- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信技能树
CellChat细胞通讯
细胞通讯分析是生物学研究中的一个重要领域，它涉及研究细胞之间如何通过信号传递来协调它们的功能和行为。 以下是一些细胞通讯分析的主要用途： 疾病诊断和治疗：了解细胞如何交流可以帮助诊断和治疗疾病，特别是那些与细胞通讯失调有关的疾病，如癌症、自身免疫疾病和神经退行性疾病。 药物开发：通过研究细胞间通讯的机制，可以发现新的药物靶点，从而开发出更有效的治疗药物。 发育生物学：细胞通讯在胚胎发育和组织形成中起着关键作用。研究这些过程有助于我们理解正常和异常发育的机制。 组织工程：在组织工程中，细胞通讯对于细胞的增殖、分化和组织结构的形成至关重要。 细胞信号传导研究：细胞通讯分析有助于揭示细胞内信号传导的复杂网络，这对于理解细胞如何响应外界刺激非常重要。 生物防御机制：研究细胞如何通过通讯来协调免疫反应，可以帮助我们更好地理解生物体如何抵御病原体。 神经科学：在神经科学领域，细胞通讯分析有助于我们理解大脑如何通过神经细胞间的信号传递来处理信息。
1.8K10编辑于 2024-06-21 - 来自专栏生信学习111
GSVA和细胞通讯
cluster_cols = F) #no.4 去掉,gaps_col = seq(2,ncol(ES)-1,2) 细胞通讯 细胞交流和响应外界刺激 教程：https://htmlpreview.github.io 简单易懂 https://mp.weixin.qq.com/s/g4j7u0gHmpJH9ZA1Jp9hCw 用了点时间看 #细胞通讯用的day6的数据 Biocductor_packages <- 纵坐标是发射端，横坐标是接收端，有颜色代表横纵坐标所指的两类细胞之间有通讯，颜色深浅代表通讯概率,上和右表示该列/行通讯概率之和 计算配体-受体对信号网络的贡献度 只有p<0.05的才会被画出来，颜色仍然是通讯概率 细胞通讯模式和信号网络 传出模式(outgoing)，揭示了发射端细胞如何相互协调，以及它们如何与某些信号通路协调以驱动通信。 # 细胞通讯模式和信号网络 library(NMF) #选择合适的nPatterns数，二者都突然下降的值对应的横坐标就是合适的聚类数，2到3突然下降就选2,3到4出现了下降就选3 selectK(
79710编辑于 2024-06-27 V3空转细胞通讯分析解读
1、简介并安装包 cellchat更新到V3了？定睛一看，其实不是cellchat版本的更迭，是单独把空转通讯分析单分出来，包的名字是SpatialCellChat。 3、加载数据构建spataialcellchat object 以下演示为单个空转样本的通讯分析，多个样本需要分别构建，最后进行比较 这里的演示采用官网用的数据，可以从这里下载：https://github.com chat <- computeCommunProbPathway(chat) 4.6 计算聚合的细胞间通讯网络： 通过统计link数量或汇总通讯概率来计算聚合的细胞间通讯网络。 : 类似于scRNA上的可视化，标注出细胞分群，按照细胞群展示通讯网络。 ncol = 3)
68010编辑于 2026-05-11- 来自专栏单细胞天地
综述-单细胞转录组学分析细胞通讯
Opinion in Systems Biology 链接：https://www.sciencedirect.com/science/article/pii/S2452310021000081 介绍 细胞间通讯 图(a)：细胞可以分泌扩散的配体，并可以与附近细胞表面表达的受体结合。一般发生在接收细胞最接近发送细胞和当有足够的受体表达时。只有当结合的配体触发下游反应时，细胞间通讯才会发生。 蓝色和橙色细胞代表不同的细胞类型。对于蓝色细胞，较深的阴影代表更强的配体表达。(b)可以从单个细胞或细胞簇水平的 scRNA-seq 推断细胞间通信，但细胞之间的空间距离会丢失。 为此，可以在受体基因表达的情况下，通过检查由配体-受体结合引起的下游靶基因反应来进一步评估通讯情况。 -基因相互作用 scTensor 对高阶相互作用进行建模，使用张量分解来检测多个细胞群和配体-受体对的多对多 CCC 除了基本的量化细胞通讯信号值以外，有的工具还提供可视化方法。
3.7K31编辑于 2022-04-18 - 来自专栏R语言及实用科研软件
🤩 miRTalk | 单细胞miRNA推断及细胞间通讯！~
