④-2单细胞学习-cellchat单数据代码补充版（通讯网络）

#数据载入
rm(list=ls())
library(CellChat)
library(patchwork)
library(ggplot2)
library(Seurat)
library(ggalluvial)#绘制桑基图
library(expm)
library(sna)
library(NMF)
options(stringsAsFactors = FALSE)##输入数据不自动转换成因子（防止数据格式错误）

load('humanSkin_CellChat.Rdata')#分析后的cellchat对象

通过计算每个细胞群的网络中心性指标，识别每类细胞在信号通路中的角色/作用C（发送者、接收者、调解者和影响者）

复制代码

cellchat@netP$pathways  #查看都有哪些信号通路
pathways.show <- c("GALECTIN")##选择其中一个信号通路，比如说GALECTIN
#计算网络中心性权重：识别每类细胞在信号通路中的角色/作用
cellchat <- netAnalysis_computeCentrality(cellchat, 
                                          slot.name = "netP")
#pdf("GALECTIN通路网络中心性权重.pdf",width = 8,height = 4)##一定添加大小
netAnalysis_signalingRole_network(cellchat, signaling = pathways.show, 
                                  width = 15, height = 6, font.size = 10)
#dev.off()

2，识别细胞的信号流模式

CellChat分析哪些信号对某些细胞组的传出或传入信号贡献最大的问题。

复制代码

ht1 <- netAnalysis_signalingRole_heatmap(cellchat, pattern = "outgoing", font.size = 5)
ht2 <- netAnalysis_signalingRole_heatmap(cellchat, pattern = "incoming", font.size = 5)
ht1 + ht2

上图横轴是细胞类型，纵轴是pathway。左图是各个细胞类型中各个通路发出信号的强度，由图是各个细胞类型中各个通路接受信号的强度

②非负矩阵分解（NMF）识别细胞的通讯模式

1，信号输出细胞的模式识别

除了探索单个通路的详细通信之外，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 采用模式识别方法来识别全局通信模式。 识别和可视化分泌细胞的传出通信模式 (pattern) 传出模式揭示了发送细胞（即作为信号源的细胞）如何相互协调，以及它们如何与某些信号通路协调以驱动通信。

计算分解成几个因子(pattern)比较合适（这一步运行比较慢。在使用NMF对细胞进行亚群细分时，如果不测试的话，最好选择比细胞类型多一点的值。

复制代码

#非负矩阵分解（NMF）识别细胞的通讯模式
selectK(cellchat, pattern = "outgoing")

根据坡度图选择合适的pattern数量

复制代码

nPatterns = 3
cellchat <- identifyCommunicationPatterns(cellchat, pattern = "outgoing",
                                          k = nPatterns)

左边是细胞模式，右边是信号通路模式

河流图

复制代码

#河流图
netAnalysis_river(cellchat, pattern = "outgoing")

气泡图

复制代码

#气泡图
netAnalysis_dot(cellchat, pattern = "outgoing")

2，信号输入细胞的模式识别

复制代码

#输入模式的识别
selectK(cellchat, pattern = "incoming")

热图

复制代码

#热图
nPatterns = 8
cellchat <- identifyCommunicationPatterns(cellchat, pattern = "incoming", k = nPatterns, 
                                          width = 5, height = 9, font.size = 6)

复制代码

#桑基图
netAnalysis_river(cellchat, pattern = "incoming")

复制代码

#气泡图
netAnalysis_dot(cellchat, pattern = "incoming")

信号网络的流行学习与分类

①功能相似性

复制代码

cellchat <- computeNetSimilarity(cellchat, type = "functional")
cellchat <- netEmbedding(cellchat, type = "functional")
#> Manifold learning of the signaling networks for a single dataset
cellchat <- netClustering(cellchat, type = "functional")
#> Classification learning of the signaling networks for a single dataset
# Visualization in 2D-space
netVisual_embedding(cellchat, type = "functional", label.size = 3.5)

# netVisual_embeddingZoomIn(cellchat, type = "functional", nCol = 2)

②结构相似性

复制代码

cellchat <- computeNetSimilarity(cellchat, type = "structural")
cellchat <- netEmbedding(cellchat, type = "structural")
#> Manifold learning of the signaling networks for a single dataset
cellchat <- netClustering(cellchat, type = "structural")
#> Classification learning of the signaling networks for a single dataset
# Visualization in 2D-space
netVisual_embedding(cellchat, type = "structural", label.size = 3.5)

参考：

1：CellChat细胞通讯分析（中）--实操代码（单个样本） - 知乎 (zhihu.com)

2：单细胞分析之细胞交互-3：CellChat - 简书 (jianshu.com)