细胞通讯分析结果的解读
单细胞进阶分析主要是拟时序分析，细胞通讯分析，以及SCENIC转录因子分析。但实际上随着越来越多单细胞研究从CNS正刊跌落到CNS子刊，再到普通的数据挖掘文章，所谓的进阶分析也要沦落为标准分析啦。
不过，虽然细胞通讯分析越来越普通，但它的难度并不会降低，在试图学习这个分析方法之前，大家需要自己提前了解一下：细胞通讯分析的背景知识，而且呢，还得看看细胞通讯分析的实例，多读文献，总归是没有错的！
细胞通讯分析相关软件工具超级多
细胞通讯分析相关软件工具也不少了，但是缺乏一个综述文章，或者说一个benchmark文章，对这些工具进行测评。我们就挑选出镜率比较高的几款软件进行介绍吧，主要是有CellPhoneDB，SingleCellSignalR，celltalker和iTALK以及cellchat，它们的链接分别是：
2020年2月的nature protocols文章；CellPhoneDB: inferring cell–cell communication from combined expression of multi-subunit ligand–receptor complexes （基于Python） https://www.nature.com/articles/s41596-020-0292-x https://github.com/Teichlab/cellphonedb celltalker比较特殊，一个纯粹的R包工具，到目前为止（2020年11月）没有相关文章 https://github.com/arc85/celltalker 2019年1月的预印本文章：iTALK: an R Package to Characterize and Illustrate Intercellular Communication https://www.biorxiv.org/content/10.1101/507871v1 https://github.com/Coolgenome/iTALK 2020年10月发表在NC的文章：Predicting cell-to-cell communication networks using NATMI（基于Python） https://www.nature.com/articles/s41467-020-18873-z https://github.com/asrhou/NATMI 2020年3月发表在NAR的文章：SingleCellSignalR https://academic.oup.com/nar/article/48/10/e55/5810485 https://github.com/SCA-IRCM/SingleCellSignalR 2020年7月的预印本文章： https://www.biorxiv.org/content/10.1101/2020.07.21.214387v1 https://github.com/sqjin/CellChat
2018年8月nature文章300多个细胞
发表在26 August 2020的文章：Heterotypic cell–cell communication regulates glandular stem cell multipotency ，链接是：https://pubmed.ncbi.nlm.nih.gov/32848220/
这个课题的单细胞数据集主要是跟bulk转录组数据进行映射后，分成了5个亚群，这wild-type, ablation and embryonic mammary progenitors (EMP) (n = 95 cells) 都是独立做CellPhone-DB的细胞通讯分析。然后发现WT组里面的特有的25对细胞通讯关系，进一步在WT组里面进行可视化，如：b, The mean expression and P values of the ligand–receptor interaction exclusively significant for wild-type cells (n = 25 pairs). Ligand– receptor pairs investigated functionally are denoted in bold. For CellPhone-DB analysis, P values are derived from one-sided permutation tests (significant P < 0.05).
2020年10月NC的膀胱癌免疫微环境
文章标题是；《Single-cell RNA sequencing highlights the role of inflammatory cancer-associated fibroblasts in bladder urothelial carcinoma》，链接是：https://www.nature.com/articles/s41467-020-18916-5
一个单细胞转录组数据集，首先就有十几种细胞亚群，互相之间的相互作用组合起来太多了，所以通常并不需要全部分析，比如这个研究定位到了两个细胞亚群 iCAFs and mCAFs，就主要是看这两个细胞亚群和其它全部的细胞亚群的通讯关系。
首先看 ligand-receptor pairs of cytokines 的关系，如下：
然后看 growth factors 的关系，如下：
其实CellPhone-DB数据库远不止这些啦，不过通常呢，我们只能是做到对数据分析结果的有限解读啦！
居然就可以根据上面的细胞通讯关系绘制出来机制图：
2020年12月NC的食管鳞状细胞癌微环境
文章标题是；《Immune suppressive landscape in the human esophageal squamous cell carcinoma microenvironment》，链接是 https://www.nature.com/articles/s41467-020-20019-0
首先是；a Circos plot showing the predicted average strength in seven patients of the indicated interaction between macrophage-provided ligands and receptors in other cell types within tumor or adjacent tissues.
然后是：g Circos plot showing the predicted interaction strength of the indicated L–R pairs between tumor and adjacent tissues as Treg-provided ligands and interactions with the indicated cell types averaged across seven patients.
同样的分析，完全不同的展现方式
主要是靠大家对这个细胞通讯分析流程的理解，以及对结果的解读，后续我们会针对此推文前面提到的5款做细胞通讯分析软件的用法解读，并且合理的使用它们的分析结果来支撑我们的数据成为一个合理的生物学故事！
敬请期待，生信技能树持续更新！