~ miRTalk 由三个部分组成： 1️⃣ 第一部分是推断EV来源的跨细胞miRNA和高变靶基因； 2️⃣ 第二部分是推断EV来源的miRNAs介导的细胞间通讯及其下游靶点； 3️⃣ 第三部分是可视化 miRNA介导的细胞间通讯网络和miRNA-靶点相互作用网络。 if_use_human_data = TRUE, # gene2gene = gene2gene) 推断EVs源miRNA介导的细胞间通讯 str(res_pathway[[2]]$target_gene_term) # pathways for ANXA2 res_pathway[[3]]$miRNA_term # overlapped /shared pathways 循环miRNA和器官-器官通讯潜能预测 # get circulating miRNAs res_circulating <- get_miRTalk_circulating_score
42300编辑于 2025-05-19 - 来自专栏生信学习
cellchat-(3)细胞通讯网络的系统分析
CellChat通过从图论、模式识别和流形学习中提取出的方法，能够定量测量复杂的细胞间通讯网络，帮助我们更好地解释这些相互作用关系，基于这些原理能够进行以下分析：利用网络分析的中心性度量，CellChat 本篇学习的内容如下：分析各种细胞在信号通路中所处的角色及主要的信号源通讯模式及多种细胞间的信号通路协调关系分析基于流形和分类学习方法进行信号通路分组1. 分析各种细胞在信号通路中所处的角色及主要的信号源cellchat通过使用加权有向网络中的多种度量方法来计算通讯的可能性，最终推断出细胞通讯网络中的各种角色。这样有助于发现已有经验之外的上下游作用关系。 通讯模式及多种细胞间的信号通路协调关系分析cellchat应用模式识别方法来确定细胞通讯中的各种模式，并根据通讯模式进行聚类，这样就可以看到各种细胞在通讯中的主要通讯模式及相似性，有助于理解这些通路之间的关系和相互作用 2.1 分泌细胞的信号流出通讯模式的鉴定和可视化需要用到R包NMF来计算纳入的模式数量和ggalluvial进行可视化。
2.9K11编辑于 2023-12-16 - 来自专栏生信技能树
细胞通讯分析的背景知识
，读了一下发现确实超级适合作为细胞通讯分析的背景知识学习材料。 旁分泌细胞间的通讯不需要细胞间的接触，而是取决于信号分子在分泌后从一个细胞扩散到另一个细胞。 近分泌，即依赖于接触的细胞间通讯依赖于间隙连接或膜纳米管等其他结构，使信号分子直接在细胞之间传递，而不会分泌到细胞外。 内分泌细胞间的通讯代表细胞间的通讯，信号分子被分泌并通过诸如血浆的细胞外液传播很长一段距离。 就有必要进行一定程度的验证了，主要是下面的3种： 通过蛋白质组学，酶联免疫吸附测定，蛋白质印迹或免疫组化可以看蛋白质表达情况 通过显微镜结合免疫染色，单分子荧光原位杂交或通过流式细胞术测量共存看相邻细胞的作用关系
1.4K32发布于 2020-12-17 - 来自专栏生信菜鸟团
空转细胞通讯分析之COMMOT
空间转录组以及单细胞转录组技术，为解析细胞-细胞通讯（Cell–Cell Communication, CCC）提供了前所未有的机会。 然而，如何在重建细胞通讯网络的过程中充分整合细胞间的空间位置信息和复杂的生化过程，仍然是一个重大挑战。 COMMOT（COMMunication analysis by Optimal Transport）是一种创新的分析方法，旨在在空间转录组数据中推断细胞通讯关系。 它基于集体最优传输理论（collective optimal transport），能够同时考虑多个配体-受体对之间的相互竞争关系以及细胞之间的空间距离，实现更为精确和生物学上合理的通讯建模。 ； 提供全面的可视化工具，包括通讯热图、信号流向图和基因调控网络图等。
1.5K12编辑于 2025-03-24 - 来自专栏生信技能树
细胞通讯分析结果的解读
单细胞进阶分析主要是拟时序分析，细胞通讯分析，以及SCENIC转录因子分析。但实际上随着越来越多单细胞研究从CNS正刊跌落到CNS子刊，再到普通的数据挖掘文章，所谓的进阶分析也要沦落为标准分析啦。 不过，虽然细胞通讯分析越来越普通，但它的难度并不会降低，在试图学习这个分析方法之前，大家需要自己提前了解一下：细胞通讯分析的背景知识，而且呢，还得看看细胞通讯分析的实例，多读文献，总归是没有错的！ 细胞通讯分析相关软件工具超级多 细胞通讯分析相关软件工具也不少了，但是缺乏一个综述文章，或者说一个benchmark文章，对这些工具进行测评。 NATMI（基于Python） https://www.nature.com/articles/s41467-020-18873-z https://github.com/asrhou/NATMI 2020年3月发表在 居然就可以根据上面的细胞通讯关系绘制出来机制图： ?
