findscripter 何时使用
当你需要从单细胞 RNA-seq 推断并可视化细胞类型间的信号通讯时使用本条，典型场景：
- 判定组织/疾病样本里哪些细胞类型是旁分泌/自分泌信号的主要发送者与受体者
- 找出介导特定细胞群通讯的配体-受体对（如 肿瘤→T 细胞、成纤维→上皮）
- 比较两条件（健康 vs 疾病、用药 vs 对照）的信号网络，发现重连/丢失的通讯
- 发现某细胞互作中富集的通路级信号程序（如 MHC-II、COLLAGEN、VEGF）
- 按通讯强度或网络中心性排序，为扰动实验优先选靶
不该用本条的边界：
- 想要纯 Python 流程，或跨多个配体-受体数据库（CellChat/CellPhoneDB/Connectome/NicheNet）的共识排名 → 用 liana（py）
- 需要配体到靶基因的调控推断（预测发送细胞配体调控受体细胞哪些靶基因）→ 用 NicheNet
- 物种非人/鼠：CellChatDB 仅覆盖人鼠，其它物种需自建数据库
步骤
- 建对象：从 Seurat 对象（取归一化
data+ Idents 标签）或计数矩阵 + 标签向量createCellChat - 设库子集：
cellchat@DB <- CellChatDB.human（或 .mouse），可subsetDB限定信号类别，再subsetData - 过表达：
identifyOverExpressedGenes→identifyOverExpressedInteractions - 算概率：
computeCommunProb（质量作用定律）→filterCommunication(min.cells=10) - 通路聚合：
computeCommunProbPathway→aggregateNet（产出 net$count / net$weight） - 网络中心性：
netAnalysis_computeCentrality算发送/受体/中介/影响者；identifyCommunicationPatterns（NMF，k 由selectK肘部定） - 可视化：弦图
netVisual_circle/aggregate、热图netVisual_heatmap、气泡图netVisual_bubble - 跨条件：
mergeCellChat→compareInteractions/netVisual_diffInteraction/rankNet
指令
安装（CRAN 常滞后，从 GitHub 装）：
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")
BiocManager::install(c("BiocNeighbors", "ComplexHeatmap"))
devtools::install_github("jinworks/CellChat") # CellChat >= 2.0
install.packages(c("NMF","ggplot2","ggalluvial","igraph","dplyr","patchwork","circlize"))
数据要求：归一化表达矩阵（基因×细胞）+ 细胞分组标签向量。物种符号须匹配——人为全大写 HGNC（TGFB1），鼠为首字母大写 MGI（Tgfb1）。
示例
完整流程（Seurat 输入 → 弦图 + 气泡图）：
library(CellChat); library(Seurat)
data.input <- GetAssayData(seurat_obj, assay="RNA", slot="data") # 对数归一化
meta <- data.frame(labels = Idents(seurat_obj), row.names = colnames(seurat_obj))
cellchat <- createCellChat(object=data.input, meta=meta, group.by="labels")
cellchat@DB <- CellChatDB.human # 或 CellChatDB.mouse
cellchat <- subsetData(cellchat)
cellchat <- identifyOverExpressedGenes(cellchat)
cellchat <- identifyOverExpressedInteractions(cellchat)
cellchat <- computeCommunProb(cellchat, type="triMean", # 最稳健的聚合
nboot=100, seed.use=42, population.size=TRUE)
cellchat <- filterCommunication(cellchat, min.cells=10)
cellchat <- computeCommunProbPathway(cellchat)
cellchat <- aggregateNet(cellchat)
print(cellchat@netP$pathways) # 显著通路名
# 导出 LR 级显著交互（p<0.05）
df.lr <- subsetCommunication(cellchat, slot.name="net")
write.csv(df.lr[df.lr$pval < 0.05, ], "cellchat_lr.csv", row.names=FALSE)
# 聚合弦图（计数 + 强度）
groupSize <- as.numeric(table(cellchat@idents))
par(mfrow=c(1,2))
netVisual_circle(cellchat@net$count, vertex.weight=groupSize, weight.scale=TRUE, title.name="Number of interactions")
netVisual_circle(cellchat@net$weight, vertex.weight=groupSize, weight.scale=TRUE, title.name="Interaction strength")
# 指定通路弦图 + 气泡图
netVisual_aggregate(cellchat, signaling="COLLAGEN", layout="chord")
netVisual_bubble(cellchat, signaling=c("COLLAGEN","MIF","VEGF"))
ggsave("bubble.pdf", width=10, height=8)
中心性与跨条件比较：
cellchat <- netAnalysis_computeCentrality(cellchat, slot.name="netP")
netAnalysis_signalingRole_heatmap(cellchat, pattern="all") # 行=通路 列=细胞群
# 双条件：合并后比较
object.list <- list(Control=cellchat_ctrl, Disease=cellchat_disease)
cc <- mergeCellChat(object.list, add.names=names(object.list))
compareInteractions(cc, group=c(1,2), measure="weight")
netVisual_diffInteraction(cc, weight.scale=TRUE) # 增/减连接弦图
rankNet(cc, mode="comparison", stacked=TRUE, do.stat=TRUE) # 各条件特异通路
注意事项
- 输入必须是对数归一化值，不是原始计数（否则
computeCommunProb概率全 0）；用subsetData()后确认nrow(cellchat@data.signaling) > 0。 - 基因命名匹配物种：人全大写 / 鼠首字母大写；混用会导致概率全 0。鼠数据用
CellChatDB.mouse。 - 关键参数：
type="triMean"（最严格，推荐）/truncatedMean（配trim）；nboot默认 100，内存紧张可降到 50；population.size=TRUE对异质数据推荐；min.cells默认 10，小簇被丢可降到 5 或先合并稀有簇。 - net$count vs net$weight：count 是显著 LR 对数量，weight 是通讯概率之和（信息流）。高 count 低 weight = 多弱交互；高 weight 低 count = 少数主导通路。
- NMF 模式：
identifyCommunicationPatterns的k用selectK()肘部选，先试 k=2/3；不收敛多因 k 过高或数据过稀疏。 - 大数据/内存：≤30000 细胞/条件，或降
nboot；细胞群过多时弦图不可读，改用netVisual_heatmap或先把簇并成大类。 - 跨条件合并：
mergeCellChat前须setIdent()统一两对象的细胞群名levels(...@idents)，否则报标签不匹配。 - 检查点：
saveRDS(cellchat, "cellchat.rds")保存完成对象，可视化/比较前先存盘。
互见
- related：
single-cell-rnaseq-analysis—— 先用 Scanpy/Seurat 完成质控、聚类与细胞类型注释，产出 CellChat 所需的分组标签 - related：
gene-set-enrichment-analysis—— 对富集通路做进一步功能解读 - related：
nextflow-pipeline-builder—— 把通讯分析纳入可复现的批量流程 - combines_with：
single-cell-rnaseq-analysis—— 上游注释 + 下游通讯推断构成完整 scRNA-seq 解读链
本条采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0），适配重写而非逐字翻译。