CellChat

这个工具解决什么问题

CellChat 面向的是单细胞 RNA 测序分析之后的常见问题：研究者已经知道样本中有哪些细胞类型，也完成了基础差异分析，但还想进一步判断这些细胞之间可能通过哪些信号发生联系。

在肿瘤、炎症、纤维化、神经退行性疾病和组织修复研究中，疾病进展往往不是单个细胞群独立造成的。肿瘤细胞、免疫细胞、基质细胞、内皮细胞和组织驻留细胞之间的相互作用，常常影响免疫抑制、血管生成、炎症维持和治疗耐受。

CellChat 的作用是把表达矩阵和细胞注释转化为潜在的细胞通讯网络。它利用已知配体-受体互作知识，推断哪些细胞群可能是信号发送者，哪些细胞群可能是接收者，以及哪些信号通路在特定疾病状态下更活跃。

需要强调的是，CellChat 不是临床诊断工具，也不是自动确认治疗靶点的最终工具。它更适合用来提出机制假设，并为后续空间转录组、免疫荧光、流式、共培养或阻断实验提供候选方向。

适合的医学科研场景

CellChat 与医学科研的关系较强，尤其适合已经具备单细胞数据和明确疾病问题的研究。它在肿瘤微环境、免疫疾病、感染、纤维化、发育异常和神经系统疾病研究中都较常见。

例如，在肿瘤微环境研究中，研究者可以分析肿瘤细胞与 T 细胞、巨噬细胞、树突状细胞、成纤维细胞之间的通讯，寻找可能与免疫逃逸、转移或治疗抵抗相关的配体-受体对。

在自身免疫病研究中，CellChat 可以帮助比较活动期与缓解期样本中免疫细胞和组织细胞的炎症通讯差异。研究者可重点关注趋化因子、细胞因子、共刺激分子和组织损伤相关通路。

在药物机制研究中，若有治疗前后或体外干预前后的单细胞数据，CellChat 可用于观察药物是否改变了某些细胞群之间的通讯强度。此类结果适合用于提出作用机制，而不是单独证明药物疗效。

• 肿瘤研究：识别免疫抑制、血管生成、基质重塑相关通讯轴。
• 免疫炎症研究：比较疾病活动度不同样本中的细胞因子和趋化因子网络。
• 纤维化研究：分析巨噬细胞、成纤维细胞、内皮细胞和上皮细胞之间的信号变化。
• 神经疾病研究：探索小胶质细胞、星形胶质细胞和神经元之间的异常通讯。

输入数据与分析前提

CellChat 的输入不是原始测序文件，而是经过预处理的单细胞表达数据和细胞类型标签。通常研究者会先用 Seurat、Scanpy 或类似流程完成质控、标准化、降维、聚类和细胞注释。

细胞注释质量会直接影响结果解释。如果把肿瘤相关巨噬细胞、单核细胞和树突状细胞混在一起，后续通讯网络可能会变得模糊。医学论文中，建议在运行 CellChat 前先用经典 marker、公开参考数据和必要的人工检查确认细胞标签。

样本分组也很重要。健康对照与疾病组、原发灶与转移灶、治疗前与治疗后、响应者与非响应者，都是比较适合 CellChat 的问题。相比之下，如果只是单个样本的探索性分析，结果更容易停留在描述层面。

对于人源临床样本，还应记录组织来源、采样部位、治疗史、测序批次和患者分组。若这些临床变量没有整理清楚，即使通讯网络图很丰富，也难以形成可信的医学解释。

主要功能与结果解读

CellChat 可以从多个层面输出结果。第一层是整体通讯网络，用于观察哪些细胞群是主要信号发送者或接收者。第二层是信号通路，例如 TGF-β、CXCL、CCL、VEGF、PDGF 等通路在不同细胞群之间的变化。第三层是具体配体-受体对。

在论文或基金中，较稳妥的写法是把 CellChat 结果描述为“提示”“推断”或“候选通讯轴”。不建议仅凭 CellChat 图形就写成某个细胞群“通过某通路导致”疾病进展，除非已有独立实验支持。

可视化方面，圈图适合展示整体细胞群互作，气泡图适合比较特定配体-受体对，热图适合概览发送与接收模式，河流图可用于展示通路中的主要贡献细胞。不同图形解决的问题不同，不必在文章中全部使用。

实用判断标准：优先关注与疾病生物学问题一致、在多个样本或队列中方向稳定、且有 marker 表达和文献支持的通讯轴，而不是只选择图上最显眼的一条连线。

不适合的情况与常见误区

CellChat 不适合替代基础单细胞分析。如果数据尚未完成质控、去除双细胞、批次校正和细胞注释，直接做通讯分析容易放大前期错误。

它也不适合用于直接指导临床诊断或治疗决策。CellChat 的结果来自转录组表达和知识库推断，不能确认蛋白分泌、受体结合、细胞空间邻近或下游功能效应。

另一个常见误区是把通讯强度当作真实生物学强度。不同细胞数量、测序深度、归一化方法和细胞群划分方式都会影响推断结果。因此，在比较不同组别时，需要尽量保持分析流程一致，并对关键结论做敏感性检查。

如果研究问题依赖空间邻近，例如肿瘤侵袭边界、血管周围生态位或神经胶质细胞局部互作，单独使用普通 scRNA-seq 版 CellChat 可能不足。此时应考虑结合空间转录组、成像质谱、免疫荧光或原位杂交数据。

与其他细胞通讯工具怎么选

CellPhoneDB、NicheNet、LIANA 和 Connectome 都可用于细胞通讯分析，但侧重点不同。CellChat 的特点是网络层面和通路层面展示较完整，适合想从细胞群互作出发梳理疾病微环境的研究者。

CellPhoneDB 常用于配体-受体对的统计检验和结果表格筛选，适合需要较清晰候选互作列表的项目。NicheNet 更强调由配体推断受体细胞内的下游靶基因响应，适合已有差异表达基因集并希望追溯上游配体的研究。

在重要课题中，可以用多个工具交叉验证候选结果。若某个配体-受体轴在 CellChat 中网络位置重要，在 CellPhoneDB 中也有支持，并且与 NicheNet 推断的下游基因响应一致，其作为后续实验候选的优先级通常更高。

数据隐私与合规注意

CellChat 通常在本地 R 环境或机构服务器中运行，不要求把患者数据上传到第三方网站。这对临床样本和人源单细胞数据较为友好，但并不意味着可以忽略隐私管理。

研究者仍应去除可识别个人身份的信息，限制服务器访问权限，并按照伦理批件、数据使用协议和医院信息安全要求管理表达矩阵及临床分组信息。若需要跨机构共享对象文件，建议只共享脱敏后的表达矩阵、细胞注释和必要元数据。

使用建议

对于医学研究生，建议先用公开数据复现一个小型案例，理解 createCellChat、通讯概率计算、通路汇总和可视化函数的含义，再应用到自己的临床队列。

对于临床 PI 或课题负责人，建议把 CellChat 结果放在“机制假设生成”位置。更有说服力的研究设计，是让单细胞通讯分析与病理定位、蛋白验证、体外功能实验或动物模型形成闭环。

总体来看，CellChat 是医学单细胞研究中值得掌握的分析工具，但它的价值取决于前期数据质量、清晰的疾病问题和后续验证方案。把它当作假设生成和结果整合工具，会比把它当作自动发现机制的工具更稳妥。