⑤单细胞学习-cellchat组间通讯差异分析

1，数据加载

2，分别创建CellChat对象

①LS组数据

②NL组数据

3，分别构建cellchat文件

①构建LS组cellchat数据

②构建NL组cellchat数据

4，进行cellchat分析

①LS组的cellchat分析

②NL组的cellchat分析

5，合并分组cellchat对象

①数据加载

②合并cellchat对象

进行分析

1.总体比较：通讯数目与通讯强度差异

2.细胞亚群水平的通讯差异

2.1 细胞通讯差异网络图

2.2 细胞通讯差异热图

3.信号通路水平的通讯差异

3.1 组间富集信号通路差异条形图

3.2 传出信号通路水平热图

3.3 传入信号通路水平热图

3.4 总体信号通路水平热图

4.配受体对水平通讯差异

4.1 总配受体对概率差异气泡图

4.2 区分上下调配受体对

5.单个/特定信号通路水平差异可视化

5.1网络图

5.2热图

④-2单细胞学习-cellchat单数据代码补充版（通讯网络）-****博客

1，数据加载




# 包的加载




#CellChat细胞通讯之组间差异分析#




rm(list=ls())




library(CellChat)




library(patchwork)




library(ggplot2)




library(Seurat)




library(ggalluvial)#绘制桑基图




library(expm)




library(sna)




library(NMF)




library(ComplexHeatmap)




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

数据加载




#数据加载################



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




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



#dat <- as.data.frame(data.input)#可以查看表达矩阵 [1] 17328  7563




meta = data_humanSkin$meta




data.input[1:6,1:3]#表达count




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



unique(meta$labels) #检查细胞亚群标签类型

2，分别创建CellChat对象

①LS组数据




#LS组数据



cell.use1 = rownames(meta)[meta$condition == 'LS'] #提取LS的细胞名称




data.input1 = data.input[, cell.use1]#提取LS表达矩阵



meta1 = meta[cell.use1, ]#提取LS细胞信息



identical(rownames(meta1),colnames(data.input1)) #检查矩阵列名和分组文件行名是否一致



unique(meta1$labels) #检查细胞亚群标签类型

②NL组数据




#NL组数据



cell.use2 = rownames(meta)[meta$condition == 'NL'] #提取NL的细胞名称




data.input2 = data.input[, cell.use2]#提取NL表达矩阵



meta2 = meta[cell.use2, ]#提取NL细胞信息



identical(rownames(meta2),colnames(data.input2)) #检查矩阵列名和分组文件行名是否一致



unique(meta2$labels) #检查细胞亚群标签类型



#数据检查：不同分组的细胞系检查



setdiff(unique(meta1$labels),unique(meta2$labels))#character(0) 细胞分类都是一致的

3，分别构建cellchat文件

①构建LS组cellchat数据




#分别构建cellchat文件



##构建LS组cellchat数据



cellchatLS <- createCellChat(object = data.input1, #支持normalized表达矩阵，Seurat对象，和SingleCellExperiment对象



                             meta = meta1, #meta文件



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

②构建NL组cellchat数据




##构建NL组cellchat数据



cellchatNL <- createCellChat(object = data.input2, #支持normalized表达矩阵，Seurat对象，和SingleCellExperiment对象



                             meta = meta2, #meta文件



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



save(cellchatLS, cellchatNL, file = "")#暂存分组的cellchat数据

4，进行cellchat分析

①LS组的cellchat分析




#重新加载数据进行cellchat分析#################################################



rm(list=ls())




load("")




