发帖
雷达卡
随着单细胞 RNA 测序技术的广泛应用，研究者的关注点已从“识别存在的细胞类型”逐步深入到更复杂的生物学问题：
不同类型的细胞之间如何实现信息交流？
哪些细胞主要负责发出信号，又有哪些细胞在接收这些信号？
肿瘤细胞通过何种机制与免疫细胞进行对话，从而重塑免疫微环境？
为解答上述问题，CellChat 应运而生。该工具基于单细胞转录组数据，能够重建细胞间的信号通讯网络（cell–cell communication network），帮助科研人员解析组织或疾病状态下复杂的细胞生态系统。
一、CellChat 的核心原理详解
CellChat 的基本逻辑可归纳为：通过分析细胞中配体（Ligand）和受体（Receptor）的表达情况，推断其是否存在潜在的信号传递关系，并对通讯强度进行量化评估。
整个分析流程包含以下四个关键步骤：
1. 构建 Ligand–Receptor 知识库
细胞之间的“对话”依赖于分子信使系统：
- 配体：由信号发送细胞分泌，如 CXCL12、TGFB1、WNT5A
- 受体：由目标细胞表面表达，如 CXCR4、TGFBR1、FZD
CellChat 集成了一个经过人工整理的大规模数据库，涵盖多种分子相互作用形式：
- 经典的配体-受体二元对（例如 CXCL → CXCR）
- 多亚基复合物（如 IL6 + IL6R + IL6ST）
- 受体异源二聚体（如 TGFBR1–TGFBR2）
- 复杂通路成员（如 WNT/Frizzled 家族）
- 细胞外基质相关互作（如 Collagen–Integrin）
这一知识库是 CellChat 实现通讯推断的基础支撑。
2. 判断细胞群是否具备信号发送或接收能力
针对每个细胞类群（如 T 细胞、B 细胞、成纤维细胞），CellChat 会计算：
- 配体基因的平均表达水平
- 受体基因的平均表达水平
- 表达值是否显著高于背景噪声
- 是否满足构建复合体的条件（如多个亚基同时表达）
只有当某一细胞群体显著表达特定配体时，才被认定为可能的信号发送者（Sender）；同理，仅当其显著表达对应受体时，才被视为潜在的接收者（Receiver）。
3. 计算细胞对之间的通讯强度
CellChat 使用统计模型来估算每一对细胞间的信号传递概率：
通讯概率 = 配体表达 × 受体表达 × 细胞数量校正 × 通路权重
该模型还考虑了以下因素：
- 多配体或多受体系统的最小表达阈值
- 蛋白复合体组装的可能性
- 细胞群大小差异带来的偏差校正，避免大群体主导结果
最终生成一个通讯强度矩阵，其中每一项代表某条信号通路在两个细胞群体之间的交互概率或强度。
4. 构建并可视化细胞通讯网络
CellChat 提供多种图形化展示方式，帮助理解复杂网络结构：
- 环形图（Circle plot）：直观呈现不同细胞类型间的通路连接
- 层级图（Hierarchy plot）：突出信号流向的方向性
- 热图（Heatmap）：比较各类细胞间通讯强度差异
- 气泡图（Bubble plot）：展示特定配体-受体组合在 sender 和 receiver 中的共表达模式
- 中心性分析（Centrality analysis）：识别网络中的核心节点细胞
此外，还可支持：
- 多个样本间的通讯网络对比
- 通路富集分析
- 动态变化趋势分析
- 识别主导信号输出的“sender”、主要响应的“receiver”以及调控型“moderator”
这些功能使得细胞间通讯的研究从传统的定性推测转变为可量化的系统分析。
二、常见信号通路类别及其生物学意义
为了提升生物学解释力，CellChat 将大量配体-受体对归类为具有明确功能含义的信号通路。这些通路反映了特定类型的细胞交流模式。以下是常见的分类及其功能概述：
| 信号通路类别 | 代表通路（CellChat 中常见） | 主要参与细胞类型 | 核心生物学功能 | 常见研究场景 |
|---|---|---|---|---|
| 趋化与免疫迁移信号 | CXCL、CCL | T 细胞、B 细胞、巨噬细胞、树突状细胞 | 调控免疫细胞迁移、组织定位及炎症反应 | 肿瘤免疫微环境、炎症性疾病、自身免疫病 |
| 炎症与免疫调节信号 | MIF、TNF、IL1 | 巨噬细胞、单核细胞、肿瘤细胞 | 介导炎症激活或抑制性免疫调节 | 肿瘤进展、慢性炎症、感染性疾病 |
| 免疫检查点 / 抑制信号 | TGF-β、PD-1/PD-L1（部分） | T 细胞、Treg、肿瘤细胞 | 抑制免疫应答，诱导耐受状态 | 肿瘤免疫逃逸机制研究 |
