互作、轉錄因子結合位點、增強子鑒定等全流程分析。
圖片來源：百洋智心
歡迎掃碼或微信服務號后臺直接咨詢：
參考文獻：
[1] Berridge, M. J. (1985). The molecular basis of communication within the cell. Scientific American, 253(4), 142-152A.
[2] Jin, S., Plikus, M. V., & Nie, Q. (2025). CellChat for systematic analysis of cell–cell communication from single-cell transcriptomics. Nature protocols, 20(1), 180-219.
[3] Shumliakivska, M., Luxán, G., Hemmerling, I., Scheller, M., Li, X., Müller-Tidow, C., ... & Dimmeler, S. (2024). DNMT3A clonal hematopoiesis-driver mutations induce cardiac fibrosis by paracrine activation of fibroblasts. Nature communications, 15(1), 606.
往期精選
本篇文章來源于微信公眾號:百洋智心