#LS组的cellchat分析



cellchat <- cellchatLS



cellchat <- setIdent(cellchat,  = '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




cellchat@DB <- ##设置配受体数据库(CellChatDB):




cellchat <- subsetData(cellchat)##信号基因的表达矩阵子集 赋值到cellchat@




cellchat <- identifyOverExpressedGenes(cellchat)##鉴定与每个细胞亚群相关的过表达信号基因




cellchat <- identifyOverExpressedInteractions(cellchat)##识别过表达基因配体-受体互作




cellchat <- projectData(cellchat, )#将基因表达数据映射到PPI网络(可跳过)




cellchat <- computeCommunProb(cellchat,  = TRUE) #计算细胞通讯概率




cellchat <- filterCommunication(cellchat,  = 10)##细胞通讯过滤




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




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




cellchat <- netAnalysis_computeCentrality(cellchat,#计算网络中心性权重：识别每类细胞在信号通路中的角色/作用




                                           = "netP")




cellchatLS <- cellchat



saveRDS(cellchatLS, "")

②NL组的cellchat分析




#cellchatNL组的cellchat分析



rm(list=ls())



load("")



cellchat <- cellchatNL



cellchat <- setIdent(cellchat,  = '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




cellchat@DB <- ##设置配受体数据库(CellChatDB):




cellchat <- subsetData(cellchat)##信号基因的表达矩阵子集 赋值到cellchat@




cellchat <- identifyOverExpressedGenes(cellchat)##鉴定与每个细胞亚群相关的过表达信号基因




cellchat <- identifyOverExpressedInteractions(cellchat)##识别过表达基因配体-受体互作




cellchat <- projectData(cellchat, )#将基因表达数据映射到PPI网络(可跳过)




cellchat <- computeCommunProb(cellchat,  = TRUE) #计算细胞通讯概率




cellchat <- filterCommunication(cellchat,  = 10)##细胞通讯过滤




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




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




cellchat <- netAnalysis_computeCentrality(cellchat,#计算网络中心性权重：识别每类细胞在信号通路中的角色/作用




                                           = "netP")



cellchatNL <- cellchat



saveRDS(cellchatNL, "")




#######################################################

5，合并分组cellchat对象

①数据加载




#两个特应性皮炎患者的皮肤样本数据集:非病变性（NL,正常）和病变性（LS,患病）




rm(list=ls())



cellchatNL <- readRDS("")



cellchatLS <- readRDS("")




levels(cellchatNL@idents)




levels(cellchatLS@idents)




identical(levels(cellchatNL@idents),levels(cellchatLS@idents))#数据检查一致的[1] TRUE

②合并cellchat对象




#合并cellchat对象:




object.list <- list(NL = cellchatNL,



                    LS = cellchatLS) #对照组(NL)在前，比较组(LS)在后，注意顺序



cellchat <- mergeCellChat(object.list, add.names = names(object.list))



cellchat



dplyr::glimpse(cellchat)#数据结构查看



##合并内容:'','images','net','netP','meta','idents','','DB',and 'LR'

接下来开始组间cellchat分析

1.总体比较：通讯数目与通讯强度差异




#1.总体比较：通讯数目与通讯强度差异



p1 <- compareInteractions(cellchat,  = F, group = c(1,2))



p2 <- compareInteractions(cellchat,  = F, group = c(1,2), 



                          measure = "weight")



p1 + p2

左图展示了两数据集通讯数量间的差异，右图则展示了通讯强度间的差异。

2.细胞亚群水平的通讯差异

2.1 细胞通讯差异网络图




#2.细胞亚群水平的通讯差异



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



netVisual_diffInteraction(cellchat,  = T)



netVisual_diffInteraction(cellchat,  = T, measure = "weight")

展示了样本间所有细胞亚群中的配受体对数目差异(左)及通讯概率差异(右)；外周圆不同颜色代表不同细胞亚群，大小表示亚群的配受体对数目，圈越大，细胞间配受体对数目比值越大.蓝线表示对照组通讯较强，红线表示比较组通讯较强。线越粗表示通讯变化程度越强。

2.2 细胞通讯差异热图




#细胞通讯差异热图



p3 <- netVisual_heatmap(cellchat)



p4 <- netVisual_heatmap(cellchat, measure = "weight")



p3 + p4




dev.off()

