图片快播成人快播成人

媒介

Hello小伙伴们人人好，我是生信妙技树的小学徒”我才不吃蛋黄“。今天是胃癌单细胞数据集GSE163558复现系列第十二期。第十一期使用singleR对T细胞亚群进行细分。本期，我们将参加胃癌复现的临了一章，“细胞通讯”。

1.布景先容

肿瘤微环境中细胞类型、数量以及功能一直处于动态变化的过程，各种型的细胞构成了一个有序的谐和体，而细胞之间不竭的“互动”保管着谐和体的动态均衡。这种互动不仅存在于同类型细胞之间，存在与不同类型的细胞间，致使是单个细胞的不同工夫维度上。我们把这种互动，叫作念细胞通讯 (Cell–cell communication， CCC)。

换句话说，细胞通讯是受生化信号调理的细胞间相互作用，它概况调理单个细胞的生命过程和细胞间关系，并通过包括信号通路的各式生化反映来磋议。关于给定的信号通路，“发送信号”的配体与“受体细胞”名义抒发的相应受体卵白络续，进而触发下贱基因反映。那么这种提醒平庸有两种类型的：自分泌，发送者和接受者是兼并个细胞；旁分泌，发送者和接受者是两个不同的细胞。

怎样哄骗单细胞测序数据从单个细胞和细胞群水平揭示细胞通讯？

当今一经确立了好多用具，大大王人圭表是推断细胞群之间的细胞通讯：

SoptSC、CellChat使用非线性建模圭表测度交互分数，SoptSC是推断单个细胞之间细胞通讯的圭表之一，CellChat研究了配体和受体的多亚基结构，不错准确地暗意异聚复合物，更好地笼统已知的配体-受体相互作用；

SoptSC、NicheNet 、scMLnet和CytoTalk等圭表说明注解了受体细胞中的细胞内基因-基因相互作用；

scTensor对高阶相互作用进行建模，使用张量剖析来检测多个细胞群和配体-受体对的多对多细胞通讯。

本期，我们先容的细胞通讯的圭表是“CellChat”。CellChat通过综合信号配体、受体过火辅因子基因的抒发只与它们之间互作的先验学问对细胞通讯概率建模。在推断出细胞间通讯收罗后，CellChat提供了进一步数据探索、分析和可视化的功能。

CellChat使命经由图如下：

图片

图片起原于简书Hayley札记：https://www.jianshu.com/p/b3d26ac51c5a2.数据分析2.1 导入数据

cellchat的导入的数据分为两个部分：圭臬化的矩阵data和细胞分组信息mata，data储存的是基因抒发数据，行名是基因，列名是细胞。meta储存的是细胞标签，行名是细胞名 ，记着这个信息，不错便捷于分析的工夫取子集。

当先捣毁系统环境变量，加载R包及T细胞亚群数据：

rm(list=ls())library(Seurat)options(stringsAsFactors = F)library(SeuratObject)library(ggplot2)library(clustree)library(cowplot)library(dplyr)getwd()setwd("")dir.create("10-cellchat")setwd('10-cellchat/')sce=readRDS( "../9-T/T_sce_celltype.rds")library(CellChat)library(tidyverse)library(ggalluvial)table(sce$singleR)table(Idents(sce))Idents(sce) = sce$singleR

创建cellchat对象，导入配受体库，检讨形色该数据库构成的饼状图

cellchat <- createCellChat(sce@assays$RNA$data， meta = sce@meta.data， group.by = "singleR")levels(cellchat@idents)groupSize <- as.numeric(table(cellchat@idents)) CellChatDB <- CellChatDB.human showDatabaseCategory(CellChatDB)

图片

径直使用CellChatDB全库进行细胞通讯分析：

CellChatDB.use <- CellChatDB 

遴荐特定的信号来进行分析，这里还不错遴荐ECM-receptor和Cell-Cell Contact。

CellChatDB.use <- subsetDB(CellChatDB， search = "Secreted Signaling") cellchat@DB <- CellChatDB.use

预搞定抒发数据以进行细胞间通讯分析

# subset the expression data of signaling genes for saving computation costcellchat <- subsetData(cellchat)cellchat <- identifyOverExpressedGenes(cellchat)cellchat <- identifyOverExpressedInteractions(cellchat)# project gene expression data onto PPI network (optional)cellchat <- projectData(cellchat， PPI.human)

2.2 细胞通讯权衡

（1）测度通讯概率并推断通讯收罗快播成人

#Compute the communication probability and iC3D1er cellular communication networkcellchat <- computeCommunProb(cellchat)# Filter out the cell-cell communication if there are only few number of cells in certain cell groups

这里如故不要过滤了，否则有些细胞亚群细胞数量过少被过滤掉之后会形成数据不一致而无法进行后续分析

#cellchat <- filterCommunication(cellchat， min.cells = 10)

（2）索要配受体对细胞通讯成果表：

df.net <- subsetCommunication(cellchat， slot.name = 'net')head(df.net) #获得配受体对细胞通讯成果表# #或造访其它感趣味/特定的细胞通讯成果：# df.net1 <- subsetCommunication(cellchat，#                                sources.use = c('LC')，#                                targets.use = c('FBN1+ FIB')) #造访特定细胞春联集# head(df.net1)df.net2 <- subsetCommunication(cellchat， signaling = c('MIF')) #造访特定信号通门路集head(df.net2)

（3）索要信号通路水平的细胞通讯表：

沈先生 探花 0.55) 0px 2px 10px;margin-top: 10px;margin-bottom: 10px;">cellchat <- computeCommunProbPathway(cellchat) #测度信号通路水平上的通讯概率df.netp <- subsetCommunication(cellchat， slot.name = 'netP') #获得信号通路水平细胞通讯表head(df.netp)

