这里介绍下空间转录组的CellChat分析 以及 和单细胞转录组的一些区别。
图片
一 数据输入，处理
1，载入R包和数据
仍然使用空转 | 结合scRNA完成空转spot注释（Seurat Mapping） & 彩蛋（封面的空转主图代码）推文中的空转数据进行示例展示。
注：CellChat分析中 Cell labels cannot contain `0`! ，因为未作细胞注释，因此将cluster前面加C 。
options(stringsAsFactors = FALSE)library(CellChat)library(Seurat)library(tidyverse)library(viridis)library(RColorBrewer)#载入数据load("Brain_ST_scRNA.sBio.Rdata")#查看数据情况Brain_ST@meta.data$celltype <- paste("C"，Brain_ST$seurat_clusters，sep = "")Idents(Brain_ST) <- "celltype"head(Brain_ST)#可定义颜色color.use <- scPalette(nlevels(Brain_ST))names(color.use) <- levels(Brain_ST)SpatialDimPlot(Brain_ST， label = TRUE， label.size = 3， cols = color.use)图片
图片
2，准备输入文件和单细胞区别之一：空间转录组除矩阵和meta外，还需要额外输入空间图像信息 以及 Scale factor信息 。
#矩阵信息data.input = Seurat::GetAssayData(Brain_ST， slot = "data"， assay = "SCT") #meta信息meta = data.frame(labels = Idents(Brain_ST)， #名字自定义 row.names = names(Idents(Brain_ST))) # manually create a dataframe consisting of the cell labelsunique(meta$labels)# 空间图像信息spatial.locs = Seurat::GetTissueCoordinates(Brain_ST， scale = NULL， cols = c("imagerow"， "imagecol")) # Scale factors and spot diameters 信息 scale.factors = jsonlite::fromJSON(txt = file.path("E:/bioinformation/sc_ST/data/Brain_35707680/spatial"， 'scalefactors_json.json'))scale.factors = list(spot.diameter = 65， spot = scale.factors$spot_diameter_fullres， # these two information are required fiducial = scale.factors$fiducial_diameter_fullres， hires = scale.factors$tissue_hires_scalef， lowres = scale.factors$tissue_lowres_scalef # these three information are not required)scalefactors_json.json在构建空转Object时候用到的， 查找一下路径即可。
3，创建CellChat对象使用上述准备好的矩阵数据、meta信息，图像信息和scale factor信息构建CellChat对象，通过 group.by 定义分组。
cellchat <- createCellChat(object = data.input， meta = meta， group.by = "labels"， #前面的meta ，定义的名字是labels datatype = "spatial"， ### coordinates = spatial.locs， scale.factors = scale.factors)
注意datatype 要选择 "spatial" 。
4，设置参考数据库因为空转数据是人的，这里直接选择CellChatDB.human（鼠的话选择 CellChatDB.mouse） 。
CellChatDB <- CellChatDB.human # use CellChatDB.mouse if running on mouse data# use a subset of CellChatDB for cell-cell communication analysis#CellChatDB.use <- subsetDB(CellChatDB， search = "Secreted Signaling"， key = "annotation") # use Secreted Signaling# use all CellChatDB for cell-cell communication analysisCellChatDB.use <- CellChatDB # simply use the default CellChatDB# set the used database in the objectcellchat@DB <- CellChatDB.use
注1：使用全部的用于cellchat分析，也可以不进行subsetDB，直接指定cellchat@DB <- CellChatDB 即可。
注2：如果你有关心的配受体对 且 不在该数据库中，也可以自行添加上。大概步骤就是下载对应的csv（数据库），在对应的列上添加上你的配受体对信息，保存后重新读取新的csv即可，详细见https://htmlpreview.github.io/?https://github.com/sqjin/CellChat/blob/master/tutorial/Update-CellChatDB.html。
5，海伦市三匹纸业有限公司CellChat预处理可以使用subsetData选择进行cellchat的子集， 于田县星匹食用油有限公司注意使用全集的话也要subsetData一下。
# subset the expression data of signaling genes for saving computation costcellchat <- subsetData(cellchat) # This step is necessary even if using the whole databasefuture::plan("multisession"，
台山市爱达电器厂有限公司 workers = 1) #笔记本可以选1##识别过表达基因cellchat <- identifyOverExpressedGenes(cellchat)#识别过表达配体受体对cellchat <- identifyOverExpressedInteractions(cellchat)二 推断cell-cell network
前面数据和配体受体库准备好之后，就可以根据表达值推断细胞类型之间的互作了。
1，推断细胞通讯网络使用表达值推测细胞互作的概率
cellchat <- computeCommunProb(cellchat， type = "truncatedMean"， trim = 0.1， distance.use = TRUE， scale.distance = 0.01)cellchat <- filterCommunication(cellchat， min.cells = 10)
注1：type 默认为triMean，producing fewer but stronger interactions; 当设置'type = "truncatedMean"'， 需要跟 'trim'参数 ， producing more interactions.
