单细胞数据分析实战：用CellChat解析肿瘤微环境中的细胞通讯差异（附完整代码）

最新推荐文章于 2026-07-09 08:32:13 发布

原创

最新推荐文章于 2026-07-09 08:32:13 发布 · 407 阅读

单细胞数据分析实战：用CellChat解析肿瘤微环境中的细胞通讯差异（附完整代码）

肿瘤微环境从来都不是一个静态的战场。当我们通过单细胞测序技术，将成千上万个细胞的身份与状态逐一解码后，一个更深层的问题便浮出水面：这些细胞之间，究竟在“交谈”什么？是谁在发出指令，谁又在默默响应？这些跨越细胞边界的分子对话，如何塑造了肿瘤的免疫抑制、血管新生或转移前生态位的形成？理解细胞间通讯，就是理解肿瘤微环境作为一个“社会系统”如何运作的关键。

CellChat，作为一个基于R语言的开源工具包，为我们提供了一套强大的数学框架和优雅的可视化方案，来系统性地推断、量化和比较细胞间的信号网络。它不仅仅能告诉你“细胞A和细胞B有交流”，更能揭示交流的强度、使用的“语言”（信号通路）、以及在不同生理或病理状态下，这场对话发生了怎样的戏剧性转变。对于致力于肿瘤免疫、微环境异质性或发育生物学的研究者而言，掌握CellChat意味着你手中的单细胞数据，能从一份细胞“花名册”，升级为一张动态的细胞“社交关系图谱”。

本文旨在为生物信息学分析人员和肿瘤研究者提供一份从零开始的实战指南。我们将绕过冗长的理论铺垫，直接切入核心操作，手把手带你完成从数据准备、CellChat对象创建、到差异通讯分析及高级可视化的全流程。文中每一段代码都经过实战检验，并附上了我本人在分析过程中踩过的“坑”及解决方案。无论你是想比较癌与原发灶的通讯差异，还是探索治疗前后微环境对话的改变，这篇文章都将为你提供一个坚实、可复现的起点。

1. 环境准备与数据质控：为CellChat分析奠定基石

在启动任何细胞通讯分析之前，确保你的单细胞数据已经过严格的质控与标准的预处理，是成功的第一步。CellChat虽然强大，但它对输入数据的质量非常敏感。一个常见的误区是，直接将原始的Seurat对象丢给CellChat，结果往往会在后续的概率计算或可视化步骤中遇到各种报错。

首先，你需要一个稳定的R环境。我强烈建议使用R 4.0以上的版本，并在分析前设置好工作目录和包管理。

# 设置工作目录，确保所有数据文件路径正确
setwd("~/your_project_path/")
# 清空环境变量，避免旧对象干扰
rm(list = ls())
# 设置随机种子，保证结果可重复
set.seed(12345)

接下来是核心R包的安装与加载。CellChat依赖于一系列生物信息学包，确保它们被正确安装是关键。

# 安装必要R包（如果尚未安装）
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install(c("Seurat", "Matrix", "dplyr", "ggplot2", "patchwork"))
install.packages("devtools")
devtools::install_github("sqjin/CellChat")
# 加载所有需要的库
library(Seurat)
library(CellChat)
library(patchwork)
library(ggplot2)
library(dplyr)
library(Matrix)

注意：CellChat包通过GitHub安装，有时会因网络问题失败。如果遇到devtools::install_github报错，可以尝试先安装remotes包，或从镜像源下载源码包进行本地安装。

现在，让我们加载经过注释的单细胞数据。假设你已经有了一个Seurat对象 seurat_obj，其中包含了细胞类型注释信息（存储在seurat_obj$celltype中）和样本分组信息（例如seurat_obj$group，包含“Tumor”和“Normal”等）。数据质控的重点在于：

基因表达矩阵：确保使用的是归一化后的数据（如RNA assay下的data槽），而非原始计数。
细胞注释：用于分组的细胞类型标签必须是因子（factor）类型，且类别不宜过多过细，否则会导致信号过于稀疏。通常建议将稀有细胞群（细胞数<10）合并或过滤。
样本完整性：如果你要比较不同组别（如原发灶vs转移灶），请确保每个组别内都包含足够多的细胞和主要的细胞类型，否则差异分析会缺乏统计效力。

一个稳健的数据准备流程可以这样进行：

# 假设 seurat_obj 是你的Seurat对象
# 1. 检查并确保细胞类型注释是因子
if (!is.factor(seurat_obj$celltype)) {
  seurat_obj$celltype <- as.factor(seurat_obj$celltype)
}
# 2. 过滤掉细胞数过少的细胞类型（例如少于20个细胞）
celltype_counts <- table(seurat_obj$celltype)
keep_celltypes <- names(celltype_counts)[celltype_counts >= 20]
seurat_obj <- subset(seurat_obj, subset = cell

标签