（4）细胞互作关系展示：测度细胞对间通讯的数量和概率强度

cellchat <- aggregateNet(cellchat)

不同细胞亚群间的互作数量与概率/强度可视化：

细胞亚群间配受体数量收罗图：

groupSize <- as.numeric(table(cellchat@idents))par(mfrow = c(1，1)， xpd = TRUE)netVisual_circle(cellchat@net$count，                 vertex.weight = groupSize，                 weight.scale = T，                 label.edge = F，                 title.name = 'Number of interactions')

图片

形势代表不同的细胞亚群，圆圈的大小暗意该细胞亚群所含配受体对数量。发出箭头的圆圈暗意配体细胞亚群，箭头指向的圆圈暗意受体细胞亚群。线的粗细暗意细胞间互作配受体对数量，数量越多线越粗。

细胞亚群间配受体概率/强度收罗图：

par(mfrow = c(1，1)， xpd = TRUE)netVisual_circle(cellchat@net$weight，                 vertex.weight = groupSize，                 weight.scale = T，                 label.edge= F，                 title.name = 'Interaction weights/strength')

图片

形势代表不同的细胞亚群，圆圈的大小暗意该细胞亚群所含配受体对数量。发出箭头的圆圈暗意配体细胞亚群，箭头指向的圆圈暗意受体细胞亚群。线的粗细暗意通讯概率，概率越大线越粗。

检验单个细胞亚群的互作信号强度：

mat <- cellchat@net$weightpar(mfrow = c(3，4)， xpd = TRUE)for (i in 1:nrow(mat)) {  mat2 <- matrix(0， nrow = nrow(mat)， ncol = ncol(mat)， dimnames = dimnames(mat))  mat2[i， ] <- mat[i， ]  netVisual_circle(mat2， vertex.weight = groupSize， weight.scale = T， edge.weight.max = max(mat)， title.name = rownames(mat)[i])}saveRDS(cellchat，file = "cellchat.rds")

配受体对细胞通讯成果表：

df.net <- subsetCommunication(cellchat， slot.name = 'net')head(df.net)

信号通路水平细胞通讯成果表：

df.netp <- subsetCommunication(cellchat， slot.name = 'netP')head(df.netp)

使用收罗图可视化细胞亚群间配受体对的数量与概率：

par(mfrow = c(1，2)， xpd = TRUE)netVisual_circle(cellchat@net$count，                 vertex.weight = groupSize，                 weight.scale = T，                 label.edge = F，                 title.name = 'Number of interactions')netVisual_circle(cellchat@net$weight，                 vertex.weight = groupSize，                 weight.scale = T，                 label.edge= F，                 title.name = 'Interaction weights/strength')

图片

信号通路检讨：

cellchat@netP$pathways

以'MIF'信号通路展示为例：

pathways.show <- c('MIF')

（1）层级图（Hierarchy plot）绘图 检讨细胞亚群及factor端正：

levels(cellchat@idents)

遴荐其中感趣味的细胞亚群：

vertex.receiver = c(1，2，3)par(mfrow = c(1，1))netVisual_aggregate(cellchat，                    layout = c('hierarchy')， #"circle"， "hierarchy"， "chord"                    signaling = pathways.show，                    vertex.receiver = vertex.receiver)

图片

（2）收罗图（Circle plot）绘图

par(mfrow = c(1，1))netVisual_aggregate(cellchat，                    layout = c('circle')，                    signaling = pathways.show)

图片

（3）弦图（Chord diagram）绘图

par(mfrow=c(1，1))netVisual_aggregate(cellchat，                    layout = c('chord')，                    signaling = pathways.show)   

图片

（4）热图（Heatmap）绘图

par(mfrow=c(1，1))netVisual_heatmap(cellchat，                  signaling = pathways.show，                  color.heatmap = c("white"， "#b2182b"))

图片

2.3 信号通路相干配受体对水平的细胞通讯分析

测度配受体对在主见信号通路中的孝敬度:

netAnalysis_contribution(cellchat， signaling = pathways.show) 

配受体对孝敬条形图

图片

索要细胞对：

pairLR.CXCL <- extractEnrichedLR(cellchat，                                 signaling = pathways.show，                                 geneLR.return = FALSE)LR.show <- pairLR.CXCL[1，] #以孝敬度top1的配受体对为例pairLR.CXCL; LR.show

2.4 多个配受体对/信号通路水平介导的细胞通讯可视化

指定信号通路：

levels(cellchat@idents)netVisual_bubble(cellchat，                 sources.use = 4，                 targets.use = c(1:2)，                 # signaling = c("MIF"，'CCL")， #指定CCL和CXCL两个信号通路                 remove.isolate = FALSE)

指定配受体对：

pairLR.use <- extractEnrichedLR(cellchat， signaling = c("MIF")) #细目在主见信号通路中有蹙迫作用的配受体对pairLR.use

参与主见信号通路的基因在各细胞亚群的抒发漫衍展示：

第四色官网

plotGeneExpression(cellchat， signaling = 'MIF'， type = 'violin')

图片

结语

胃癌复现系列到此杀青，感谢诸君小伙伴的取悦，同期也稀奇感谢Jimmy敦厚以及生信妙技树诸君敦厚的不异，迎接人人建议见地建议和月旦，你们的怜惜是我们更新的能源。提前预报：肺腺癌单细胞数据集GSE189357复现系列，我们不见不散~

图片

本站仅提供存储奇迹，所有实质均由用户发布，如发现存害或侵权实质，请点击举报。