CellChat

这个工具解决什么问题

CellChat 面向的是单细胞 RNA 测序分析之后的一个常见问题：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，可能影响免疫抑制、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，如果只是把所有细胞放在一起生成网络，结果往往难以服务于明确的医学结论。

对于患者来源数据，还需要注意样本量、批次效应和个体差异。单个样本的通讯网络可以用于探索，但在论文或课题结论中，最好结合患者层面的重复、伪 bulk 分析或其他统计策略，避免把技术噪声解释为疾病机制。

结果应该如何解读

CellChat 常见输出包括细胞群之间的通讯数量、通讯强度、特定通路的发送和接收模式，以及单个配体-受体对的贡献。医学研究者应先围绕研究问题选择重点，而不是把所有图都放进结果部分。

如果研究对象是肿瘤免疫治疗，可以优先查看肿瘤细胞、T 细胞、髓系细胞和成纤维细胞之间的互作，再进一步查看 CXCL、CCL、TGF-β、VEGF、MIF、PD-L1 相关信号是否与分组一致。

如果研究对象是纤维化，应关注巨噬细胞、成纤维细胞、内皮细胞和上皮细胞之间的通讯变化。TGF-β、PDGF、VEGF、COLLAGEN 等通路可能提供候选方向，但仍需结合组织染色、空间定位和功能实验。

CellChat 的结果更适合作为“候选机制清单”，而不是“已经发生的细胞互作证明”。表达层面的配体和受体共现，并不等同于蛋白互作、空间接触或因果效应。

不适合的情况和常见误区

CellChat 不适合用来替代单细胞基础分析。若数据尚未完成质控、去除低质量细胞、双细胞检查和细胞注释，直接运行通讯推断会放大前期错误。

它也不适合作为临床决策依据。即使某个配体-受体轴在疾病组更强，也不能直接说明患者应该接受某种药物治疗。临床转化需要更严格的队列验证、蛋白水平证据和干预实验。

另一个常见误区是过度解读网络图。圈图中连线较粗，通常表示模型计算出的通讯强度较高，但这并不自动代表通路最重要。研究者还应考虑细胞比例变化、基因表达量、样本来源和已知病理机制。

对于缺乏空间信息的 scRNA-seq 数据，CellChat 无法确认两个细胞群在组织中是否相邻。若研究问题依赖细胞位置，例如肿瘤侵袭边缘、血管周围生态位或淋巴滤泡结构，建议结合空间转录组、免疫荧光或多重成像数据。

与其他工具的选择

CellChat、CellPhoneDB、NicheNet 和 LIANA 都可用于细胞通讯相关分析，但侧重点不同。CellChat 在 R 生态内提供较完整的通讯网络汇总和可视化，适合需要通路层面解释和图形展示的医学科研项目。

CellPhoneDB 更常用于基于配体-受体数据库的群间互作筛选，适合希望得到较直接互作表格的项目。NicheNet 更关注配体如何解释接收细胞中的靶基因变化，适合已经有明确下游响应基因集的问题。

在高影响力论文或关键课题中，建议不要只依赖一个工具得出结论。更稳妥的做法是用 CellChat 生成主要通讯假设，再用 CellPhoneDB、NicheNet、空间数据、蛋白检测或功能实验进行交叉验证。

使用建议

实际使用时，建议先用少量核心细胞群和明确分组完成第一轮分析，确认结果能回答医学问题后，再扩展到更细的亚群。过多细胞群会让网络图复杂，反而降低解释效率。

论文写作中，应清楚说明 CellChat 使用的数据库、输入对象、细胞类型定义、分组方式和筛选阈值。对于关键通讯轴，应展示配体和受体在对应细胞群中的表达，而不只展示汇总网络图。

如果使用患者数据，最好把样本来源、伦理审批、数据脱敏和计算环境管理写入项目记录。CellChat 本身通常在本地 R 环境运行，但数据是否安全，仍取决于服务器权限、共享方式和机构合规流程。

总体来说，CellChat 适合有单细胞基础、问题清晰、愿意做后续验证的医学科研团队。它的价值在于帮助研究者从复杂细胞组成中整理候选通讯机制，而不是替研究者完成生物学判断。