④-1单细胞学习-cellchat单数据代码补充版

1，数据输入及处理

①载入包和数据

②CellChat输入数据准备

③构建CellChat对象

④数据预处理

2，细胞通讯预测

①计算细胞通讯概率

②提取配受体对细胞通讯结果表

③提取信号通路水平的细胞通讯表

④细胞互作关系可视化

1）细胞亚群间配受体数目网络图

2）细胞亚群间配受体概率/强度网络图

3）每个细胞亚群的配受体通讯概率进行单独展示

编辑4）数量和强度弦图合并

3，信号通路水平的细胞通讯分析

4，信号通路相关配受体对水平的细胞通讯分析

5，多个配受体对/信号通路水平介导的细胞通讯可视化

①指定信号通路

②参与目标信号通路的基因在各细胞亚群的表达分布展示

③气泡图

1，数据输入及处理

①载入包和数据

官方学习：focuslyj/CellChat - 码云 - 开源中国 ()

这里提供的应该是counts data数据





rm(list=ls())




library(CellChat)




library(patchwork)




library(ggplot2)




library(Seurat)




library(ggalluvial)#绘制桑基图




library(expm)




library(sna)




library(NMF)




options(stringsAsFactors = FALSE)##输入数据不自动转换成因子（防止数据格式错误）




load("data_humanSkin.Rdata")#数据加载：这里是count data数据

②CellChat输入数据准备




#需标准化的基因表达量矩阵和细胞分组信息文件



#不同输入格式处理方式不同




data.input = data_humanSkin$data#需标准化的基因表达量矩阵和细胞分组信息文件



meta = data_humanSkin$meta




data.input[1:6,1:3]#表达count




head(meta);table(meta$condition) #含normal(NL)和diseases(LS)



cell.use = rownames(meta)[meta$condition == 'LS'] #提取LS的细胞名称




data.input = data.input[, cell.use]#提取LS表达矩阵



meta = meta[cell.use, ]#提取LS细胞信息



identical(rownames(meta),colnames(data.input)) #检查矩阵列名和分组文件行名是否一致



unique(meta$labels) #检查细胞亚群标签类型

③构建CellChat对象




#接下来构建CellChat对象



cellchat <- createCellChat(object = data.input, #支持normalized表达矩阵，Seurat对象，和SingleCellExperiment对象



                           meta = meta, #meta文件



                           group.by = 'labels') #meta中的细胞分类列



#cellchat <- addMeta(cellchat, meta = meta)#创建CellChat对象未 cellmeta信息时添加信息



cellchat <- setIdent(cellchat, ident.use = 'labels') #将label设置为显示的默认顺序



levels(cellchat@idents) #查看celltype和factor顺序




table(cellchat@idents) #每个celltype中的细胞数



 



#设置配受体数据库(CellChatDB):



CellChatDB <-  #() ()



showDatabaseCategory(CellChatDB) #查看描述该数据库组成的饼状图



dplyr::glimpse(CellChatDB$interaction) #查看数据库结构



 



#直接使用CellChatDB全库进行细胞通讯分析：



##CellChatDB.use <- CellChatDB # simply use the default CellChatDB



#选择数据库中特定子集进行细胞通讯分析:



CellChatDB.use <- subsetDB(CellChatDB, 



                           search = 'Secreted Signaling') #可选择Secreted Signaling、ECM-Receptor或Cell-Cell Contact



cellchat@DB <- CellChatDB.use#将数据库添加到CellChat对象中(DB)

④数据预处理




#数据预处理；信号基因的表达矩阵子集化，节省计算成本



cellchat <- subsetData(cellchat) #必选的step,取上一步中信号基因的表达矩阵子集,赋值到cellchat@data.Signaling




