一般来说，建议大家直接读原汁原味的综述，比如2020年11月9日，Erick Armingol等在 Nature Reviews Genetics上发表了一篇综述《Deciphering cell–cell interactions and communication from gene expression》，我看到了解读：从基因表达解读细胞之间的相互作用和交流，读了一下发现确实超级适合作为细胞通讯分析的背景知识学习材料。
不同细胞类型和组织中的细胞之间相互作用(CCI)，主要是通过各种分子包括离子、代谢物、整联蛋白、受体、连接蛋白、结构蛋白、配体和细胞外基质的分泌蛋白来实现的。一些分子如激素、生长因子、趋化因子、细胞因子和神经递质等配体介导细胞之间的信息交流(CCC). 人们可以从基因表达中推断出CCI和CCC，尤其是在单细胞转录组测序之后，以RNA为代表的细胞信息之间的相互作用更能够对其进行解析。
主要是流程就是根据数据库记录的参与细胞间通讯的相互作用蛋白列表，筛选表达矩阵后，看配体和受体表达量根据某个评分函数的交流得分，多个配体和受体聚合成为细胞与细胞之间的总体交互状态，最后通过网络可视化展现出来。
自分泌，旁分泌，近分泌和内分泌
自分泌信号转导是指细胞内通讯，细胞分泌配体，这些配体用于通过同源受体诱导同一细胞上表达的那些分子的细胞应答。 旁分泌细胞间的通讯不需要细胞间的接触，而是取决于信号分子在分泌后从一个细胞扩散到另一个细胞。 近分泌，即依赖于接触的细胞间通讯依赖于间隙连接或膜纳米管等其他结构，使信号分子直接在细胞之间传递，而不会分泌到细胞外。 内分泌细胞间的通讯代表细胞间的通讯，信号分子被分泌并通过诸如血浆的细胞外液传播很长一段距离。
数据库大全
数据库记录着参与细胞间通讯的相互作用蛋白列表，最常用的蛋白-蛋白的相互作用(PPI)是string数据库，但是
软件工具算法大全
主要是分成4种
基于差异分析 基于网络连通 基于表达量排序 基于张量等复杂的数学运算
实验验证
很少会做到这一步，毕竟绝大部分的数据分析仅仅是为了出一个好看的图表，一个加分项。但如果不同细胞亚群的独特的作用关系确实有比较好的临床意义，是自己生物学故事的中心点。就有必要进行一定程度的验证了，主要是下面的3种：
通过蛋白质组学，酶联免疫吸附测定，蛋白质印迹或免疫组化可以看蛋白质表达情况 通过显微镜结合免疫染色，单分子荧光原位杂交或通过流式细胞术测量共存看相邻细胞的作用关系 甚至激活剂或抑制剂或细胞的遗传操作进行体内或体外实验
展望
主要的难点在于多组学整合，以及时空维度的结合，跨物质的交流或者对比，以及临床转化。
细胞通讯分析是单细胞数据处理的进阶部分了
首先必须要有单细胞数据处理的基础知识，就是质控降维聚类分群啦，看我在《单细胞天地》的单细胞基础10讲：
01. 上游分析流程 02.课题多少个样品，测序数据量如何 03. 过滤不合格细胞和基因（数据质控很重要） 04. 过滤线粒体核糖体基因 05. 去除细胞效应和基因效应 06.单细胞转录组数据的降维聚类分群 07.单细胞转录组数据处理之细胞亚群注释 08.把拿到的亚群进行更细致的分群 09.单细胞转录组数据处理之细胞亚群比例比较
以及《单细胞天地》日更的各式各样的个性化汇总教程，差不多就明白了。