CellChat对推断的通信网络进行基于功能和拓扑相似性的联合流形学习和分类。
功能相似:功能相似程度高表明主要受体和配体是相似的，可以解释为两条信号通路或两个配体-受体对表现出相似和/或冗余的作用。注意:功能相似度分析不适用于具有不同细胞类型组成的多个数据集。
结构相似性:使用结构相似性来比较网络结构，不考虑发送者和接收者的相似性。注:结构相似性分析适用于具有相同细胞类型组成或有很大差异的细胞类型组成的多个数据集。
library(CellChat)
library(ggplot2)
cellchat.obj1 <- readRDS("cellchat_obj1.rds")
cellchat.obj2 <- readRDS("cellchat_obj2.rds")
cellchat <- mergeCellChat(list(cellchat.obj1, cellchat.obj2), add.names = c("Dataset1","Dataset2"))
行流形和分类学习分析
在此，我们基于结构相似性进行流形和分类学习分析。如果两个数据集具有相同的细胞类型组合，用户也可以基于功能相似性运行它。
cellchat <- computeNetSimilarityPairwise(cellchat, type = "structural")
cellchat <- netEmbedding(cellchat, type = "structural") # 依赖python 的umap库
cellchat <- netClustering(cellchat, type = "structural")
# Visualization
netVisual_embeddingPairwise(cellchat, type = "structural")
netVisual_embeddingPairwiseZoomIn(cellchat, type = "structural")
计算学习关节流形中的路径距离并将其可视化.
rankSimilarity(cellchat, type = "structural")
识别并可视化保守的和特定环境的信号通路。
rankNet(cellchat, mode = "comparison")
