工具详解 | CellChat 揭示细胞通讯机制
点击蓝字
关注我们
CellChat 揭示细胞通讯机制
细胞到底是怎么“聊天”的？
它们靠什么交流？
答案是：它们主要依赖一种化学信号进行通讯，通常是发送细胞产生的蛋白质或其他分子。只有拥有对应受体（receptor）的细胞，才能识别并接收这个信号。当信号分子（通常称为配体，ligand）和受体结合后，就会让受体的形状或活性发生变化，从而把配体所携带的信息转换成细胞内部的一系列反应，例如改变某个基因的活性，甚至可以启动一整套完整的细胞过程，例如细胞分裂[1]。
图片来源：https://www.khanacademy.org/science/biology/cell-signaling/mechanisms-of-cell-signaling/a/introduction-to-cell-signaling
01
Cellchat软件（最新版本v2.1.0）是2024年由Jin等学者开发的生物信息学R语言包[2]，也是目前最常用、最稳定的细胞间通讯分析包之一。Cellchat能根据输入的scRNA-seq数据，推断细胞间通讯网络、预测细胞的主要信号的输入及输出、以及分析这些细胞群和信号如何协同作用。此外，CellChat还具有强大的可视化输出功能，能更直观地进行数据解释和分析。
CellChat的主要优势在于：
全面数据库：
互作网络分析：
信号通路分组：
不同状态比较：
02
在实际研究中，细胞通讯分析不仅是一种描述性工具，更能够帮助研究人员揭示调控关系：哪些细胞在主导疾病的进展？哪些信号通路被激活？哪些细胞类型在信号交流中扮演“发送者”或“接收者”的角色？许多高质量研究和论文正是使用了Cellchat分析，找到了细胞间调控机制。
以2024年发表在Nature Communications的文章DNMT3A clonal hematopoiesis-driver mutations induce cardiac fibrosis by paracrine activation of fibroblasts[3]为例，该研究旨在解析DNMT3A突变导致的意义未明的克隆性造血（clonal hematopoiesis of indeterminate potential, DNMT3A-CHIP）病人中，突变单核细胞与心脏其他细胞类型之间的相互作用机制。作者通过Cellchat推断细胞互作网络，识别潜在受体细胞，进一步预测驱动纤维化的关键信号通路，为后续实验提示了可能的方向。
根据Cellchat分析得到的细胞互作数量结果，如图所示，DNMT3A CHIP单核细胞（monocytes）发出的信号明显多于No-CHIP组。在射血分数降低型心衰（HFrEF）样本中，DNMT3A CHIP单核细胞与成纤维细胞之间的相互作用数量最多，提示DNMT3A CHIP单核细胞在心脏可能主要作用于心肌成纤维细胞（cardiac fibroblasts）。
图片来源：doi.org/10.1038/s41467-023-43003-w
为了进一步研究DNMT3A CHIP单核细胞刺激成纤维细胞活化的机制。作者基于CellChat分析DNMT3A-CHIP 与 No-CHIP 单核细胞在健康与 HFrEF 心脏组织中的受体-配体相互作用，结果显示，两组均富集于 EGF、RESISTIN 和 IGF 等信号通路，其中EGF占主导地位。
图片来源：doi.org/10.1038/s41467-023-43003-w
基于此预测，作者在细胞与组织模型中验证了HB-EGF（EGF家族配体）能够显著激活心肌成纤维细胞，支持了 CellChat 的推断结果。
图片来源：doi.org/10.1038/s41467-023-43003-w
此外，还通过EGFR（EGF受体）抑制剂Gefitinib能阻止DNMT3A沉默的单核细胞上清液诱导αSMA的表达（αSMA是肌纤维母细胞激活的著名标志），进一步证明了 EGF-EGFR 通路的关键作用。
图片来源：doi.org/10.1038/s41467-023-43003-w
03
理解了 CellChat 在单细胞分析的重要性和应用场景后， 想自己跑通单样本细胞通讯分析？我们梳理了一份基于R语言的Cellchat分析步骤指南，带你一步步走通：
Step1 创建 CellChat 对象
library(CellChat)
library(Seurat)
seurat_obj <- GetAssayData(seurat_obj, slot = "data")
cellchat <- createCellChat(object = seurat_obj, meta = seurat_obj@meta.data, group.by = "celltype")
CellChatDB <- subsetDB(CellChatDB.human)
cellchat@DB <- CellChatDB
Step2 识别配体–受体对
cellchat <- subsetData(cellchat)cellchat <- identifyOverExpressedGenes(cellchat)cellchat <- identifyOverExpressedInteractions(cellchat)
Step3 计算通信概率
cellchat <- computeCommunProb(cellchat)cellchat <- computeCommunProbPathway(cellchat)
Step4 可视化
# HeatmapnetVisual_heatmap(cellchat, measure = c("weight"), font.size = 12, font.size.title = 15, color.heatmap = "Blues")
图片来源：百洋智心
# Circle plotgroupSize <- as.numeric(table(cellchat@idents))netVisual_circle(cellchat@net$weight, vertex.weight = groupSize, weight.scale = T, label.edge = F)
图片来源：百洋智心
# Scatter plotnetAnalysis_signalingRole_scatter(cellchat, label.size = 6, font.size = 15)
图片来源：百洋智心
# Bubble plotnetVisual_bbble(cellchat, sources.use = c("CM"), remove.isolate = TRUE, signaling = c("APP"))
图片来源：百洋智心
# Chord plotnetVisual_chord_cell(cellchat, signaling = 'APP', title.name = " ")
图片来源：百洋智心
百洋智心大数据与生物信息学平台
百洋智心团队基于 CellChat 提供专业的细胞通讯分析服务，包括：
✅ CellChat 细胞通讯网络构建与分析
✅ 显著互作信号通路鉴定
✅ 多层次可视化（网络、气泡、热图等）
✅ 配体-受体对强度与概率计算
✅ 信号通路层级结构与贡献度解析
✅ 通讯相关基因功能富集分析
✅ ……
储存计算资源
高性能计算服务器集群
-
4个CPU机架式计算节点，每节点搭载 Intel Xeon Gold 5318Y处理器，合计提供192线程的计算能力。
-
2000+TB存储空间（2160TB HDD + 40TB SSD）
图片来源：百洋智心
多组学分析
专业的转录组、基因组及多组学整合分析服务
-
基于Seurat、CellChat、Signac等生物信息学工具，包括但不限于差异基因表达、可变剪接、细胞互作、转录因子结合位点、增强子鉴定等全流程分析。
图片来源：百洋智心
欢迎扫码或微信服务号后台直接咨询：
参考文献：
[1] Berridge, M. J. (1985). The molecular basis of communication within the cell. Scientific American, 253(4), 142-152A.
[2] Jin, S., Plikus, M. V., & Nie, Q. (2025). CellChat for systematic analysis of cell–cell communication from single-cell transcriptomics. Nature protocols, 20(1), 180-219.
[3] Shumliakivska, M., Luxán, G., Hemmerling, I., Scheller, M., Li, X., Müller-Tidow, C., ... & Dimmeler, S. (2024). DNMT3A clonal hematopoiesis-driver mutations induce cardiac fibrosis by paracrine activation of fibroblasts. Nature communications, 15(1), 606.
往期精选
本篇文章来源于微信公众号:百洋智心
