cellchat教程第一弹,源代码来自于http://www.cellchat.org/
不得不说,这个包的可视化做的真的很漂亮。狠狠喜欢了!

第一部分: 数据准备创建对象

CellChat需要两个用户输入:一个是细胞的基因表达数据,另一个是用户分配的细胞标签(即基于标签的模式)或单细胞数据的低维表示(即无标签模式)。对于后者,CellChat根据低维空间或伪时间轨迹空间中的细胞-细胞距离构建共享邻居图,自动对细胞进行分组。

library(CellChat)
library(patchwork)
options(stringsAsFactors = FALSE)
# Here we load a scRNA-seq data matrix and its associated cell meta data
load(url("https://ndownloader.figshare.com/files/25950872")) # This is a combined data from two biological conditions: normal and diseases
data.input = data_humanSkin$data # normalized data matrix

基因表达矩阵信息
在这里插入图片描述

meta = data_humanSkin$meta # a dataframe with rownames containing cell mata data
cell.use = rownames(meta)[meta$condition == "LS"] # extract the cell names from disease data
# Prepare input data for CelChat analysis
data.input = data.input[, cell.use]
meta = meta[cell.use, ]
# meta = data.frame(labels = meta$labels[cell.use], row.names = colnames(data.input)) # manually create a dataframe consisting of the cell labels
unique(meta$labels) # check the cell labels
#>  [1] Inflam. FIB  FBN1+ FIB    APOE+ FIB    COL11A1+ FIB cDC2        
#>  [6] LC           Inflam. DC   cDC1         CD40LG+ TC   Inflam. TC  
#> [11] TC           NKT         
#> 12 Levels: APOE+ FIB FBN1+ FIB COL11A1+ FIB Inflam. FIB cDC1 cDC2 ... NKT

meta 信息数据框

在这里插入图片描述用户可以从数据矩阵、Seurat或singlecellexperexperiment对象中创建一个新的CellChat对象。如果输入是Seurat或singlecellexperexperiment对象,对象中的元数据将被默认使用,USER必须提供group。通过定义单元组。例如,小组。Seurat对象中的默认单元格标识by = ident。注意:如果用户加载以前计算的CellChat对象(版本<0.5.0),请通过updateCellChat更新对象。
这个数据有12种细胞类型,还挺多的。

cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels")
#> Create a CellChat object from a data matrix
#> Set cell identities for the new CellChat object
#> The cell groups used for CellChat analysis are  APOE+ FIB FBN1+ FIB COL11A1+ FIB Inflam. FIB cDC1 cDC2 LC Inflam. DC TC Inflam. TC CD40LG+ TC NKT

如果在创建CellChat对象时没有添加cell mata信息,USERS还可以稍后使用addMeta添加它,并使用setIdent设置默认cell身份。

cellchat <- createCellChat(object = data.input, meta = meta, group.by = "labels")
#> Create a CellChat object from a data matrix
#> Set cell identities for the new CellChat object
#> The cell groups used for CellChat analysis are  APOE+ FIB FBN1+ FIB COL11A1+ FIB Inflam. FIB cDC1 cDC2 LC Inflam. DC TC Inflam. TC CD40LG+ TC NKT
cellchat <- addMeta(cellchat, meta = meta)
cellchat <- setIdent(cellchat, ident.use = "labels") # set "labels" as default cell identity
levels(cellchat@idents) # show factor levels of the cell labels
groupSize <- as.numeric(table(cellchat@idents)) # number of cells in each cell group

数据库CellChatDB是一个人工管理的数据库,包含了人类和小鼠中文献支持的配体-受体相互作用。 CellChatDB在小鼠体内包含2,021个已验证的分子相互作用,包括60%的分泌自分泌/旁分泌信号相互作用,21%的细胞外基质(ECM)-受体相互作用和19%的细胞-细胞接触相互作用。 CellChatDB在人体中包含1939个已验证的分子相互作用,包括61.8%的旁分泌/自分泌信号相互作用,21.7%的细胞外基质(ECM)-受体相互作用和16.5%的细胞-细胞接触相互作用。

