大家好呀！今天为大家解读的是一篇于2021年1月17日发表于nature communications的文章，题目为Inference and analysis of cell-cell communication using CellChat，本文详细介绍了CellChat在配受体以及辅助因子方面的作用原理，并对不同信号传导通路进行分类，作者还上线了工具包CellChat和基于Web的资源管理器（http://www.cellchat.org/） ，帮助大家更好的进行细胞通讯间的分析。
背景介绍
单细胞测序通过在单个细胞分辨率下进行测序，可以对细胞类型进行详细分类，并预测细胞分化轨迹，但在探索细胞通讯方面的能力依然有限。
当前已经开发了几种方法用于在scRNA-seq数据中推断细胞间的通讯关系，例如 SingleCellSignalR，iTALK和NicheNet，但这些方法只使用一个配体/受体基因对，常常忽略了许多受体中的多亚基复合物的作用。例如，来自 来自TGFβ途径的可溶性配体通过I型和II型受体的异聚复合物发出信号。为了解决该问题，开发的 CellPhoneDB v2.0 可以预测两个细胞群之间的信号相互作用。但是，并未考虑其他重要的信号辅助因子，包括可溶性激动剂，拮抗剂以及刺激性和抑制性的膜结合型共受体。
作者开发的 CellChat是一个开源R包（https://github.com/sqjin/CellChat），用于从scRNA-seq数据推断，可视化和分析细胞间的通讯。首先作者手动建立了一个信号分子相互作用的数据库，充分考虑了配体-受体相互作用的已知结构组成，例如多聚体配体-受体复合物，可溶性激动剂和拮抗剂，以及刺激性和抑制性膜结合型共受体。接下来，CellChat使用质量作用模型，以及对细胞组的差异表达分析和统计测试，在给定的scRNA-seq数据内推断细胞状态特定的信号通讯。CellChat还提供了多个可视化输出，并通过社交网络分析工具，模式识别方法和多种学习方法对细胞间通讯进行定量表征和比较。
结果分析
1.CellChat概述
CellChat将细胞的基因表达数据作为输入，并结合配受体及其辅助因子的相互作用来模拟细胞间通讯（图1a）。为了建立细胞间通讯，CellChat可以在基于标签和无标签的模式下运行（图1b）。在输入数据后，CellChat通过以下三个模块对细胞间通信进行建模：（1）交叉引用配体-受体相互作用数据库；（2）细胞间通讯的推断和可视化；（3）细胞间通讯的定量分析。
图1 CellChat流程图
2.CellChat可以识别通讯模式并预测研究不充分的通路的功能
作者利用最近发表的胚胎发育和成年伤口愈合阶段的小鼠皮肤scRNA-seq数据来展示CellChat的功能。作者首先在第12天的小鼠皮肤伤口组织的scRNA-seq数据集上运行CellChat分析。该数据集包含21,898个细胞，这些细胞分为25个细胞组，包括9个成纤维细胞（FIB），5个骨髓（MYL）和6个内皮（ENDO）组以及其他几种细胞类型，例如T细胞（TC），B细胞（BC），树突状细胞（DC）和淋巴管内皮细胞（LYME）。
CellChat在25个细胞亚群中发现60个重要的配体-受体对，并且分布在25个信号传导通路中，包括TGFβ，非经典WNT（ncWNT），TNF，SPP1，PTN，PDGF，CXCL，CCL和MIF途径。根据网络中心性分析发现，髓样细胞是作用于成纤维细胞的TGFβ配体的最主要来源（图2a，b）。CellChat还预测，某些内皮细胞亚群以及成纤维细胞亚群都是已知的TGFβ配体来源，它们在伤口中以髓样为主的TGFβ信号产生中发挥了重要作用。值得注意的是，在所有已知的配体-受体对中，伤口的TGFβ信号主要由Tgfb1配体及其多聚体Tgfbr1 / Tgfbr2受体控制（图2c）。FIB-D细胞高表达了Crabp1，并富集细胞周期相关基因，这可能表示伤口真皮中Crabp1阳性细胞是一种细胞周期活跃的细胞。
此外，CellChat能够量化所有重要信号通路之间的相似性，然后根据细胞通讯网络的相似性对其进行分组。
图2 修复过程中皮肤细胞之间通讯的CellChat分析
3.CellChat揭示了连续细胞谱系相关的信号事件