纵坐标为配体细胞，横坐标为受体细胞，热图颜色代表通讯概率差异，颜色越深，通讯越强。上侧和右侧的柱子是纵轴和横轴通讯概率差异的累积。左图为细胞间配受体对数目差异，右图为通讯概率差异。

3.信号通路水平的通讯差异

3.1 组间富集信号通路差异条形图




#3.信号通路水平的通讯差异



##基于信息流或互作数对信号通路进行排序



p5 <- rankNet(cellchat, mode = "comparison", stacked = T,  = TRUE) #堆叠



p6 <- rankNet(cellchat, mode = "comparison", stacked = F,  = TRUE) #不堆叠



p5 + p6

当比较（LS）组与对照组（NL）的通路概率总和的比值＜0.95且差异pval＜0.05（秩和检验）时，则该通路在对照组中的通讯强度显著增加（纵坐标为红色）；当比较组与对照组的通路概率总和的比值＞1.05且差异pval＜0.05时，则该通路在比较组中的通讯强度显著增加（纵坐标为蓝色）；纵坐标为黑色表示该通路在两组间没有差异。左侧为比例图，右侧为实际数值比对图。

3.2 传出信号通路水平热图




# 传出信号通路水平热图



i = 1




 <- union(object.list[[i]]@netP$pathways,



                       object.list[[i+1]]@netP$pathways)







ht1 = netAnalysis_signalingRole_heatmap(object.list[[i]],



                                        pattern = "outgoing", #传出



                                        signaling = ,



                                        title = names(object.list)[i],



                                        width = 5,



                                        height = 6)



ht2 = netAnalysis_signalingRole_heatmap(object.list[[i+1]],



                                        pattern = "outgoing", #传出



                                        signaling = ,



                                        title = names(object.list)[i+1],



                                        width = 5,



                                        height = 6)



draw(ht1 + ht2, ht_gap = unit(0.5, "cm"))

3.3 传入信号通路水平热图




#传入信号通路水平热图



ht3 = netAnalysis_signalingRole_heatmap(object.list[[i]],



                                        pattern = "incoming", #传入



                                        signaling = ,



                                        title = names(object.list)[i],



                                        width = 5, height = 6,



                                         = "GnBu")



ht4 = netAnalysis_signalingRole_heatmap(object.list[[i+1]],



                                        pattern = "incoming", #传入



                                        signaling = ,



                                        title = names(object.list)[i+1],



                                        width = 5, height = 6,



                                         = "GnBu")



draw(ht3 + ht4, ht_gap = unit(0.5, "cm"))

3.4 总体信号通路水平热图




#总体信号通路水平热图



ht5 = netAnalysis_signalingRole_heatmap(object.list[[i]],



                                        pattern = "all", #总体



                                        signaling = ,



                                        title = names(object.list)[i],



                                        width = 5, height = 6,



                                         = "OrRd")



ht6 = netAnalysis_signalingRole_heatmap(object.list[[i+1]],



                                        pattern = "all", #总体



                                        signaling = ,



                                        title = names(object.list)[i+1],



                                        width = 5, height = 6,



                                         = "OrRd")



draw(ht5 + ht6, ht_gap = unit(0.5, "cm"))

纵坐标为信号通路，横坐标为细胞亚群，热图颜色代表信号强度，颜色越深，通讯越强。上侧和右侧的柱子是纵轴和横轴强度的累积。左图NL组，右图LS组。

4.配受体对水平通讯差异

4.1 总配受体对概率差异气泡图




levels(cellchat@idents$joint) #查看细胞亚群



netVisual_bubble(cellchat,



                 sources.use = 4,



                 targets.use = c(5:12),



                 comparison = c(1, 2),



                  = 45)