用户可以通过添加自己策划的配体-受体对来更新CellChatDB。
在这里插入图片描述

CellChatDB <- CellChatDB.human # use CellChatDB.mouse if running on mouse data
pdf("./databasehumancategory.pdf",width = 10,height = 4)
showDatabaseCategory(CellChatDB)
dev.off()
# Show the structure of the database
dplyr::glimpse(CellChatDB$interaction)
#> Rows: 1,939
#> Columns: 11
#> $ interaction_name   <chr> "TGFB1_TGFBR1_TGFBR2", "TGFB2_TGFBR1_TGFBR2", "TGF…
#> $ pathway_name       <chr> "TGFb", "TGFb", "TGFb", "TGFb", "TGFb", "TGFb", "T…
#> $ ligand             <chr> "TGFB1", "TGFB2", "TGFB3", "TGFB1", "TGFB1", "TGFB…
#> $ receptor           <chr> "TGFbR1_R2", "TGFbR1_R2", "TGFbR1_R2", "ACVR1B_TGF…
#> $ agonist            <chr> "TGFb agonist", "TGFb agonist", "TGFb agonist", "T…
#> $ antagonist         <chr> "TGFb antagonist", "TGFb antagonist", "TGFb antago…
#> $ co_A_receptor      <chr> "", "", "", "", "", "", "", "", "", "", "", "", ""…
#> $ co_I_receptor      <chr> "TGFb inhibition receptor", "TGFb inhibition recep…
#> $ evidence           <chr> "KEGG: hsa04350", "KEGG: hsa04350", "KEGG: hsa0435…
#> $ annotation         <chr> "Secreted Signaling", "Secreted Signaling", "Secre…
#> $ interaction_name_2 <chr> "TGFB1 - (TGFBR1+TGFBR2)", "TGFB2 - (TGFBR1+TGFBR2…
# use a subset of CellChatDB for cell-cell communication analysis
CellChatDB.use <- subsetDB(CellChatDB, search = "Secreted Signaling") # use Secreted Signaling
# use all CellChatDB for cell-cell communication analysis
# CellChatDB.use <- CellChatDB # simply use the default CellChatDB
# set the used database in the object
cellchat@DB <- CellChatDB.use

为了推断细胞状态特异性通讯,我们在一个细胞群中识别过表达的配体或受体,然后在配体或受体过表达时识别过表达的配体-受体相互作用。cellchat也提供一个功能,以投射基因表达数据到蛋白质-蛋白质相互作用(PPI)网络。具体来说,一种扩散过程被用来平滑基因表达值,基于他们的邻居定义在一个高置信度实验验证的蛋白质-蛋白质网络。这种功能在分析单细胞数据时非常有用,因为这种投影可以减少信号基因的缺失效应,特别是对于可能的配体/受体亚基零表达。人们可能会担心这种扩散过程可能引入人工误差,然而,它只会引入非常弱的通信。用户也可以跳过这一步,设置raw。在computeCommunProb()函数中使用= TRUE。

# set the used database in the object
cellchat@DB <- CellChatDB.use
# subset the expression data of signaling genes for saving computation cost
cellchat <- subsetData(cellchat) # This step is necessary even if using the whole database
future::plan("multiprocess", workers = 8) # do parallel
cellchat <- identifyOverExpressedGenes(cellchat)
cellchat <- identifyOverExpressedInteractions(cellchat)
# project gene expression data onto PPI network (optional)
cellchat <- projectData(cellchat, PPI.human)

第二部分:细胞间通信网络的推理

CellChat通过为每个interacion赋值一个概率值并执行置换检验来推断生物学上重要的细胞-细胞通信。CellChat利用质量作用定律,将基因表达与信号配体、受体和它们的辅因子之间的相互作用的已知知识相结合,从而模拟细胞与细胞之间的通信概率。

推断出的配体-受体对的数目显然取决于计算每个细胞组平均基因表达的方法。默认情况下,CellChat使用一种统计上稳健的平均方法,称为trimean,它产生的interaction比其他方法少。然而,我们发现CellChat在预测更强的interaction方面表现得很好,这对于缩小interaction范围以进行进一步的实验验证非常有帮助。在computeCommunProb中,我们提供了使用其他方法(如5%和10%截断平均值)来计算平均基因表达的选择。值得注意的是,trimean近似于25%的截断平均值,意味着如果一组中表达细胞的百分比小于25%,则平均基因表达为零。要使用10%的截断平均值,USER可以设置type = "truncatedMean"和trim = 0.1。如果研究的生物过程中非常知名的信号通路没有被预测,USER可以使用不同的修剪值尝试truncatedMean。功能computeAveExpr可以帮助检查感兴趣的信号基因的平均表达,如computeAveExpr(cellchat, features =c(“CXCL12”,“CXCR4”), type = “truncatedMean”, trim = 0.1)。

