一文搞懂 CellChatDB 配体-受体数据库3个关键阶段从数据加载到实战跑通【免费下载链接】CellChatR toolkit for inference, visualization and analysis of cell-cell communication from single-cell data项目地址: https://gitcode.com/gh_mirrors/ce/CellChat拿到单细胞测序结果后除了看聚类最让人好奇的问题是细胞之间到底在聊什么表达矩阵只告诉你每个细胞表达了哪些基因却不会自动告诉你谁在给谁发信号。CellChat 项目内置的 CellChatDB 配体-受体数据库就是一本现成的细胞通讯词典——它把人类、小鼠、斑马鱼三套物种的配体-受体相互作用整理成了可直接调用的数据帮你从零推断细胞间对话。为什么非要有一本通讯词典 ️设想一下你的数据里有 20 个细胞群想知道哪些群之间存在信号往来。逐条翻文献找配体-受体对应关系那不现实。更麻烦的是有些配体要以复合物形式存在、有些需要共因子辅助才能触发信号这些细节靠人工查证极易出错。CellChatDB 的价值就在这把配体 A → 受体 B → 通路 C的映射关系提前整理好你在分析时只需筛选、调用剩下的交给计算模型。先看全景这份数据到底装了什么 先明确一个概念CellChatDB 不是单一文件而是三套物种数据库 一套辅助蛋白互作数据全部存放在项目data/目录下三套物种库CellChatDB.human、CellChatDB.mouse、CellChatDB.zebrafish均为.rda格式由R/data.R负责加载管理两套蛋白互作数据PPI.human与PPI.mouse来自 STRINGdb 的高置信实验互作供交叉验证使用每一套物种库内部又由四块拼图组成组成一句话作用interaction配体-受体对主表约 2000 条记录是分析的主输入complex记录必须以复合物形式发挥功能的基因组合cofactor补充调节相互作用所需的共因子激动剂/拮抗剂等geneInfo提供基因官方符号与基础注释供校验使用拆开看内部逻辑一张主表如何撑起整个分析 interaction主表的字段设计是理解全部逻辑的关键。它不只存谁和谁配对还附带三类关键信息身份字段interaction_name、pathway_name用于定位和按通路筛选主角字段ligand、receptor即配对的两端基因共因子字段agonist、antagonist、co_A_receptor、co_I_receptor标记光有配受体还不够的情况这些字段是协同工作的complex表帮助系统识别哪些基因名其实是复合物避免把它当单基因去查表达cofactor表补齐功能依赖的亚基geneInfo则负责核对每个基因名是否规范。到了计算环节R/modeling.R会逐条消费这些字段结合质量作用定律算出细胞间的通讯概率。凭什么相信它来源与双重校验 ✅CellChatDB 的可信度来自两条线来源可靠以 KEGG 通路为骨架结合大量原始文献人工整理优先收录有实验证据支持的配对记录中约 60% 为分泌型信号、19% 为细胞接触型异二聚体占一半左右机制内校验extractGeneR/database.R在提取基因时会调用checkGeneSymbolR/utilities.R逐一核对复杂基因、共因子基因是否存在于官方符号表中发现异常直接报错避免坏数据流向下游从零跑通5 步实操路径 ️以人类数据为例一条主线走完加载到可视化加载执行data(CellChatDB.human)把数据库读进环境看分类调用showDatabaseCategoryR/visualization.R打印各信号通路与类型统计先建立全局认知筛选用subsetDBR/database.R按通路名或注释截取你关心的子集提取基因用extractGene拿到该子集涉及的全部基因后续用它检查这些基因在单细胞数据中是否真的表达调用与出图将子集交给computeCommunProb计算概率再用netVisual系列函数画圆环图、弦图或热图进阶玩法与避坑清单 ⚠️想更进一步或想避免常见的坑记住这几点自定义数据库想加新物种或新配对跟着tutorial/Update-CellChatDB.Rmd的步骤按模板新增相互作用记录后重新构建即可坑一基因名不规范。必须使用官方符号如人类用 HGNC 命名否则checkGeneSymbol直接拒绝坑二筛选词拼写错误。subsetDB默认按annotation字段精确匹配先用showDatabaseCategory确认准确写法坑三把复合物当单基因。务必先用extractGene展开再做表达量检查否则结果偏差很大技巧做多数据集对比时用PPI.human对关键配对做二次验证结论更稳给你的行动建议 CellChatDB 的学习曲线其实很平缓记住先看分类、再筛选、后提取、最后计算出图这一条主线就足够完成绝大多数场景。建议你现在就打开tutorial/CellChat-vignette.Rmd用自带示例数据完整跑一遍流程——亲手走过一次比读十遍文档都管用。这份通讯词典值得你收藏进工具箱下次分析单细胞数据时它会帮你省下大量查文献的时间。【免费下载链接】CellChatR toolkit for inference, visualization and analysis of cell-cell communication from single-cell data项目地址: https://gitcode.com/gh_mirrors/ce/CellChat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考