CellChat还用于沿伪时间轨迹的连续细胞状态，并且作者在胚胎日E14.5小鼠皮肤上使用scRNA-seq数据进行证明。首先使用UMAP图对真皮和表皮胚胎皮肤细胞进行伪时序分析，发现末端皮肤细胞可以分为7个细胞亚群，包括5个成纤维细胞状体和2个DC状态。这些轨迹的线性顺序概括了胚胎表皮成纤维细胞谱系的连续变化（图3a,b）。
然后作者预测了88对重要的配体-受体相互作用分布在22种信号通路中，包括WNT，ncWNT，TGFβ，PDGF，NGF，FGF和SEMA3。然后作者通过运行CellChat模式识别模块来揭示皮肤形态发生过程中的关键顺序信号事件。
图3 将CellChat应用于沿伪时间轨迹的连续细胞状态
4.CellChat预测空间共定位细胞群之间的关键信号事件
为了进一步证明CellChat的预测性质， 作者研究了E14.5真皮浓缩物（DC）和上皮斑细胞（placode）之间的信号传递，因为这些细胞在胚胎毛囊形成的初始阶段在空间上共定位并彼此主动发出信号，并识别出三个DC状态（pre-DC，DC1和DC2），以及一个上皮斑状态。对这4种细胞进行CellChat分析发现，可以确定上皮斑细胞作为细胞间的hub细胞， 分别通过44和19个配体-受体对分泌和接收信号（图4b）。对于早期毛囊形态发生中的另一个主要信号传导途径-经典的WNT，上皮斑细胞是配体的主要来源（图4c），主要表达自分泌的Wnt3和Wnt6。通过系统地研究预测的placode-to-DC信号，作者发现了21个配体受体对，它们涉及DC形成过程中的WNT，TGFβ，SEMA3，PTN，PDGF，MK和FGF信号通路。
图4 CellChat在空间共定位细胞群之间的通讯中的应用
5.时间过程的scRNA-seq数据的联合学习以发现动态交流模式
接下来，作者演示如何将CellChat应用于研究同一组织中不同时间的细胞间通讯。作者对来自E13.5天和E14.5天20的两个胚胎小鼠皮肤scRNA-seq数据集进行了组合分析。E13.5和E14.5数据集的无监督聚类确定了E13.5和E14.5处的11个皮肤细胞种群以及E14.5特有的另外2个种群（即真皮DC和表皮细胞）。然后作者根据不同数据集的功能相似性对推断的通讯网络进行分类，发现联合学习能够识别经历胚胎阶段依赖性变化的信号传导途径。
图5 不同皮肤发育阶段之间的表皮-真皮通讯的比较分析
6.联合识别两个皮肤状态之间的保守和状态特异的通信模式
作者使用CellChat比较了两个scRNA-seq数据集之间的细胞通讯模式，一个来自胚胎期E13.5皮肤，另一个来自成年12天伤口皮肤（图6a）。这两个数据集虽然来自相同物种的相同组织（皮肤），并且包含某些相同的主要细胞类型（如成纤维细胞），但他们却来自截然不同的生物学环境--胚胎形态发生与伤口诱导的修复。
图6 识别两个皮肤状态之间的保守和状态特异的通信模式
7.联合学习发现病变皮肤主要信号变化
最后作者使用CellChat对进行发表的皮肤单细胞数据集进行分析，观察受伤和正常部位的信号变化。作者发现在病变皮肤中富含炎症相关的免疫细胞，包括DC和T细胞。使用CellChat对不同细胞亚群间的通讯网络进行分析，包括成纤维细胞(4个亚群: APOE + FIB, FBN1 + FIB, COL11A + FIB, and Inflam.FIB), DCs (4个亚群: cDC1, cDC2, LC, and Inflam.DC), 和TCs (4个亚群: TC, Inflam.TC, CD40LG + TC and NKT)。并且CellChat确定配体-受体对CCL19-CCR7是最重要的信号传导，有助于从Inflam.FIB到Inflam.DC的通讯（图7d-f）。还发现配体CXCL12及其受体CXCR4在病变皮肤中具有很高的活性，特别是对于从Inflam.FIB到cDC2和Inflam.DC的信号传递（图7d ）
图7.识别患病皮肤中主要信号的变化
参考文献
Jin, S., Guerrero-Juarez, C.F., Zhang, L.et al.Inference and analysis of cell-cell communication using CellChat.Nat Commun12,1088 (2021).https://doi.org/10.1038/s41467-021-21246-9