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，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，结果更适合作为描述性发现。

对于人源临床样本，还要注意样本量、患者异质性和批次效应。若每组样本很少，或者某些关键细胞群数量过低，通讯差异的稳定性可能不足，需要在论文中谨慎表述。

主要功能与结果解读

CellChat 可以在细胞群、信号通路和配体-受体对多个层次组织结果。研究者既可以看整体通讯强度，也可以聚焦某一通路，例如 TGF-β、CXCL、CCL、VEGF、PDGF 或 MHC 相关信号。

常见图形包括圈图、气泡图、热图、网络图和信号流图。圈图适合展示哪些细胞群之间联系较强，气泡图适合比较具体配体-受体对，热图适合展示不同细胞群作为发送者或接收者的相对贡献。

解读时不应只挑选最显著或最醒目的图。更合理的做法是回到医学问题：某个通讯轴是否与已知病理过程一致，关键基因是否在相应细胞群表达，是否能被空间位置、蛋白实验或功能实验支持。

CellChat 的结果应被视为基于转录组和知识库的推断，而不是细胞真实接触、蛋白结合或疾病因果机制的直接证据。

不适合的情况与常见误区

如果项目还没有完成可靠的单细胞质控、去批次和细胞注释，暂时不建议直接运行 CellChat。输入层面的错误会被后续网络分析放大，容易产生看似复杂但生物学意义不清的图。

CellChat 也不适合替代差异表达、拟时序、CNV 推断、TCR/BCR 分析或空间转录组分析。它关注的是细胞群之间潜在信号，而不是完整解释细胞状态变化的全部机制。

另一个常见误区是把通讯强度变化直接写成治疗靶点已被证明。对于临床医学研究，建议使用更保守的表述，例如“提示”“可能参与”“值得进一步验证”，并在验证实验中确认蛋白表达、空间邻近和功能影响。

对于没有明确细胞互作问题的课题，CellChat 可能只是增加图表数量，而不能提高论文质量。更好的策略是先提出具体假设，再决定是否需要使用该工具。

与相关工具的比较

CellPhoneDB、NicheNet、LIANA 和 Connectome 都常用于细胞通讯相关分析，但侧重点不同。CellChat 的特点是网络层级和通路层级结果比较完整，可视化方式也较适合医学论文展示。

CellPhoneDB 更常用于配体-受体对层面的细胞间互作统计，适合做较直接的互作筛选。NicheNet 更关注配体如何影响受体细胞内的下游靶基因，适合研究“哪个细胞释放的信号可能驱动了目标细胞转录改变”。

如果研究目标是发表机制线索较完整的单细胞论文，可以考虑用 CellChat 作为主分析工具，再用其他方法交叉验证关键通讯轴。若多个工具都指向同一配体-受体或通路，结果通常更有说服力。

数据隐私与可重复性建议

CellChat 通常在本地 R 环境或机构服务器中运行，不必把患者数据上传到外部网页平台。这对临床样本和受伦理审批约束的数据较友好，但仍需做好样本去标识化、访问权限和计算日志管理。

为了提高可重复性，建议记录 R 版本、CellChat 版本、数据库选择、细胞注释文件、过滤阈值和分组策略。论文补充材料中可提供关键代码、参数和用于绘图的汇总表。

最稳妥的使用方式是把 CellChat 结果放在一个完整证据链中：先有清晰医学问题，再有可靠单细胞注释，然后筛选候选通讯轴，最后用空间、蛋白或功能实验进行验证。