单细胞测序技术的最新进展,为系统地探索组织中的细胞-细胞通讯提供了机会,并减少了偏差。关键挑战之一是,将已知分子相互作用和测量整合到一个框架中,以识别和分析复杂的细胞-细胞通讯网络。
之前,美国 加利福尼亚大学尔湾分校(University of California, Irvine)金锁钦Suoqin Jin,Maksim V. Plikus & 聂青Qing Nie等(https://www.nature.com/articles/s41467-021-21246-9),开发了名为CellChat的计算工具,可在易于解释的框架内,从单细胞转录组数据中,推断和分析细胞-细胞通讯网络。CellChat使用简化的基于质量作用模型,量化两个细胞群之间的信号通讯概率,同时结合了具有多亚基结构的配体和受体之间核心相互作用以及辅因子调节。重要的是,CellChat使用各种定量指标和机器学习方法,系统和比较分析了细胞-细胞通信。CellChat V2是更新版本,包括额外的比较功能,扩展的配体-受体对数据库,以及丰富的功能注释,以及交互式CellChat浏览器。今日,武汉大学 金锁钦Suoqin Jin,美国 加利福尼亚大学尔湾分校(University of California, Irvine)Maksim V. Plikus & 聂青Qing Nie,在Nature Protocols上发文,提供了在单细胞转录组数据上,使用CellChat V2逐步方案,包括从数据集推断和分析细胞-细胞通讯,以及在不同生物条件时,从不同数据集识别改变的细胞间通讯、信号和细胞群。CellChat V2 Toolkit的R实现及其教程和图形输出可参见https://github.com/jinworks/CellChat。根据数据集的大小,该实验协议通常需要约5分钟,并且需对R和单细胞数据分析有基本的了解,但无需专门的生物信息学培训。CellChat for systematic analysis of cell–cell communication from single-cell transcriptomics.
CellChat用于从单细胞转录组学系统分析细胞-细胞通讯。
图1:CellChat概述以及程序步骤编号。
图2:CellChat运行时间与细胞数量和细胞群增加关系。
图3:当使用不同方法计算每个细胞群的平均基因表达时,推断L-R对的数量和鉴定的信号通路。
图4:在R包中,runCellChatApp函数创建的交互式CellChat浏览器。
Jin, S., Plikus, M.V. & Nie, Q. CellChat for systematic analysis of cell–cell communication from single-cell transcriptomics. Nat Protoc (2024). https://doi.org/10.1038/s41596-024-01045-4https://www.nature.com/articles/s41596-024-01045-4声明:仅代表译者观点,如有不科学之处,请在下方留言指正!