3.3K52发布于 2020-12-17 - 来自专栏生信探索
CellChat 细胞通讯分析（预处理）
pytables jaxlib leidenalgwhich python# /opt/homebrew/Caskroom/mambaforge/base/envs/SC/bin/python每个分组的细胞通讯网络流程脚本第一次使用 各个参数的意义w: 工作目录，默认为当前目录i: 输出文件的标识根据i可以得到，normalise过的基因表达数据，行基因，列细胞；Arrow格式；第一列是为index，细胞barcode;细胞类型信息 CellChatDB.mouse)# ==============================================================================# 2.预处理表达数据 + 细胞通讯网络 CellChat::CellChatDB也可以使用subsetDB函数取子集Referencehttps://www.jianshu.com/p/da145cff3d41https://www.jianshu.com /p/b3d26ac51c5ahttps://cloud.tencent.com/developer/inventory/26535/article/1935670
1.4K30编辑于 2023-04-21 - 来自专栏单细胞天地
细胞通讯-iTALK使用方法
什么是细胞通讯？ 多细胞生物由不同类型的细胞组成，单个细胞之间的行为协调需要建立通讯网络。 例如生物体的生长发育、分化、各种组织器官的形成、维持以及各种生理活动的协调，都需要高效和高精度的细胞通讯机制。 单细胞转录组分析中的细胞通讯分析主要指的就是：通过比较不同样品组的细胞在各细胞类型之间的配体与受体基因表达差异 单细胞“配体-受体”分析工具 CellPhoneDB ? celltalker celltalker[2]我们在《举一反三 | 总结单细胞文章分析框架及软件》中有提到。 iTALK iTALK[3]这个包的应用比较简单，可以自定义定制的配体-受体数据库。 my10colors <-c('#E5D2DD', '#53A85F', '#F1BB72', '#F3B1A0', '#D6E7A3', '#57C3F3', '#476D87', '#E95C59'
6.2K42发布于 2020-07-02 - 来自专栏单细胞天地
单细胞转录组高级分析三：细胞通讯分析
细胞通讯分析原理 ? 细胞通讯研究领域涵盖的内容很广，如上图所示包括通讯方式、功能、信号分子以及各种途径的机制。细胞之间通讯的介质有很多，例如钙离子、脂质、多肽、蛋白、外泌体以及电信号等。 利用单细胞转录组数据分析的细胞通讯，仅限于蛋白质配体-受体复合物介导的细胞间通讯。 细胞通讯分析工具 目前利用单细胞转录组数据分析细胞通讯的工具有CellPhoneDB，celltalker和iTALK。 部分细胞通讯关系的气泡图 ? 细胞通讯关系热图 ? celltalker认定细胞进行通讯的前提是配体和受体的表达值在通讯的细胞之间具有一致性。
17.6K59发布于 2020-09-04 - 来自专栏生信菜鸟团
多组cellchat细胞通讯批量分析
上面是之前我们分享的数据集处理过程，今天我们来看看如何进行cellchat分析：1.批量运行多组cellchat 2.比较两组cellchat结果 今天是完整代码分享，如果想要使用其他示例数据，可以参考这个数据：单细胞直播一理解 All.merge$cell.type=Idents(All.merge) table(All.merge$stim) All.merge$group=ifelse(grepl(pattern = '1|2|3' pattern = "^mt-") VlnPlot(subset_data, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3) , ndims = 50) VlnPlot(subset_data, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3) biye/ipf/gse104154/cellchat/cellchat/Bleomycin/cellchat_Bleomycin_.RData") sio2=cellchat #两个数据集的细胞类型一致情况下的
