2026版单细胞测序scRNA-seq入门实战（七）：CellChat细胞通讯分析——揭秘细胞间的“对话”

本节概览：

CellChat简介：了解细胞通讯分析的意义和CellChat的工作原理。

数据准备：从Seurat对象提取表达矩阵和元数据，构建CellChat对象。

数据库与预处理：加载小鼠（或人类）配受体数据库，识别过表达基因和相互作用。

通信网络计算：计算细胞间通信概率，构建加权网络。

可视化：绘制整体通讯网络图（circle plot）、信号通路气泡图、特定通路的热图与贡献度分析。

结果解读：从宏观到微观解析细胞间“对话”的规律。

在上一节中，我们成功为每个cluster赋予了生物学身份（细胞类型），明确了组织中存在哪些细胞亚群。然而，细胞并非孤立存在——它们通过配体-受体相互作用进行信息传递，协调发育、免疫应答、肿瘤微环境等多种生理病理过程。细胞通讯分析正是从单细胞数据中推断这些“对话”的关键工具。

目前主流的方法包括CellChat、CellPhoneDB、NicheNet等。其中，CellChat因其算法严谨、可视化丰富、易于上手而广受欢迎。它通过整合配体-受体相互作用数据库，量化不同细胞类型之间的通信强度和概率，并识别关键的信号通路。

本文将带领大家从已注释好的Seurat对象出发，一步步完成CellChat分析。。

一、准备工作：加载R包和数据

首先，确保已安装CellChat及相关依赖包。如果未安装，可以运行：

# 若未安装CellChat，取消注释以下行
# devtools::install_github("sqjin/CellChat")

接下来，加载所有必需的包，并读取上一节保存的含细胞类型注释的Seurat对象。

rm(list = ls())
options(stringsAsFactors = F)
library(Seurat)
library(tidyverse)
library(patchwork)
library(RColorBrewer)
library(dplyr)
library(magrittr)
library(CellChat)
library(tidydr)
library(ggalluvial)
library(data.table)
library(ggsci)

# 读取已注释的Seurat对象
scRNA <- readRDS("4_scRNA_celltype.rds")

# 创建输出目录
dir.create("cellchat")

# 查看当前所有细胞类型
unique(scRNA$cell_type)

二、创建CellChat对象与数据库设置

2.1 提取表达数据并构建CellChat对象

CellChat要求输入标准化后的表达矩阵（log-normalized counts）以及包含细胞分组信息的meta.data。我们直接从Seurat对象中提取：

# 获取RNA assay的标准化数据（data slot）
data <- GetAssayData(scRNA, assay = "RNA", layer = "data")
# 创建CellChat对象
cellchat <- createCellChat(data, 
                           meta = scRNA@meta.data, 
                           group.by = "cell_type")

group.by指定了用于定义细胞群落的列名（这里是cell_type）。创建完成后，我们可以查看对象的基本信息。

2.2 加载配体-受体数据库

CellChat内置了小鼠（CellChatDB.mouse）和人类（CellChatDB.human）的数据库，包含已知的配体-受体对及其注释信息（如通路、分类等）。根据我们的物种选择对应的数据库：

# 使用小鼠数据库（请根据实际物种修改）
CellChatDB <- CellChatDB.mouse
# ### 查看数据库信息
# showDatabaseCategory(CellChatDB)
# 可选：查看数据库包含的相互作用类型
unique(CellChatDB$interaction$annotation)

# 将数据库赋值给CellChat对象
cellchat@DB <- CellChatDB

此时，cellchat对象已准备好进行后续的预处理。

三、预处理与通信网络计算

3.1 数据子集与过表达基因识别

CellChat首先需要识别在每个细胞群中过表达的基因（配体或受体），然后筛选出那些过表达配体-受体对。

# 子集化数据（只保留表达矩阵中存在的基因）
cellchat <- subsetData(cellchat)
# 识别过表达基因
cellchat <- identifyOverExpressedGenes(cellchat)
# 识别过表达的配体-受体相互作用（基于数据库）
cellchat <- identifyOverExpressedInteractions(cellchat)
# 将配体-受体对映射到蛋白质-蛋白质相互作用网络（PPI），增强推断准确性
cellchat <- projectData(cellchat, PPI.mouse)

3.2 计算通信概率

核心步骤：利用质量作用定律（即配体在发送细胞中的表达量与受体在接收细胞中的表达量的乘积）计算每对细胞类型之间的通信概率。此外，CellChat还通过网络传播和统计学检验来过滤弱信号。

# 计算通信概率（raw.use = TRUE表示使用原始表达值）
cellchat <- computeCommunProb(cellchat, raw.use = TRUE)
# 过滤低置信度的通信（至少3个细胞表达）
cellchat <- filterCommunication(cellchat, min.cells = 3)

至此，我们得到了每个配体-受体对在不同细胞对之间的通信概率。接下来，汇总到通路水平：

# 计算通路水平的通信概率
cellchat <- computeCommunProbPathway(cellchat)
# 聚合为细胞间总体通信网络（计数和权重）
cellchat <- aggregateNet(cellchat)

最后，计算网络中心性指标（用于后续识别关键发送者/接收者/中介者）：

cellchat <- netAnalysis_computeCentrality(cellchat, slot.name = "netP")