4.2 区分上下调配受体对




p7 <- netVisual_bubble(cellchat,



                       sources.use = 4,



                       targets.use = c(5:12),



                       comparison = c(1, 2),



                        = 2,



                        = "Increased signaling in LS",



                        = 45,



                        = T) #Increased为比较组通讯概率更强的配受体对信息



p8 <- netVisual_bubble(cellchat,



                       sources.use = 4,



                       targets.use = c(5:12),



                       comparison = c(1, 2),



                        = 1,



                        = "Decreased signaling in LS",



                        = 45,



                        = T) #Decreased为对照组通讯概率更强的配受体对信息



p7 + p8

在气泡图中，横坐标为细胞对，颜色区分样本；纵坐标为配受体。气泡的大小表示p值，p值越小气泡越大。颜色表示通讯概率的大小。

5.单个/特定信号通路水平差异可视化

5.1网络图




#使用网络图：



 <- c("CXCL") #选择目标信号通路



 <- getMaxWeight(object.list,



                            = c("netP"),



                           attribute = ) #控制不同数据集的边权重



 



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




for (i in 1:length(object.list)) {



  netVisual_aggregate(object.list[[i]],



                      signaling = ,



                      layout = "circle",



                       = [1],



                       = 10,



                       = paste(, names(object.list)[i]))



}

5.2热图




 <- c("CXCL")



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



ht <- list()




for (i in 1:length(object.list)) {



  ht[[i]] <- netVisual_heatmap(object.list[[i]],



                               signaling = ,



                                = "Reds",



                                = paste(, "signaling ",names(object.list)[i]))



}



ComplexHeatmap::draw(ht[[1]] + ht[[2]], ht_gap = unit(0.5, "cm"))

参考：

1：单细胞分析之细胞交互-3：CellChat - 简书 ()

2：CellChat细胞通讯分析（下）--实操代码·多个数据集比较分析 - 知乎 ()

3：CellChat细胞通讯之组间差异分析 ()

4：focuslyj/CellChat ()

秒客网

⑤单细胞学习-cellchat组间通讯差异分析

1，数据加载

2，分别创建CellChat对象

①LS组数据

②NL组数据

3，分别构建cellchat文件

①构建LS组cellchat数据

②构建NL组cellchat数据

4，进行cellchat分析

①LS组的cellchat分析

②NL组的cellchat分析

5，合并分组cellchat对象

①数据加载

②合并cellchat对象

1.总体比较：通讯数目与通讯强度差异

2.细胞亚群水平的通讯差异

2.1 细胞通讯差异网络图

2.2 细胞通讯差异热图

3.信号通路水平的通讯差异

3.1 组间富集信号通路差异条形图

3.2 传出信号通路水平热图

3.3 传入信号通路水平热图

3.4 总体信号通路水平热图

4.配受体对水平通讯差异

4.1 总配受体对概率差异气泡图

4.2 区分上下调配受体对

5.单个/特定信号通路水平差异可视化

5.1网络图

5.2热图

相关文章

⑤单细胞学习-cellchat组间通讯差异分析

1，数据加载

2， 分别创建CellChat对象

①LS组数据

②NL组数据

3，分别构建cellchat文件

①构建LS组cellchat数据

②构建NL组cellchat数据

4，进行cellchat分析

①LS组的cellchat分析

②NL组的cellchat分析

5，合并分组cellchat对象

①数据加载

②合并cellchat对象

1.总体比较：通讯数目与通讯强度差异

2.细胞亚群水平的通讯差异

2.1 细胞通讯差异网络图

2.2 细胞通讯差异热图

3.信号通路水平的通讯差异

3.1 组间富集信号通路差异条形图

3.2 传出信号通路水平热图

3.3 传入信号通路水平热图

3.4 总体信号通路水平热图

4.配受体对水平通讯差异

4.1 总配受体对概率差异气泡图

4.2 区分上下调配受体对

5.单个/特定信号通路水平差异可视化

5.1网络图

5.2热图

相关文章

2，分别创建CellChat对象