1.5K10编辑于 2025-02-10 - 来自专栏生信探索
CellChat 细胞通讯分析（可视化）
interactions - ", names(cc_list)[i]) )}ps("02.Diff_number_strength/Counts_Compare_net.pdf")图片图片图片3. 指定细胞互作数量对比网络图par(mfrow = c(1, 2))s_cell <- c("CD4+ Cells", "CD8+ Cells", "Nk Cells")count1 <- cc_list Structural similarity of pathway")ps("05.Manifold/Pathway_structural_similarity.pdf", w = 9, h = 6)图片图片图片6.细胞信号模式对比 2.pdf└── estimationNumCluster__structural_dataset_1-2.pdfReferencehttps://www.jianshu.com/p/da145cff3d41https ://www.jianshu.com/p/b3d26ac51c5ahttps://cloud.tencent.com/developer/inventory/26535/article/1935670
2.9K41编辑于 2023-04-21 - 来自专栏生信技能树
构建单细胞亚群网络（类似于细胞通讯分析）
最近一直在这里细胞通讯分析相关软件工具及原理，看到不同细胞亚群的网络图，就以为是细胞通讯分析。 两个细胞亚群的相关性计算 细胞亚群的相关性计算3个步骤： First, we assessed the association of each cell type pair by Pearson correlation 实际上它也是另外一种细胞通讯的计算方式了！ 内分泌细胞间的通讯代表细胞间的通讯，信号分子被分泌并通过诸如血浆的细胞外液传播很长一段距离。 就有必要进行一定程度的验证了，主要是下面的3种： 通过蛋白质组学，酶联免疫吸附测定，蛋白质印迹或免疫组化可以看蛋白质表达情况 通过显微镜结合免疫染色，单分子荧光原位杂交或通过流式细胞术测量共存看相邻细胞的作用关系
1.6K40发布于 2020-12-17 - 来自专栏生信菜鸟团
CellChat细胞通讯（二）可视化篇
我在 CellChat细胞通讯分析（一）一文中简单介绍了CellChat，以及其进行细胞间通讯的推断与分析的代码实现。 Part III：细胞-细胞通讯网络可视化 在推断细胞-细胞通讯网络的基础上，CellChat为进一步的数据探索、分析和可视化提供了各种功能。 Part IV: 细胞-细胞通讯网络的系统分析 为了便于理解复杂的细胞间通讯网络，CellChat通过从图论、模式识别和空间信息流形学习中抽象出来的方法对网络进行定量测量： CellChat可以确定主要的信号 确定全局的通讯模式，探索多种细胞类型和信号通路如何协调在一起 除了探索单个通路的详细通讯外，一个重要的问题是多个细胞亚群和信号通路之间是如何协调作用的。 14.1 识别并可视化分泌细胞的传出（outgoing）通讯模式 传出模式揭示了发送细胞（例如作为信号源的细胞）如何与其他细胞相互协调，以及它们如何与特定的信号通路协调以驱动通讯。
13.8K42编辑于 2022-10-31 文献汇总--关于visium的细胞通讯分析
一、基于距离的通讯分析（Distance-based CCI）核心思想：细胞之间的通讯强度随空间距离增加而减弱，尤其适用于分泌型信号（如细胞因子、生长因子等）。 参考文献二、基于邻域的通讯分析（Neighborhood-based CCI）核心思想：仅在空间上相邻（或共定位）的细胞之间才可能发生有效通讯，特别适合膜结合型 L-R 对（如 Notch-Delta） 常用方法：CellChat（推荐）虽最初为单细胞设计，但可结合 Visium 的 spot 注释（如通过 Seurat 或 SPOTlight 推断的细胞类型比例） 进行空间通讯分析。 遥远细胞的通讯强度方面表现最优（优于 CellPhoneDB、iTALK 等）。可输出：通讯网络、信号通路聚类、关键信号源/靶点识别。CellPhoneDB也支持多亚基 L-R 复合物。 二者结果共同揭示：特定细胞互作是更倾向于通过直接接触发生，还是通过远距离分泌信号介导。这种整合策略有助于全面解析组织微环境中细胞通讯的空间模式与作用机制。生活很好，有你更好。