#future::plan('multiprocess', workers = 4) # do parallel （可以不用选择平行计算）



#鉴定与每个细胞亚群相关的过表达信号基因：基于表达该基因的细胞比例、差异倍数和p值判定。



cellchat <- identifyOverExpressedGenes(cellchat,



                                        = TRUE, #仅返回positive markers




                                        = 0, #细胞比例阈值




                                        = 0, #差异倍数




                                        = 0.05) #P-Value




#计算结果赋值到cellchat@var.features：



head(cellchat@var.features$features) #过表达信号基因名




head(cellchat@var.features$features.info) #差异计算结果表




#识别过表达基因配体-受体互作：



cellchat <- identifyOverExpressedInteractions(cellchat)



head(cellchat@LR$LRsig) #计算结果赋值位置




#将基因表达数据映射到PPI网络(可跳过)：



cellchat <- projectData(cellchat, PPI.human) #返回结果:cellchat@data.project

2，细胞通讯预测

①计算细胞通讯概率




#细胞通讯预测##############################################



cellchat <- computeCommunProb(cellchat, raw.use = TRUE) #返回结果:cellchat@options$parameter



##默认使用原始表达数据(cellchat@data.Signaling)，若想使用上一步PPI矫正数据,设置raw.use = TALSE



cellchat <- filterCommunication(cellchat,  = 10) #细胞通讯过滤(设置每个亚群中进行细胞间通讯所需的最小细胞数)

②提取配受体对细胞通讯结果表




#提取配受体对细胞通讯结果表：



 <- subsetCommunication(cellchat,  = 'net')



head() #得到配受体对细胞通讯结果表



 



#或访问其它感兴趣/特定的细胞通讯结果：



1 <- subsetCommunication(cellchat,



                               sources.use = c('LC'),



                               targets.use = c('FBN1+ FIB')) #访问特定细胞对子集



head(1)



 



2 <- subsetCommunication(cellchat, signaling = c('CD40')) #访问特定信号通路子集



head(2)

③提取信号通路水平的细胞通讯表

提取配受体对细胞通讯结果表：subsetCommunication函数

提取信号通路水平的细胞通讯表：computeCommunProbPathway函数




#提取信号通路水平的细胞通讯表：



cellchat <- computeCommunProbPathway(cellchat) #计算信号通路水平上的通讯概率



df.netp <- subsetCommunication(cellchat,  = 'netP') #得到信号通路水平细胞通讯表




head()

④细胞互作关系可视化

1）细胞亚群间配受体数目网络图




cellchat <- aggregateNet(cellchat)#计算细胞对间通讯的数量和概率强度



#不同细胞亚群间的互作数量与概率/强度可视化：



groupSize <- as.numeric(table(cellchat@idents))##细胞亚群间配受体数目网络图：



par(mfrow = c(1,1), xpd = TRUE)



netVisual_circle(cellchat@net$count,



                  = groupSize,



                  = T,



                  = F,



                  = 'Number of interactions')

细胞通讯| 基础分析教程_哔哩哔哩_bilibili

2）细胞亚群间配受体概率/强度网络图




##细胞亚群间配受体概率/强度网络图：




par(mfrow = c(1,1), xpd = TRUE)




netVisual_circle(cellchat@net$weight,



                  = groupSize,



                  = T,



                 = F,



                  = 'Interaction weights/strength')

3）每个细胞亚群的配受体通讯概率进行单独展示

这里需要注意R绘图画板范围，可以将前面的绘图进行保存和devoff后再进行作图




#检查单个细胞亚群的互作信号强度；每个细胞进行单独展示##



mat <- cellchat@net$weight



par(mfrow = c(3,4), xpd = TRUE)




for (i in 1:nrow(mat)) {



  mat2 <- matrix(0, nrow = nrow(mat), ncol = ncol(mat), dimnames = dimnames(mat))



  mat2[i, ] <- mat[i, ]



  netVisual_circle(mat2,  = groupSize,  = T,  = max(mat),  = rownames(mat)[i])



}

4）数量和强度弦图合并




#数量和强度弦图合并




par(mfrow = c(1,2), xpd = TRUE)




netVisual_circle(cellchat@net$count,



                  = groupSize,



                  = T,



                  = F,



                  = 'Number of interactions')




netVisual_circle(cellchat@net$weight,



                  = groupSize,



                  = T,



                 = F,



                  = 'Interaction weights/strength')




