这篇文档属于类型b，是一篇关于CellChat工具的协议（protocol）论文，主要介绍如何使用该工具进行单细胞及空间转录组数据的细胞间通信网络分析。

作者及出版物信息

本文的主要作者是Suoqin Jin（武汉大学数学与统计学院和湖北省计算科学重点实验室）以及Maksim V. Plikus和Qing Nie（加州大学尔湾分校NSF-Simons多尺度细胞命运研究中心）。该预印本于2023年11月5日发布于bioRxiv，DOIs为10.¹¹⁰¹⁄₂₀₂₃.11.05.565674。

主题：CellChat V2工具的系统性分析协议

CellChat是一个用于从单细胞RNA测序（scRNA-seq）和空间转录组数据中推断和分析细胞间通信网络的计算工具。该工具基于已知的配体-受体（ligand-receptor, L-R）相互作用数据库，通过简化质量作用模型量化细胞群间的通信概率，并结合空间位置信息优化推断。

主要观点及论据

1. 背景与目标

CellChat的开发是为了解决单细胞转录组数据中丢失的空间信息问题。传统的单细胞测序技术虽然能解析细胞异质性，但无法保留细胞的空间位置信息，而大多数细胞间通信事件依赖于短距离的空间邻近性。因此，CellChat结合空间转录组数据，能够更准确地推断细胞间通信网络。

• 背景知识：
  • 单细胞测序技术已被广泛用于研究细胞间通信，但缺乏空间信息限制了其准确性。
  • 空间转录组学（spatially resolved transcriptomics）技术可提供细胞的空间坐标，有助于更精确地模拟细胞间通信的范围（如分子扩散距离）。
  • 生物系统中配体-受体相互作用受到多亚基结构、共因子（如激动剂、拮抗剂）等调控，现有数据库（如CellPhoneDB）部分捕获了这些机制，但仍有改进空间。

2. CellChat V2的主要更新

文中详细介绍了CellChat V2相对于初版的改进，主要包括：
1. 空间通信分析：若细胞位置信息可用，CellChat V2可推断空间邻近的细胞间通信，仅考虑在分子最大扩散范围内的相互作用（默认250μm）。这显著减少了假阳性信号。
2. 扩展的L-R数据库（CellChatDB）：包含了超过1000种蛋白质和非蛋白质相互作用（如代谢、突触信号），整合了CellPhoneDB和NeuronChatDB等数据库的资源。
3. 新的比较功能：支持多数据集/条件的对比分析，如识别不同生物状态（如疾病与健康）下的通信差异。
4. 交互式可视化工具：新增了多种图形输出（如空间图、气泡图、层次图），并支持用户交互探索。

• 论据：
  • 通过实际数据集（如成人皮肤单细胞图谱中30万个细胞）验证，CellChat V2的运行时间约15分钟，计算效率高。
  • 使用Hill函数模拟配体-受体结合的饱和效应，结合统计检验（如置换检验）确保信号的显著性。

3. 工作流程（Protocol）

文档详细描述了如何使用CellChat V2，覆盖以下步骤：
1. 数据预处理：输入基因表达矩阵和细胞标签，支持从Seurat、SingleCellExperiment等对象中导入数据。
2. 通信网络推断： - L-R相互作用评分：基于配体和受体的平均表达量及共因子计算通信概率。 - 空间邻近性过滤：仅保留在分子扩散范围内的细胞对。 3. 网络分析与可视化：
- 识别关键信号源（senders）和靶点（receivers）。 - 通过模式识别（pattern recognition）预测细胞的协同反应模式。
- 使用网络中心性分析（如出度、入度）量化细胞群在通信网络中的重要性。
4. 多数据集比较：
- 差异通信分析（如总相互作用数、信号强度变化）。 - 通过流形学习（manifold learning）识别功能或结构相似的信号通路。

• 实验支持：
  • 以人类皮肤病变（atopic dermatitis）数据为例，展示了CellChat如何识别疾病中激活的CCL19-CCR7信号通路，验证其生物学意义。
    

4. 应用案例

CellChat已在多种生物学系统中得到应用，例如：
- 皮肤发育：预测了EDN3信号在黑色素细胞迁移中的作用。
- COVID-19研究：发现炎症通路（如choroid-to-cortex网络）的增强现象。
- 肿瘤微环境：揭示癌症相关成纤维细胞（CAFs）如何招募免疫细胞。

5. 与其他工具的对比

CellChat在以下方面优于其他工具（如CellPhoneDB、IcellNet）：
- 数据库覆盖更广：包含3300种L-R相互作用，且标注更丰富。
- 系统分析能力：整合了网络分析、模式识别和流形学习。
- 空间兼容性：通过扩散距离而非KNN图优化空间通信推断，减少漏检。

6. 局限性及未来方向

• 局限性：
  • 依赖已知L-R数据库，可能遗漏未收录的相互作用（但支持用户自定义添加）。
    
  • 未考虑细胞群内异质性，需用户预分组。
    
  • 通信推断基于转录组数据，未整合蛋白或表观组信息。
    
• 未来改进：结合多组学数据（如单细胞蛋白质组）提升准确性。
  

论文的意义与价值

1. 方法学贡献：
   
   • 提供了一套完整的、用户友好的分析流程，适用于单细胞和空间转录组数据。
     
   • 通过空间约束和共因子整合，提升了通信网络推断的生物学合理性。
     
2. 应用价值：
   
   • 已在发育、疾病（如皮肤病、COVID-19）等领域提供新机制见解。
     
   • 开源工具（GitHub）和详细教程降低了使用门槛，促进社区采用。
     

亮点总结

1. 空间通信推断：首次将分子扩散距离直接纳入计算模型。
   
2. 多模态分析：支持功能相似性、网络结构等多维度比较。
   
3. 广泛验证：在超过15种方法中被评为性能最优的工具之一（引用系统性评估研究21,28）。
   

本文不仅是一份技术协议，还系统性展示了CellChat V2在复杂生物学问题中的强大应用潜力，为细胞通信研究提供了标准化分析框架。