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，如果只是单个样本的探索性分析，结果更容易停留在描述层面。

研究者还需要注意物种和数据库匹配。人源样本和小鼠模型应选择对应的配体-受体数据库；如果研究的是较少见物种或特殊模型，数据库覆盖不足可能限制解释。

结果应该怎样解读

CellChat 常见输出包括细胞群之间的通讯数量、通讯强度、特定信号通路的发送者和接收者，以及配体-受体对的贡献。医学研究中不建议只展示最漂亮的网络图，而应围绕明确疾病问题筛选结果。

一个较稳妥的解读方式是先看整体网络是否符合已知生物学背景，再聚焦关键细胞群。例如肿瘤样本中，若成纤维细胞对免疫细胞的某些趋化或抑制性信号增强，应进一步检查相关配体和受体是否在对应细胞群中表达。

随后可以把 CellChat 结果与差异表达、通路富集、空间转录组或免疫组化结果交叉验证。若配体在发送细胞中上调，受体在接收细胞中表达，且空间上存在相邻关系，机制假设会更有说服力。

CellChat 的结果应表述为“提示潜在通讯”或“支持某通讯轴值得验证”，不宜直接写成“证明某细胞通过某通路导致疾病进展”。

不适合的情况与常见误区

CellChat 不适合替代基础单细胞分析。如果样本质控、批次校正、细胞注释和分组设计尚未完成，先运行通讯分析通常会得到难以解释的图形。

它也不适合缺少明确医学问题的“全量截图式”分析。细胞类型越多，网络图越复杂，越需要事先确定关注的细胞群、疾病阶段或治疗比较，否则容易在大量候选互作中迷失。

另一个误区是把转录水平通讯等同于蛋白互作。scRNA-seq 能反映 mRNA 表达，但不能保证配体分泌、受体蛋白定位、细胞空间接触和下游功能响应都真实发生。

对于临床转化研究，CellChat 可以提供靶点或机制线索，但还需要结合患者队列、蛋白验证、空间证据和功能实验。对于直接指导诊疗或预测个体疗效，它不能单独承担证据角色。

与替代工具的区别

CellPhoneDB、NicheNet、LIANA 和 Connectome 都可用于细胞通讯相关分析，但侧重点不同。CellChat 的优势是围绕细胞群网络、信号通路和可视化组织得比较完整，适合医学论文中展示微环境通讯结构。

CellPhoneDB 更常被用于基于配体-受体数据库的互作筛选和统计比较。NicheNet 则更关注配体如何影响接收细胞中的下游靶基因表达，适合研究“哪个发送细胞信号可能驱动目标基因程序”这类问题。

实际项目中，研究者可以把 CellChat 作为主线工具，用于构建疾病微环境通讯图谱；再用 NicheNet 或其他方法追踪下游基因调控。多个工具得到一致线索时，候选机制通常更值得后续验证。

隐私、复现与论文报告建议

CellChat 通常在本地 R 环境或机构服务器上运行，不要求上传患者数据到第三方平台。对于人源 scRNA-seq 数据，仍应去除可识别信息，并遵守伦理审批、数据使用协议和医院服务器权限管理要求。

为了提高复现性，论文或补充材料中建议说明 CellChat 版本、数据库选择、细胞注释策略、过滤参数、分组方案和主要函数流程。对于关键图形，应明确比较对象和统计解释，避免只给出无上下文的圈图。

在论文写作中，建议把 CellChat 结果放在“机制线索”或“候选通讯轴”层面表述，并说明后续验证证据。例如可结合空间转录组确认细胞邻近关系，结合免疫荧光或流式检查蛋白表达，或通过共培养和阻断实验测试功能影响。

总体来看，CellChat 是医学单细胞研究中较实用的通讯推断工具。它最适合回答“哪些细胞群可能通过哪些信号互相影响”这类机制探索问题，而不是替代实验验证或临床判断。