在分析未排序的单细胞转录组时,假设丰富的细胞群比稀少的细胞群更倾向于集体发送更强的信号,CellChat还可以在概率计算中考虑各细胞群中细胞比例的影响。用户可以设置population。size= TRUE。

cellchat <- computeCommunProb(cellchat)
# Filter out the cell-cell communication if there are only few number of cells in certain cell groups
cellchat <- filterCommunication(cellchat, min.cells = 10)
test=subsetCommunication(cellchat)

做完这一步,
cellchat对象里会出现一个slot ‘net’,object@net probsourcetargetobject@netpval是每个interaction的p值。
可以通过subsetCommunication(object)访问细胞通讯,返回一个数据框。

CellChat通过总结与每个信号通路相关的所有配体-受体相互作用的通信概率来计算信号通路水平上的通信概率。NB:推断出的每对配体受体和每条信号通路的细胞间通讯网络分别存储在net和netP中。

cellchat <- computeCommunProbPathway(cellchat)

提取函数的用法

df.net <- subsetCommunication(cellchat)
#returns a data frame consisting of all the inferred cell-cell communications at the level of ligands/receptors. Set slot.name = "netP" to access the the inferred communications at the level of signaling pathways
df.net <- subsetCommunication(cellchat, sources.use = c(1,2), targets.use = c(4,5)) 
#gives the inferred cell-cell communications sending from cell groups 1 and 2 to cell groups 4 and 5.
df.net <- subsetCommunication(cellchat, signaling = c("WNT", "TGFb")) 
#gives the inferred cell-cell communications mediated by signaling WNT and TGFb.

第一行和第二列是细胞类型,第三列是信号通路

在这里插入图片描述配体受体水平
在这里插入图片描述
计算细胞-细胞聚合通信网络:我们可以通过计算连接数或汇总通信概率来计算胞-胞聚合通信网络。USER还可以通过设置源来计算单元组子集之间的聚合网络。使用souce.use和targets.use。

cellchat <- aggregateNet(cellchat)

Return an updated CellChat object:

‘object@net$count’ is a matrix: rows and columns are sources and targets respectively, and elements are the number of interactions between any two cell groups. USER can convert a matrix to a data frame using the function ‘reshape2::melt()’

count里面行列分别是信号发出、接受的细胞群,值是两个细胞群之间的interaction数目。
‘object@net$weight’ is also a matrix containing the interaction weights between any two cell groups

weights是权重。权重怎么算的?
我们也可以看到聚集的细胞之间的通信网络。例如,使用圆图显示任意两个细胞群之间的相互作用数量或总相互作用强度(权重)。

groupSize <- as.numeric(table(cellchat@idents))
pdf("./circle_plot.pdf",width = 8,height = 4)
par(mfrow = c(1,2), xpd=TRUE)
netVisual_circle(cellchat@net$count, vertex.weight = groupSize, weight.scale = T, label.edge= F, title.name = "Number of interactions")
netVisual_circle(cellchat@net$weight, vertex.weight = groupSize, weight.scale = T, label.edge= F, title.name = "Interaction weights/strength")
dev.off()

在这里插入图片描述仔细看这个图,是有箭头的,颜色和source是一致的,圈圈的大小是每个细胞群细胞的数量。
由于细胞通信网络的复杂性,我们可以对每个细胞群发出的信号进行检测。这里我们还控制参数edge.weight.max这样我们就可以比较不同网络之间的边权值。

第三部分:细胞-细胞通信网络的可视化

在对细胞-细胞通信网络进行推断的基础上,CellChat为进一步的数据探索、分析和可视化提供了多种功能。

  • 它提供了多种可视化细胞-细胞通信网络的方法,包括分层图、圆图、弦图和气泡图

  • 它提供了一个易于使用的工具来提取和可视化推断网络的高阶信息。例如,它允许对细胞群体的主要信号输入和输出进行预测,以及这些群体和信号如何协调发挥作用。

  • 通过结合社会网络分析、模式识别和多种学习方法,它可以定量地描述和比较推断出的细胞-细胞通信网络

cellchat@netP$pathways可以看所有pathways
层次图:
和弦图:
圈圈图:
热图:
计算每个配体-受体对整个信号通路的贡献,并将单个配体-受体对介导的细胞-细胞通信可视化