保存结果，以便后续快速加载：

save(cellchat, file = "cellchat/cellchat_1.RData")

四、可视化细胞通讯网络

4.1 整体通讯概览——Circle Plot

Circle Plot可以直观显示所有细胞类型之间的通信数量和强度。这里我们绘制两张图：一张基于通信次数（count），一张基于通信权重（weight，即概率之和）。

# 定义颜色
colors <- c(pal_npg("nrc", alpha = 1)(10), 
            pal_jco("default", alpha = 1)(10))
# 通信次数（边越粗代表通信对数越多）
pdf("cellchat/netVisual_cir_count.pdf", width=8, height=7)
par(mar=c(0,0,3,0))
netVisual_circle(cellchat@net$count, 
                 color.use = colors,
                 vertex.weight = as.numeric(table(cellchat@idents)),  
                 weight.scale = TRUE, 
                 label.edge = FALSE, 
                 title.name = "Number of Communication")
dev.off()

# 通信权重（边越粗代表总通信概率越高）
pdf("cellchat/netVisual_cir_weight.pdf", width=8, height=7)
par(mar=c(0,0,3,0))
netVisual_circle(cellchat@net$weight, 
                 color.use = colors,
                 vertex.weight = as.numeric(table(cellchat@idents)),
                 weight.scale = TRUE, 
                 label.edge = FALSE, 
                 title.name = "Weight of Communication")
dev.off()

解读：

如果边明显更粗，表明可能通过多种配体强烈影响细胞。
节点大小代表该细胞类型的细胞数量，但注意通信强度已进行归一化处理，因此可以比较不同细胞对之间的相对强弱。

4.2 信号通路气泡图（Bubble Plot）

Bubble Plot展示哪些信号通路在不同细胞对之间被显著激活。它可以帮助我们快速识别哪些通路介导了特定细胞间的通信。

# 绘制所有通路的气泡图（全部细胞对）
pdf("cellchat/2_pathway_bubble_all.pdf", width=15, height=20)
netVisual_bubble(cellchat, angle.x = 45)
dev.off()

# 仅展示以Microglia为发送者的通路（例如，查看小胶质细胞如何影响神经元）
pdf("cellchat/2_pathway_bubble_microglia.pdf", width=10, height=8)
netVisual_bubble(cellchat, sources.use = c("Microglia"), angle.x = 45)
dev.off()

气泡图中，横轴为接收细胞，纵轴为信号通路。

五、深入特定信号通路

CellChat计算得到的cellchat@netP$pathways包含了所有被识别的信号通路名称。我们可以针对感兴趣的通路进行深入可视化，如绘制圆圈网络图、热图和贡献度分析。

# 查看所有通路名称
load("cellchat/cellchat_1.RData")
cellchat@netP$pathways

dir.create("cellchat/pathways")
# 遍历每个通路（此处示例仅展示前几个，实际可全部循环）
for (i in seq_along(cellchat@netP$pathways)) {
  pathway <- cellchat@netP$pathways[i]
  
  pdf(paste0("cellchat/pathways/", i, "_pathway_", pathway, ".pdf"), 
      width = 12, height = 6)
  
  # 使用 tryCatch 捕获错误
  tryCatch({
    # 1) 圆圈网络图
    netVisual_aggregate(cellchat, 
                        signaling = pathway, 
                        layout = "circle",
                        vertex.weight = as.numeric(table(cellchat@idents)))
    
    # 2) 热图
    print(netVisual_heatmap(cellchat, signaling = pathway))
    
    # 3) 贡献度分析
    print(netAnalysis_contribution(cellchat, signaling = pathway))
  }, error = function(e) {
    # 如果出错，打印通路名称和错误信息，但不中断循环
    message("Error in pathway: ", pathway, " - ", e$message)
  })
  
  dev.off()
}

对于每个通路，我们得到三张子图：

圆圈图：与总体图类似，但只显示该通路介导的相互作用，边权重为该通路下的总通信概率。
热图：纵轴为发送细胞，横轴为接收细胞，颜色表示该通路通信概率，可发现方向性。
贡献度条形图：显示该通路内各配体-受体对的相对贡献，帮助我们锁定关键分子对。

六、结果解读与生物学意义

完成上述分析后，我们应当结合文献背景对结果进行解读。可能发现：

了解通信占主导的通路。
了解特定配体-受体对

cellchat结果不仅能验证已知知识，还可能发现新的调控机制，为后续实验提供方向。

七、总结与拓展

至此，我们完成了从Seurat对象到CellChat细胞通讯分析的完整流程，包括：

创建CellChat对象并配置数据库；
计算通信概率并构建网络；
可视化总体通讯、通路气泡图和特定通路细节；
提取关键配体-受体对。

细胞通讯分析打开了从“细胞组成”到“细胞功能”的桥梁，让我们在单细胞水平上理解组织微环境的调控逻辑。希望本文能帮助你顺利开展自己的CellChat分析之旅！

这里是两栖生物手册，中科院生物医学博士，持续记录生物医学实验和生物信息学笔记，干湿结合两不误～正努力成为最贴心负责的生信数据分析者和实验技术分享者，欢迎大家关注~