#保存cellchat对象：



save(cellchat, groupSize, file = c('humanSkin_CellChat.Rdata'))

3，信号通路水平的细胞通讯分析




cellchat@netP$pathways##信号通路查看



 <- c('GALECTIN')##以'GALECTIN'信号通路展示为例



#层级图（Hierarchy plot）绘制



levels(cellchat@idents)#查看细胞亚群及factor顺序：



#选择其中感兴趣的细胞亚群：



 = c(3,8,9,10)#为画图第一列的source列



par(mfrow = c(1,1))



netVisual_aggregate(cellchat,



                    layout = c('hierarchy'), #"circle", "hierarchy", "chord"




                    signaling = ,



                     = )#选择展示的通路

别的图




par(mfrow = c(1,1))#展示网络图



netVisual_aggregate(cellchat,



                    layout = c('circle'),



                    signaling = )



par(mfrow=c(1,1))#展示弦图



netVisual_aggregate(cellchat,



                    layout = c('chord'),



                    signaling = )



par(mfrow=c(1,1))#展示热图



netVisual_heatmap(cellchat,



                  signaling = ,



                   = c("white", "#b2182b"))

4，信号通路相关配受体对水平的细胞通讯分析




netAnalysis_contribution(cellchat, 



                         signaling = ) #配受体对贡献条形图



 <- extractEnrichedLR(cellchat,  #提取细胞对



                                 signaling = ,



                                 geneLR.return = FALSE)



 <- [1,] #以贡献度top1的配受体对为例



;

别的图




netVisual_individual(cellchat,#Hierarchy plot：



                     layout = c('hierarchy'),



                     signaling = , #目标信号通路



                     pairLR.use = , #目标配受体对



                      = ) #感兴趣的细胞亚群



#Circle plot：



netVisual_individual(cellchat,



                     layout = c('circle'),



                     signaling = ,



                     pairLR.use = )



#Chord diagram：



netVisual_individual(cellchat,



                     layout = c('chord'),



                     signaling = ,



                     pairLR.use = )

5，多个配受体对/信号通路水平介导的细胞通讯可视化

①指定信号通路




多个配受体对/信号通路水平介导的细胞通讯可视化######



levels(cellchat@idents)#指定信号通路



netVisual_bubble(cellchat,



                 sources.use = 4,



                 targets.use = c(5:11),



                 signaling = c("CCL","CXCL"), #指定CCL和CXCL两个信号通路



                  = FALSE)



#指定配受体对：



pairLR.use <- extractEnrichedLR(cellchat, 



                                signaling = c("CCL","CXCL","FGF")) #确定在目标信号通路中有重要作用的配受体对



pairLR.use




netVisual_bubble(cellchat,



                 sources.use = 4,



                 targets.use = c(5:11),



                 pairLR.use = pairLR.use,#指定的受体对



                  = TRUE)

②参与目标信号通路的基因在各细胞亚群的表达分布展示




#参与目标信号通路的基因在各细胞亚群的表达分布展示：



plotGeneExpression(cellchat, signaling = 'GALECTIN', 



                   type = 'violin') #小提琴图

③气泡图




plotGeneExpression(cellchat, 



                   signaling = 'GALECTIN', type = 'dot', color.use = c("white", "#b2182b")) #气泡图

秒客网

④-1单细胞学习-cellchat单数据代码补充版

1，数据输入及处理

①载入包和数据

②CellChat输入数据准备

③构建CellChat对象

④数据预处理

2，细胞通讯预测

①计算细胞通讯概率

②提取配受体对细胞通讯结果表

③提取信号通路水平的细胞通讯表

④细胞互作关系可视化

1）细胞亚群间配受体数目网络图

2）细胞亚群间配受体概率/强度网络图

3）每个细胞亚群的配受体通讯概率进行单独展示

4）数量和强度弦图合并

3，信号通路水平的细胞通讯分析

4，信号通路相关配受体对水平的细胞通讯分析

5，多个配受体对/信号通路水平介导的细胞通讯可视化

①指定信号通路

②参与目标信号通路的基因在各细胞亚群的表达分布展示

③气泡图

相关文章