第四部分:细胞通讯系统分析

为了便于解释复杂的细胞间通信网络,CellChat通过从图论、模式识别和流形学习中抽象出来的方法对网络进行定量测量。

  • 它可以利用网络分析中的中心性度量确定给定信令网络中的主要信令源和目标,以及中介和影响者
  • 它可以预测特定细胞类型的关键输入和输出信号,并利用模式识别方法协调不同细胞类型之间的反应(这个预测有点迷)
  • 它可以通过定义相似性度量来分组信号通路,并从功能和拓扑的角度进行manifold learning。
  • 它可以通过多个网络的联合流形学习来描述保守的和context-specific的信号通路。

确定signaling角色(例如,主要的发送者,接收者)以及主要的贡献singnaling

# Compute the network centrality scores
cellchat <- netAnalysis_computeCentrality(cellchat, slot.name = "netP") # the slot 'netP' means the inferred intercellular communication network of signaling pathways
# Visualize the computed centrality scores using heatmap, allowing ready identification of major signaling roles of cell groups
pdf("./cxcl.signalingrole.pdf",width = 8,height = 2.5)
netAnalysis_signalingRole_network(cellchat, signaling = pathways.show, width = 8, height = 2.5, font.size = 10)
dev.off()

在2D空间中可视化主要的发送者(源)和接收者(目标)

# Signaling role analysis on the aggregated cell-cell communication network from all signaling pathways
gg1 <- netAnalysis_signalingRole_scatter(cellchat)
#> Signaling role analysis on the aggregated cell-cell communication network from all signaling pathways
# Signaling role analysis on the cell-cell communication networks of interest
gg2 <- netAnalysis_signalingRole_scatter(cellchat, signaling = c("CXCL", "CCL"))
#> Signaling role analysis on the cell-cell communication network from user's input
pdf("./cxcl.signalingrole2d.pdf",width = 8,height = 2.5)
gg1 + gg2
dev.off()

识别对某些细胞群的传出或传入信号贡献最大的信号

# Signaling role analysis on the aggregated cell-cell communication network from all signaling pathways
ht1 <- netAnalysis_signalingRole_heatmap(cellchat, pattern = "outgoing")
ht2 <- netAnalysis_signalingRole_heatmap(cellchat, pattern = "incoming")
pdf("./outin.cell.pdf",width = 8,height = 6)
ht1 + ht2
dev.off()

确定全局细胞通讯模式,以探索如何多种细胞类型和信号通路协调在一起

除了探索单个通路的详细通信,一个重要的问题是多个细胞群和信号通路如何协调发挥作用。CellChat使用一种模式识别方法来识别全局通信模式。随着**模式(pattern)**数量的增加,可能会出现冗余模式,这使得解释通信模式变得困难。我们选择了5个默认模式。一般来说,当模式的数量大于2时,它在生物学上是有意义的。此外,我们还提供了一个函数selectK来推断模式的数量,该函数基于NMF R包中实现的两个指标,包括Cophenetic和Silhouette。这两个度量都是基于共识矩阵的层次聚类来度量特定数量模式的稳定性。对于一个模式数量的范围,一个合适的模式数量是在Cophenetic和Silhouette值开始突然下降的一个。