注2：distance.use = FALSE 会过滤掉较远空间距离之间的交互
注3：空转默认的是truncatedMean 和 trim组合，根据经验进行适当的调整。
2，计算cell-cell communication使用computeCommunProbPathway计算每个信号通路的所有配体-受体相互作用的通信结果，结存存放在net 和 netP中 。
然后使用aggregateNet计算细胞类型间整合的细胞通讯结果。
#计算每个信号通路相关的所有配体-受体相互作用的通信结果cellchat <- computeCommunProbPathway(cellchat)#计算整合的细胞类型之间通信结果cellchat <- aggregateNet(cellchat)
图片
与单细胞转录组一样，得到的net中也会有count 和 weight 两个维度，可以选择性可视化。
三 CellChat 可视化
除了和单细胞转录组一致的可视化外，还有一些空转特有的可视化展示。1，celltype之间通讯结果1）根据使用netVisual_circle显示任意两个celltype之间的通讯次数（左）或总通讯强度(右)groupSize <- as.numeric(table(cellchat@idents))par(mfrow = c(1，2)， xpd=TRUE)netVisual_circle(cellchat@net$count， vertex.weight = rowSums(cellchat@net$count)， weight.scale = T， label.edge= F， title.name = "Number of interactions")netVisual_circle(cellchat@net$weight， vertex.weight = rowSums(cellchat@net$weight)，人才招聘 weight.scale = T， label.edge= F， title.name = "Interaction weights/strength")
图片
2）根据使用netVisual_heatmap显示任意两个celltype之间的通讯次数（左）或总通讯强度(右)p1 <- netVisual_heatmap(cellchat， measure = "count"， color.heatmap = "Blues")p2 <- netVisual_heatmap(cellchat， measure = "weight"， color.heatmap = "Blues")p1 + p2
图片
2，单个信号通路可视化首先根据cellchat@netP$pathways展示当前有哪些通路结果，选择感兴趣的进行展示，此处示例展示SPP1通路。
levels(cellchat@idents) 查看当前的celltype顺序，然后可以通过vertex.receiver指定target 的细胞类型。
1）层级图绘制层级图的话 ，需要指定layout为hierarchy ，当前版本默认下出来的是circle图。
cellchat@netP$pathwayspathways.show <- c("SPP1")levels(cellchat@idents) #[1] "C9" "C3" "C5" "C4" "C0" "C7" "C6" "C8" "C1" "C2" vertex.receiver = c(1，2，4，5) #选择的是levels(cellchat@idents) 中的netVisual_aggregate(cellchat， signaling = pathways.show， vertex.receiver = vertex.receiver，layout = "hierarchy")图片
左图中间的Target是vertex.receiver选定的细胞类型，右图是除vertex.receiver选中之外的另外的细胞类型。
注意vertex.receiver = c(1，2，4，5) 选择的是levels(cellchat@idents) 中的第1 2 4 5 个celltype 而不是C1 C2 C4 C5。
2）和弦图可以额外绘制空间转录组版本的和弦图，添加layout = "spatial" 。
# Circle plotpar(mfrow=c(1，1))netVisual_aggregate(cellchat， signaling = pathways.show， layout = "circle")# Spatial plotpar(mfrow=c(1，1))netVisual_aggregate(cellchat， signaling = pathways.show， layout = "spatial"， edge.width.max = 2， vertex.size.max = 1， alpha.image = 0.2， vertex.label.cex = 3.5)
图片
图片
3） network centrality scores# Compute the network centrality scorescellchat <- netAnalysis_computeCentrality(cellchat， slot.name = "netP") # the slot 'netP' means the inferred intercellular communication network of signaling pathways# Visualize the computed centrality scores using heatmap， allowing ready identification of major signaling roles of cell groupspar(mfrow=c(1，1))netAnalysis_signalingRole_network(cellchat， signaling = pathways.show， width = 8， height = 2.5， font.size = 10)
图片
3，绘制配体受体气泡图1）指定受体-配体细胞类型绘制指定受体-配体细胞类型中的全部配体受体结果的气泡图，通过sources.use 和 targets.use指定。
#指定受体-配体细胞类型netVisual_bubble(cellchat， sources.use = c(3，5)， targets.use = c(1，2，4，6)， remove.isolate = FALSE)
图片
2）指定受体-配体细胞类型 且 指定通路同时通过signaling指定展示通路
netVisual_bubble(cellchat， sources.use = c(3，5)， targets.use = c(1，2，4，6)， signaling = c("TGFb"，"SPP1")， remove.isolate = FALSE)图片
3）ligand-receptor pair 表达# Take an input of a ligand-receptor pair and show expression in binaryspatialFeaturePlot(cellchat， pairLR.use = "IGF1_IGF1R"， point.size = 1.5， do.binary = TRUE， cutoff = 0.05， enriched.only = F， color.heatmap = "Reds"， direction = 1)
图片
以上就完成了CellChat 在空转数据中的应用。
四 参考资料更多的可视化展示方式详见官网：[1]https://github.com/jinworks/CellChat
[2]https://htmlpreview.github.io/?https://github.com/jinworks/CellChat/blob/master/tutorial/CellChat_analysis_of_spatial_imaging_data.html
[3]CellChat for systematic analysis of cell-cell communication from single-cell and spatially resolved transcriptomics
◆ ◆ ◆ ◆ ◆
精心整理（含图PLUS版）|R语言生信分析，可视化（R统计，ggplot2绘图，生信图形可视化汇总）
RNAseq纯生信挖掘思路分享？不公司简介，主要是送你代码！（建议收藏）
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。