hello，大家好，今天是周天，虽然是休息，但是今天是MSI世界赛，边看比赛，抽空给大家分享一个小小的知识，那就是通讯中的小小的知识，来源是CellChat的文献Inference and analysis of cell-cell communication using CellChat，知识是什么呢，就是关于通讯的空间临近性。
核心总结
- 空间相邻的细胞类型应该比空间遥远的细胞具有更强的细胞间通信
- CellChat 在空间相邻细胞中始终比远处细胞捕获更强的相互作用，CellPhoneDB在区分空间相邻细胞和远处细胞方面也表现良好。
CellChat与其他细胞间通信推理工具的比较
使用 CellChat 分析的相同的四个小鼠皮肤数据集将 CellChat 与其他三种用于推断细胞间通信的工具（SingleCellSignalR、iTALK 和 CellPhoneDB）进行了比较。 目前现有的工具，如 SingleCellSignalR 和 iTALK，通常只使用一个配体/一个受体基因对，很大程度上忽略了多个受体的作用。
将 CellChat 与 CellPhoneDB 的性能进行了比较，后者考虑了多亚基配体-受体复合物。分析推断，如果任何给定的方法的预测与不止一种其他方法的预测有更显著的重叠，那么任何给定的方法都可以被认为是更准确的。分析发现 CellChat 预测在所有四个 scRNAseq 数据集中与 SingleCellSignalR 和 iTALK 预测有更多的重叠交互。 CellChat 和 CellPhoneDB 共享约 50% 的预测交互。为了评估推断通信对输入数据的敏感性，对每个数据集中细胞总数的 90%、80% 或 70% 进行二次抽样，然后计算真阳性率 (TPR)、假阳性率 (FPR) , 和准确性 (ACC) 通过将子采样数据集与原始数据集进行比较。与 CellPhoneDB 相比，CellChat 产生了略高的 TPR、更低的 FPR 和更高的 ACC。 CellChat 和 CellPhoneDB 对二次采样都相对稳健，这可能是因为这两种方法都基于细胞cluster推断细胞间通信。在分析快速增长的 scRNA-seq 数据量时，这种二次抽样的稳健性非常有用。
接下来，以胚胎小鼠皮肤中的四个空间共定位细胞群为例，比较了由 CellChat、CellPhoneDB、iTALK 和 SingleCellSignalR 推断的细胞间通信网络。比较了 CellChat 和其他方法之间任何两个细胞亚群的推断的显著配体-受体 (L-R) 对。在这里，只保留了 iTALK 和 SingleCellSignalR 推断出的前 10% 的 L-R 对（最重要的），以确保 L-R 对的数量与 CellChat 相当。上述四种方法推断的两个细胞亚群之间的 L-R 对平均数分别为 12、37、14 和 12。分析发现 CellChat 与 CellPhoneDB 共享的 L-R 对比与 iTALK 共享更多，这可能是由于 CellChat 和 CellPhoneDB 都考虑了多亚基复合物并使用统计方法确定重要的 L-R 对。 SingleCellSignalR 与其他三种方法共享很少的 L-R 对，这表明用于量化和排序 L-R 交互的逻辑可能不同。此外，CellChat 和 CellPhoneDB 之间的大多数共享 L-R 对都被 CellPhoneDB 独立列为top对。这一结果表明，尽管 CellChat 推断出的 L-R 对比 CellPhoneDB 少，但它捕获了最强（并且可能是最重要的）L-R 交互。
还基于以下假设系统地评估了不同的方法，即空间相邻的细胞类型应该比空间遥远的细胞具有更强的细胞间通信。研究了胚胎小鼠皮肤中四个空间共定位细胞群的细胞间通讯，包括 Placodes、pre-DC、DC1 和 DC2。分析还添加了七种可能在空间上与上述四种细胞群不相邻的细胞类型——FIB（成纤维细胞）、MELA（黑素细胞）、棘突（棘上皮细胞）、MYL（骨髓细胞）、免疫（其他免疫细胞）、ENDO （内皮细胞）和肌肉。然后，计算了推断的相互作用的数量，以及每种细胞类型与四个空间共定位细胞群之间的相互作用概率或分数的总和。发现，就相互作用的数量和相互作用的概率而言，CellChat 在空间相邻细胞中始终比远处细胞捕获更强的相互作用。 CellPhoneDB 在区分空间相邻细胞和远处细胞方面也表现良好。与 FIB、MELA、MYL 和 ENDO 的空间遥远细胞相比，iTALK 未能捕捉到空间相邻细胞中更强的相互作用。对于 FIB 和 ENDO，SingleCellSignalR 也失败了。通过综合考虑所有七种细胞类型，发现 CellChat 和 CellPhoneDB 都可以显着区分空间相邻细胞和远距离细胞，而 iTALK 和 SingleCellSignalR 预测空间相邻细胞中的相互作用比远距离细胞更强，没有统计学上的显著差异。由于 CellPhoneDB 比 CellChat 推断出更多的交互，测试了 CellPhoneDB 预测的top交互是否也可以区分空间上相邻的细胞和远处的细胞。对于 CellPhoneDB 预测的前 10%、前 20% 和前 30% 的相互作用，空间相邻细胞和远处细胞之间的差异不如 CellChat 显著，这表明 CellChat 在捕获更强的相互作用方面表现更好。总之，分析表明，尽管 CellChat 产生的交互较少，但它在预测更强的交互方面表现良好。
首先，CellChatDB 数据库不仅包含配体-受体复合物的多亚基结构，还包含可溶性和膜结合的刺激和抑制辅助因子，领先比其他工具使用的数据库更全面。还定量展示了 CellChatDB 与其他现有类似数据库（包括 CellTalkDB、CellPhoneDB、iTALK、SingleCellSignalR、Ramilowski、NicheNet 和 ICELLNET）相比的差异和优势。与上述数据库相比，CellChatDB 为社区研究具有生物学意义的细胞间通信提供了重要资源。其次，CellChat 允许用户输入数据的低维表示，这在分析沿伪时间轨迹的连续状态时特别有用。第三，CellChat 可以从推断的通信中提取高阶信息，用于识别主要信号源、目标和基本介质，以及预测不同细胞类型之间的协调反应。第四，CellChat 可以根据通信模式的相似性对信号通路进行分组，以识别具有相似架构和可能功能的信号通路。最后，CellChat 可以通过同时对多个通信网络的多种学习来揭示保守的与特定于背景的通信模式。
生活很好，有你更好