最近在研究细胞通讯,看到隔壁组师姐用这个cellchat,发现这个包真的很不错。cellchat教程第一弹,源代码来自于http://www.cellchat.org/不得不说,这个包的可视化做的真的很漂亮。狠狠喜欢了! 2021年1月5日(版本0.5.0) CellChat对象的微小变化(请通过updateCellChat()更新以前计算的CellChat对象) 功能和教程的增强文档(使用help()来检查文档,例如help(CellChat) ) 多个数据集进行比较分析的新功能 支持从Seurat V3或SingleCellExperiment对象创建新的CellChat对象 基于网络的“ CellChat Explorer” 我们构建了一个用户友好的基于Web的“ ”,其中包含两个主要组件: 配体-受体相互作用浏览器,可轻松探索我们新颖的配体-受体相互作用数据库,全面概述包括多聚体复合物和辅因子在内的已知分子组成。 我们的数据库CellChatDB是一个人工整理的数据库,其中包含人类和小鼠中受文献支持的配体-受体相互作用。 该软件包提供了分析工具,以研究scRNA-seq数据集中两个目标条件之间的细胞通讯变化。 它依赖于精选的配体-受体相互作用(适用于人类和小鼠)的集合,这些相互作用已从八个公共数据库中检索和处理。 单击此处显示配体-受体来源-[CellChat]( )-[CellPhoneDB]( )-[CellTalkDB]( ) - [connectomeDB2020]( ) - [ICELLNET]( ) - [NicheNet]( )-[SingleCellSignalR]( )-[scTensor]( ) 使用应该包含应该以细胞类型和两个感兴趣的组(例如,年轻/年长)注释的细胞的对象作为输入,该程序包可以推断可能与生物学信号相对应的细胞-细胞相互作用,并在两种条件之间发生显着变化。 有关scDiffCom使用的统计方法的实现详细信息,请参阅我们的(准 boston = tf.keras.datasets.boston_housing #加载数据,分训练集与测试集 (train_x,train_y),(test_x,test_y) = boston.load_data(test_split=0) #我们让测试数据为0,这里的test_split是划分数据集中测试集的比例的 print(len(train_x)) print(len(test_x)) 会出现下载 2.访问数据集中的元素 在此存储库中,您会找到脚本,这些脚本可帮助您使用各种R包(例如“ Seurat”,“ SCDE”,“ scPred”,“ harmony”等)过滤,分析和可视化单个单元格数据。 这些脚本是为与基于单细胞UMI的转录组数据一起使用而编写的,并且已在来自适应的smartseq2协议和10x基因组学v3协议的约1000-150.000肠粘膜(T-)细胞数据集中进行了测试。 用于示例数据和教程 了解可视化技巧
详情请参见:https://handsome-man.blog.csdn.net/article/details/127891488 数据关系型图表分为数值关系型、层次关系型和网络关系型三种图表类型。 代码可直接编译运行~
简单尝试了一下,还是比较好用的,参数很简单,可以很方便的对数据进行分析,但是由于该工具只支持cellranger count输出的文件,个人觉得有点遗憾。 因此,对该包一部分参数进行了简单的修改,让该工具可以支持其他类型数据的输入。 所有代码已经放在这里了,有兴趣的可以看一下。最重要的,如果该工具对你的论文有帮助,请引用原文 代码地址:基于R包scCancer修改的单
### 回答1: Kitti数据集是一个用于自动驾驶以及计算机视觉的数据集,包含了许多不同类型的数据,包括激光雷达和相机的数据。如果想要将激光雷达数据可视化到图像上,可以使用Python编写代码来实现。 首先需要加载点云数据,在Python中可以使用PCL库或Open3D库。在加载点云数据之后,需要将其转换成图像数据,这可以通过将点云数据投影到一个平面上来实现,这个平面是车辆朝向的平面。在投影点云数据时可以根据需求选择投影的范围和分辨率。然后使用opencv库将投影的数据从灰度图像转换为彩色图像,并将图像保存在本地或者在屏幕上播放。 当然,对于初学者来说,上述代码并不容易理解和实现。因此,建议学习和掌握以下内容: 1. Python基础知识,包括语法、控制流和函数等。 2. PCL和Open3D库的基本使用方法。 3. Opencv库的基本使用方法。 4. 点云数据转换成图像数据的方法和参数。 最后,建议查阅相关的代码示例和文档,因为这有助于更好地理解代码和算法。通过不断练习,您可以将点云数据可视化到图像上,并得到更深层次的理解。 ### 回答2: Kitti数据集是一个基于激光雷达的自动驾驶数据集,里面包括了多种不同场景下的点云数据、图像数据和各种传感器数据。其中,点云数据对于自动驾驶系统的实现具有重要意义。以下是使用Python将点云数据可视化到图像上的步骤: 1. 安装必要的Python库: ```python pip install numpy matplotlib open3d opencv-python 2. 加载点云数据: 从Kitti数据集中选取某个场景下的点云数据,使用Python加载点云数据文件: ```python import numpy as np pcd = np.fromfile("path_to_point_cloud_file.bin", dtype=np.float32).reshape(-1, 4) 3. 可视化点云数据: 使用Open3D库可视化点云数据,实现点云数据在三维空间内的展示: ```python import open3d as o3d pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(points) o3d.visualization.draw_geometries([pcd]) 4. 投影点云数据到图像平面: 将点云数据投影到图像平面上,通过OpenCV库将点云数据可视化到图像上: ```python import cv2 from kitti_projection import KittiProjection range_image = KittiProjection().project_lidar_to_image(points, image_size=(1242, 375)) cv2.imshow("Range Image", range_image) cv2.waitKey(0) 5. 结论: 通过上述步骤,我们可以将Kitti数据集中的点云数据可视化到图像上,实现自动驾驶系统中点云数据和图像数据的结合,为自动驾驶系统的实现提供支持。