| 生长与分化信号 | WNT、FGF、EGF | 上皮细胞、干细胞、成纤维细胞 | 促进细胞增殖、分化及干性维持 | 发育过程、肿瘤发生发展 |
| 细胞命运决定信号 | NOTCH | 干细胞、免疫细胞 | 调控细胞谱系选择与分化方向 | 发育生物学、免疫分化、肿瘤干性 |
| 血管生成相关信号 | VEGF、ANGPT | 内皮细胞、成纤维细胞 | 促进血管新生及维持血管稳定性 | 肿瘤血管化、组织修复与再生 |
| 基质与细胞黏附信号 | COLLAGEN、LAMININ、FN1 | 成纤维细胞、上皮细胞、肿瘤细胞 | 维持细胞黏附、迁移及组织架构 | 肿瘤侵袭转移、纤维化疾病 |
| 整合素介导信号 | INTEGRIN | 成纤维细胞、免疫细胞 | 介导细胞与基质间的双向信号传导 | 细胞运动、免疫监视、肿瘤微环境重塑 |
细胞-基质相互作用与机械信号感知
细胞外基质（ECM）的动态重塑不仅影响组织结构，也在肿瘤转移过程中发挥关键作用。在此背景下，细胞通过感知力学信号调节自身行为，实现迁移、侵袭和适应性存活。
代谢调控与应激响应
在肿瘤微环境中，代谢重编程是常见特征，涉及IGF、HGF等信号通路的激活，这些通路共同参与调控细胞存活与增殖。同时，组织损伤常伴随代谢紊乱与氧化应激，进一步驱动病理进程。
神经-免疫交互网络
神经系统与免疫系统之间存在复杂的双向通讯，NRG、SEMA等信号分子介导神经细胞与免疫细胞之间的功能协调，影响神经调控与免疫调节过程。这种跨系统对话在肿瘤神经浸润及慢性炎症中尤为显著。
发育与形态建成相关信号
BMP、HEDGEHOG等信号通路在器官发育与形态建成中起核心作用，主要由干细胞和间充质细胞分泌并响应。这些通路不仅主导胚胎发育过程，也在再生医学中展现出重要应用潜力。
关于信号通路的几点重要说明：
- 一个信号通路并不等同于单一的配体–受体对；例如，在CellChat中，“WNT”“CXCL”“MIF”代表的是一类包含多个配体和受体的信号模块。
- 同一通路可由多种细胞类型发送或接收：如MIF常表现为“广谱通讯”，而WNT、TGF-β则更倾向于具有方向性的信息传递。
- 通路强度反映的是潜在的细胞间通讯活跃程度，并非直接等同于蛋白表达水平或功能实验结果，需结合具体生物学背景进行解读。
如何利用CellChat解析这些信号通路？
层级聚焦分析
CellChat采用层级化分析策略：首先从整体网络层面识别主导的信号通路，评估其在全局细胞通讯中的权重；随后深入至单个通路层面，解析其中具体的配体-受体对以及参与通讯的细胞类型组合。
模式识别
借助CellChat的模式识别功能，可以挖掘多个细胞类型协同激活的信号通路组合，揭示它们为实现特定生物学目标（如“招募免疫细胞”或“促进血管生成”）所采取的集体通讯策略。
比较分析
该工具最强大的应用场景之一是比较不同状态下的信号网络变化，例如：
- 健康组织 vs 疾病组织
- 治疗前 vs 治疗后
- 不同发育或疾病时间点
通过此类对比，能够精准锁定在疾病进展或治疗响应中发生显著改变的关键信号通路。
理解信号通路即解读细胞“意图”
- 趋化信号（如CXCL）——类似“定位广播”，引导免疫细胞定向迁移至特定区域。
- 生长信号（如WNT、EGF）——相当于“生长指令”，触发细胞增殖或分化程序。
- 抑制信号（如TGF-β）——充当“刹车信号”，防止免疫过度激活或细胞异常增殖。
- 黏附与基质信号——构建细胞生存与移动所需的“物理环境与路径”。
典型生物学场景举例
肿瘤微环境中的信号博弈
在肿瘤生态系统中，肿瘤细胞常高表达VEGF以诱导新生血管形成，保障营养供给；同时大量分泌TGF-β以抑制杀伤性T细胞活性，并释放CXCL家族趋化因子招募调节性免疫细胞。这一系列信号活动共同构成肿瘤“自我强化、压制宿主防御”的逃逸机制。
组织损伤修复的时空调控
在组织修复初期，FGF、VEGF等促生长与促血管生成通路被迅速激活，推动组织再生；随着修复进程推进，TGF-β等信号通路上调，发挥负反馈作用，终止增殖阶段，避免纤维化或过度增生，形成有序的修复程序。
总结
CellChat提供了一套系统性的信号通路分类与量化分析框架，使研究者得以超越传统的细胞类型描述，深入剖析驱动组织功能维持与疾病演进的动态分子对话机制。通过对这些细胞“专业语言”的破译，我们不仅能更清晰地理解细胞社会的运作逻辑，还能为疾病的精准干预绘制出具有指导意义的靶点图谱。
京公网安备 11010802022788号
