细胞不是孤立存在的，它们通过复杂的信号网络进行“交流”，从而协调发育、免疫应答和组织稳态。空间转录组技术的崛起，让我们首次能够在保留原始位置信息的前提下，大规模解析这种细胞间通讯。CellChat 是一个功能强大且用户友好的R包，其 v2版本在原有基础上，新增了空间距离约束的细胞间通讯推断能力，通过整合配体-受体表达与细胞间空间距离信息，使分析结果更加符合生物学实际。
CellChat介绍
CellChat 是一个专为从单细胞和空间转录组数据中推断、分析和可视化细胞间通讯而设计的R软件包。它旨在提供一个易于解释的分析框架，并生成清晰、美观且易于解读的可视化结果。分析中用到的CellChatDB 是一个手动整理的数据库，收录了多种物种中文献支持的配体-受体相互作用。它不仅包含简单的配对，还涵盖了多亚基配体-受体复合物和辅助因子，从而全面复现了已知的分子相互作用机制。
图1CellChatDB数据库分类统计
CellChat的核心优势
1. 系统生物学视角：不仅能推断细胞通讯，更能通过结合社会网络分析、模式识别和流形学习等方法，定量刻画和比较推断出的通讯网络。
2. 高阶信息提取：可以轻松预测所有细胞群体的主要信号输入和输出，并揭示这些群体和信号如何协同运作以实现功能。
3. 强大的对比分析：支持跨不同条件（如健康vs疾病）比较细胞通讯，识别发生改变的关键信号和细胞群体。
4. 丰富的可视化方案：提供多种直观的图形输出，强力支撑用户对数据进行解读。
图2 CellChat工作流程总览图
CellChat能回答以下关键问题：
哪些细胞之间正在发生相互作用？
它们通过哪些信号通路进行交流？
不同细胞群体在通讯网络中扮演着怎样的角色（如信号的主要发送者或接收者）？
在疾病状态下，哪些关键的细胞“对话”被扰乱了？
下面我们一起在实战流程中体会CellChat的强大功能吧~
实战流程
我们以10x Genomics官方提供的人结直肠癌样本数据为例（https://www.10xgenomics.com/platforms/visium/product-family/dataset-human-crc）。
该结直肠癌样本包含B细胞、内皮细胞、成纤维细胞、肿瘤细胞等9种细胞类型。
图3示例结直肠癌样本细胞类型空间分布
1. 创建CellChat对象
创建CellChat对象需要三个核心输入：
标准化基因表达矩阵
Metadata （包含细胞注释信息和样本信息）
cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels",datatype = "spatial", coordinates = spatial.locs, spatial.factors = spatial.factors)
空间坐标数据
关键参数 spatial.factors解读
spatial.factors是空间分析独有的核心参数，它为一个包含 ratio和 tol两个数值的数据框。其根本目的是将像素坐标转换为微米单位，并为通讯推断设置合理的空间距离容差，从而确保推断出的细胞通讯具有真实的生物学邻近性。
ratio（转换因子）：定义1个像素等于多少微米。此参数高度依赖于原始数据的生成平台。
tol（容差因子）：用于增加空间邻近性判断的鲁棒性。可以近似理解为细胞/Spot半径的一半。
CellChat分析支持多个主流空间转录组平台，以下是官方的参数设置指南：
由于官方并未给10x Visium HD数据推荐参数，我们参考单细胞分辨率空转的参数进行设置。
2. 通讯网络推断
核心函数computeCommunProb新增空间相关参数：
cellchat <- computeCommunProb(cellchat, type = "truncatedMean", trim = 0.1,distance.use = TRUE, interaction.range = 250, contact.dependent = TRUE, contact.range = 100)
关键参数contact.range 解读
对于分析细胞接触依赖性信号，需在 computeCommunProb函数中设置 contact.dependent = TRUE，并额外指定 contact.range（相互作用范围，单位：微米）。
单细胞分辨率数据（如CosMx, seqFISH）：contact.range可设为典型细胞直径，例如10µm，意味着只有直接接触的细胞才会被考虑。
低分辨率数据（如10X Visium）：contact.range应设为Spot中心之间的距离，通常为100µm。
通过精准配置参数，CellChat能够将空间坐标的物理信息转化为可靠的生物学推断，确保您的细胞通讯分析结果既准确又具有真实的时空意义。
3. 结果可视化
下图展示了细胞通讯网络的整体特征，包括细胞类型之间相互作用的数量和强度。
图4 细胞通讯网络的整体特征
在信号通路层面，我们的分析识别出多条显示出显著细胞通讯的信号通路，如APP、COLLAGEN等。
pathways'COLLAGEN''APP''CEACAM''L1CAM''PECAM1''FN1''THBS''MIF''SEMA3''TENASCIN''CDH''CADM''CLDN'
CellChat工具的一大优势是提供多种清晰、美观的可视化形式。以“APP”信号通路为例，更新后的CellChat支持将通讯网络映射回原始空间位置，清晰揭示了“APP”信号在组织微环境中的特异性分布模式：
图5 APP通路网络的空间展示
除空间分布图外，CellChat继续支持多种经典可视化，如环状图、弦图和热图，可从全局网络、互作网络和角色贡献等不同维度展示细胞通讯。
图6 APP通路网络的环状图、弦图和热图展示
结语
CellChat v2通过整合空间信息，为解码组织微环境中的细胞通讯提供了强大助力。
参考链接
https://htmlpreview.github.io/?https://github.com/jinworks/CellChat/blob/master/tutorial/CellChat_analysis_of_spatial_transcriptomics_data.html
https://htmlpreview.github.io/?https://github.com/jinworks/CellChat/blob/master/tutorial/FAQ_on_applying_CellChat_to_spatial_transcriptomics_data.html
在科研服务领域，晶能拥有强大的生物信息分析团队，搭建了成熟的数据分析流程体系，为客户提供精确可信的研究结果。公司同时配备有物理服务器和云服务器双重高性能计算平台，能够高效处理大数据样本的分析、交付和存储需求。我们开发了一系列个性化分析方法，涵盖从基础分析到高级分析的多种模块，每个模块提供多种计算方法，实现多元化、精细化和灵活贯通，满足不同客户需求，助力客户高效发表高水平研究成果。
