曝光情人发错群

图片曝光情人发错群

引子

Hello小伙伴们民众好，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，我们将过问胃癌复现的终末一章，“细胞通讯”。

1.配景先容

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，各类型的细胞构成了一个有序的和洽体，而细胞之间相似的“互动”保管着和洽体的动态均衡。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，以致是单个细胞的不同技艺维度上。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休养的细胞间相互作用，它大略休养单个细胞的人命过程和细胞间关系，并通过包括信号通路的各式生化反馈来推敲。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集会，进而触发下流基因反馈。那么这种提醒宽泛有两种类型的：自分泌，发送者和接收者是团结个细胞；旁分泌，发送者和接收者是两个不同的细胞。

怎样讹诈单细胞测序数据从单个细胞和细胞群水平揭示细胞通讯？

当今照旧建立了好多器具，大无数次第是忖度细胞群之间的细胞通讯：

SoptSC、CellChat使用非线性建模次第计划交互分数，SoptSC是忖度单个细胞之间细胞通讯的次第之一，CellChat商量了配体和受体的多亚基结构，不错准确地默示异聚复合物，更好地笼统已知的配体-受体相互作用；

SoptSC、NicheNet 、scMLnet和CytoTalk等次第讲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，使用张量领会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次第是“CellChat”。CellChat通过综合信号配体、受体越过辅因子基因的抒发只与它们之间互作的先验常识对细胞通讯概率建模。在忖度出细胞间通讯网罗后，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

图片开首于简书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：轨范化的矩阵data和细胞分组信息mata，data储存的是基因抒发数据，泰国按摩群行名是基因，列名是细胞。meta储存的是细胞标签，行名是细胞名 ，记取这个信息，不错便捷于分析的时刻取子集。

领先破除系统环境变量，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，检察形容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

平直使用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

预解决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 细胞通讯量度

（1）计划通讯概率并忖度通讯网罗

#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

这里照旧不要过滤了，否则有些细胞亚群细胞数量过少被过滤掉之后会酿成数据不一致而无法进行后续分析

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

（2）索求配受体对细胞通讯效用表：

df.net <- subsetCommunication(cellchat, slot.name = 'net')head(df.net) #获得配受体对细胞通讯效用表# #或造访其它感兴趣/特定的细胞通讯效用：# df.net1 <- subsetCommunication(cellchat,#                                sources.use = c('LC'),#                                targets.use = c('FBN1+ FIB')) #造访特定细胞对联集# head(df.net1)df.net2 <- subsetCommunication(cellchat, signaling = c('MIF')) #造访特定信号通门道集head(df.net2)

（3）索求信号通路水平的细胞通讯表：

cellchat <- computeCommunProbPathway(cellchat) #计划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：计划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网罗图：

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

花样代表不同的细胞亚群，圆圈的大小默示该细胞亚群所含配受体对数量。发出箭头的圆圈默示配体细胞亚群，箭头指向的圆圈默示受体细胞亚群。线的粗细默示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/强度网罗图：

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

花样代表不同的细胞亚群，圆圈的大小默示该细胞亚群所含配受体对数量。发出箭头的圆圈默示配体细胞亚群，箭头指向的圆圈默示受体细胞亚群。线的粗细默示通讯概率，概率越大线越粗。

查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")

配受体对细胞通讯效用表：

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

信号通路水平细胞通讯效用表：

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

使用网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

信号通路检察：

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 检察细胞亚群及factor规则：

levels(cellchat@idents)

遴荐其中感兴趣的细胞亚群：

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）网罗图（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 信号通路关联配受体对水平的细胞通讯分析

计划配受体对在筹备信号通路中的孝顺度:

netAnalysis_contribution(cellchat, signaling = pathways.show) 

配受体对孝顺条形图

图片

索求细胞对：

pairLR.CXCL <- extractEnrichedLR(cellchat,                                 signaling = pathways.show,                                 geneLR.return = FALSE)LR.show <- pairLR.CXCL[1,] #以孝顺度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")) #服气在筹备信号通路中有伏击作用的配受体对pairLR.use

参与筹备信号通路的基因在各细胞亚群的抒发差异展示：

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

图片

结语

胃癌复现系列到此终了，感谢诸位小伙伴的壮胆，同期也相称感谢Jimmy淳厚以及生信妙技树诸位淳厚的指引，接待民众提议宗旨建议和品评，你们的关怀是我们更新的能源。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

本站仅提供存储就业，总共实质均由用户发布，如发现存害或侵权实质，请点击举报。

• 曝光情人发错群