细胞通讯（Cell-cell communication，CCC）是指细胞之间通过化学信号进行信息交换的过程。这些信号可以是蛋白质、肽、核酸、脂质或小分子，它们通过特定的受体在细胞表面或内部被接收，从而触发细胞内的信号传导途径，影响细胞的行为和功能。细胞通讯对于维持组织功能、协调细胞行为、发育过程以及免疫反应等至关重要。目前，基于空间转录组学进行细胞通讯的分析软件非常多，比如单细胞改良版软件cellphoneDB、CellChat、Nichenet、以及专门为空转通讯分析的stlearn、COMMOT等。本文主要介绍COMMOT软件的分析方法。
COMMOT（最佳传输的通讯分析）通过同时考虑空间转录组学数据或空间注释scRNA-seq数据的大量配体-受体对来推断CCC，这些数据配备了根据成对空间成像数据估计的细胞之间的空间距离；总结和比较空间信号的方向；使用树模型识别CCC对基因表达的下游影响；并为各种分析提供可视化工具。
使用集体最优传输理论处理复杂的分子相互作用和空间限制，这种方法允许同时考虑多种配体和受体之间的相互作用
对CCC实施空间距离约束，避免连接空间上相距较远的细胞，以更准确地模拟实际的细胞间通讯
能够同时考虑空间转录组学数据或空间注释的scRNA-seq数据中的大量配体-受体对
使用树模型识别CCC对基因表达的下游影响，并提供可视化工具来展示分析结果
1. 数据准备
该软件数据读取依赖python：scanpy，该软件读取空间数据时要求的格式为spaceranger生成的h5文件以及spatial文件夹，其中spatial文件夹对应的文件信息如下：
但HD数据无tissue_positions.csv，使用的格式是tissue_positions.parquet，如果想读取数据，需要将对应的表格输出，具体的指令如下：
library(arrow)tissue.positions <-read_parquet('./binned_outputs/square_008um/spatial/tissue_positions.parquet')tissue.positions[, 'pxl_row_in_fullres']<-round(tissue.positions[, 'pxl_row_in_fullres'])tissue.positions[, 'pxl_col_in_fullres']<-round(tissue.positions[, 'pxl_col_in_fullres'])# 导出空转位置数据write.csv(tissue.positions,file = "./binned_outputs/square_008um/spatial/tissue_positions.csv" ,row.names = F)
2. 数据分析
以10Xgenomics官方小鼠脑组织数据为例
sp_input = "Brain1/outs" #输入数据路径species = 'mouse' #物种信息outdir = "output" #输出路径，需要先创建输出的路径#载入python模块import osimport gcimport otimport pickleimport anndataimport scanpy as scimport pandas as pdimport numpy as npfrom scipy import sparsefrom scipy.stats import spearmanr, pearsonrfrom scipy.spatial import distance_matriximport matplotlib.pyplot as pltimport commot as ctadata = sc.read_visium(sp_input) #读取空转数据#数据预处理adata.var_names_make_unique()adata.raw = adatasc.pp.normalize_total(adata, inplace=True) #数据标准化处理sc.pp.log1p(adata)#使用 scRNA-seq 数据的常用方法对数据进行基本聚类sc.pp.highly_variable_genes(adata, min_mean=0.0125, max_mean=3, min_disp=0.5) #寻找高变基因adata = adata[:, adata.var.highly_variable]sc.tl.pca(adata, svd_solver='arpack') #pca分析sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40)sc.tl.umap(adata) #umap降维sc.tl.leiden(adata, resolution=0.4)#图片绘制sc.pl.spatial(adata, color='leiden',return_fig=True)plt.savefig(outdir + '/' + "spatial.umap.pdf")plt.savefig(outdir + '/' + "spatial.umap.png",dpi=600) #保存图片#空间通信推理#database可选：CellChat/CellPhoneDB_v4.0#signaling_type：对于CellChat可选择'Secreted Signaling', 'Cell-Cell Contact', 或者 'ECM-Receptor'，对于CellPhoneDB_v4.0可选择'Secreted Signaling' 或者 'Cell-Cell Contact'df_cellchat = ct.pp.ligand_receptor_database(species=species, signaling_type='Secreted Signaling', database='CellChat')#过滤df_cellchat_filtered = ct.pp.filter_lr_database(df_cellchat, adata_dis500, min_cell_pct=0.05)# 通讯分析ct.tl.spatial_communication(adata_dis500,database_name='cellchat', df_ligrec=df_cellchat_filtered, dis_thr=500, heteromeric=True, pathway_sum=True)adata_dis500.obs['leiden'] = adata.obs['leiden']adata_dis500.write(outdir + '/' + "adata_dis500.h5ad") #结果保存#不同通路对应的绘图for pathway in list(set(df_cellchat_filtered.iloc[:,2])):ct.tl.communication_direction(adata_dis500, database_name='cellchat', pathway_name=pathway, k=5)ct.pl.plot_cell_communication(adata_dis500, database_name='cellchat', pathway_name=pathway, plot_method='grid', background_legend=True,scale=0.0008, ndsize=8, grid_density=0.4, summary='sender', background='image', clustering='leiden', cmap='Alphabet',normalize_v = True, normalize_v_quantile=0.995) #scale用于矢量场图的比例参数。值越小，箭头越长。可根据实际情况，进行参数的调整plt.savefig(outdir + '/' + pathway + '.signal.arrow.grid.spatial.pdf')plt.savefig(outdir + '/' + pathway + '.signal.arrow.grid.spatial.png',bbox_inches = 'tight',dpi=300) #图片保存，png设置相应的dpi，默认的dpi较小ct.pl.plot_cell_communication(adata_dis500, database_name='cellchat', pathway_name=pathway, plot_method='stream', background_legend=True,scale=0.00001, ndsize=8, grid_density=0.4, summary='sender', background='image', clustering='leiden', cmap='Alphabet',normalize_v = True, normalize_v_quantile=0.995)plt.savefig(outdir + '/' + pathway + '.signal.arrow.stream.spatial.png',bbox_inches = 'tight',dpi=300) #图片保存，png设置相应的dpi，默认的dpi较小
以PASP通路结果为例：
图片意义：通路的信号传导方向。可通过信号流图识别细胞间的通讯方向，了解信号是如何在细胞间传递的。但该图的解读应结合具体的生物学背景和研究问题，以确保分析结果的准确性和生物学意义。
Zixuan, Cang,Yanxiang, Zhao,Axel A, Almet et al. Screening cell-cell communication in spatial transcriptomics via collective optimal transport.[J] .Nat Methods, 2023, 20: 0.
CytoTRACE：细胞分化潜能分析|生信开发实战
Visium HD数据分析之Bin2Cell |生信开发实战
ROC分析介绍|生信开发实战
如果使用find_circ来鉴定circRNA|生信开发实战
本文系联川生物公众号原创文章，未经授权禁止转载，侵权必究！ 扫描下方二维码 点分享
点点赞
点在看