25500编辑于 2025-12-29- 来自专栏生信技能树
CellPhoneDB的单细胞通讯结果的理解
我们在前些天的教程：直接为CellPhoneDB创建一个独立的conda环境，以及：把Seurat对象里面表达量矩阵和细胞表型信息输出给CellPhoneDB做细胞通讯，给大家演示了如何对pbmc3k单细胞数据集做细胞通讯 gene_b secreted receptor_a receptor_b annotation_strategy is_integrin rank B|B B|CD14_Mono 我们前面的接近3千个细胞 483 Memory_CD4_T 155 NK 697 Naive_CD4_T 14 Platelet 也就是说9个细胞亚群，每个都是自己跟包括自己在内的9个单细胞亚群进行通讯分析。 这个最新计算好的 count_network.txt 里面的内容，就是9个细胞亚群，每个都是自己跟包括自己在内的9个单细胞亚群进行通讯分析后的合格的通讯（受体和配体对）数量，也就是81行，再加上一个表头 的内容 # FALSE TRUE # 299 3 如果需要做全部的，就是9个细胞亚群，每个都是自己跟包括自己在内的9个单细胞亚群进行通讯分析后的合格的通讯（受体和配体对）数量，也就是
3.5K21编辑于 2022-03-03 - 来自专栏单细胞天地
单细胞分析揭示小鼠子宫胚胎着床部位的细胞间通讯
cells (pDC, Ptprc+Cd209a+Siglech+) mixed natural killer cells and T cells (NK/T, Ptprc+Nkg7+ or Ptprc+Cd3e +) , a proliferating subset of natural killer cells (NKp, Ptprc+Nkg7+Cd3e−Mki67+) B cells (B, Ptprc+Cd79a 着床部位囊胚和子宫之间的细胞间通讯 囊胚和子宫之间的细胞间通讯是胚胎着床的关键机制。 发现总共 78 个配体-受体相互作用对，主要在Rap1 信号通路、Ras 信号通路、PI3K-Akt 信号通路、Hippo 信号通路 、MAPK 信号通路、Wnt 信号通路、细胞因子-细胞因子受体相互作用 结果表明 S2p → S2 → S1 → S1p 轨迹：（1）S2p 是所有基质细胞的起源；(2) S2 能够过渡到 S1；(3) S1p 来源于 S1。
1.5K31编辑于 2022-04-18 - 来自专栏生信探索
单细胞转录组实战05: CellphoneDB细胞通讯及可视化
Metadata file 第一列：Cell，细胞名 第二列：cell_type，细胞类型 obs = pd.DataFrame({'Cell':adata.obs.index,'cell_type': adata.obs.CellTypeS3}) obs.to_csv(OUTPUT_DIR+'/obs.csv',index=False) 运行cellphonedb #>>>run_cellphone.sh OUTPUT_DIR+'/pvalues.csv') decon = pd.read_csv(OUTPUT_DIR+'/deconvoluted.csv') celltype_key="CellTypeS3" 因此选用两类细胞间存在的互作数目作为评估细胞类型之间交流密切的依据。CellPhoneDB 统计 Cluster 间的蛋白互作数目作热图。 ://zhuanlan.zhihu.com/p/446055519 https://zhuanlan.zhihu.com/p/490179003 https://www.jianshu.com/p/b3f3a03afa53
5.8K60编辑于 2023-02-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号