细胞-细胞通讯网络圈图

作者

[编辑] Bizard 团队;

[贡献] 王诗翔.

修改于

2026-03-20

细胞-细胞通讯网络圈图是一种专用于描绘来自单细胞 RNA 测序（scRNA-seq）数据推断的细胞间信号交互的可视化方法。使用 CellChat R 包，该图以圆形网络的形式展示，其中节点代表细胞群（细胞类型或细胞簇），有向边表示细胞类型之间配体-受体通讯信号的强度和方向。

每条边的弧宽编码通讯概率，每个节点上的自环代表自分泌信号。颜色编码将每种细胞类型映射到不同颜色，箭头方向显示发送者-接收者关系。该可视化方法特别适用于发现免疫细胞与肿瘤细胞之间的交叉信号，识别组织微环境中的关键信号中枢，以及比较不同生物学条件下的通讯网络。

示例

Cell-Cell Communication Circle Plot DEMO

环境配置

  • 系统要求：跨平台（Linux/MacOS/Windows）

  • 编程语言：R

  • 依赖包：CellChat、ggplot2、circlize

# 如有需要，安装 Bioconductor 管理器
if (!requireNamespace("BiocManager", quietly = TRUE)) {
  install.packages("BiocManager")
}

# 安装 CRAN 依赖
if (!requireNamespace("ggplot2", quietly = TRUE)) install.packages("ggplot2")
if (!requireNamespace("circlize", quietly = TRUE)) install.packages("circlize")
if (!requireNamespace("igraph", quietly = TRUE)) install.packages("igraph")

# 从 GitHub 安装 CellChat（jinworks/CellChat 为当前维护版本）
if (!requireNamespace("CellChat", quietly = TRUE)) {
  if (!requireNamespace("remotes", quietly = TRUE)) install.packages("remotes")
  remotes::install_github("jinworks/CellChat")
}

# 加载包
library(CellChat)
library(ggplot2)
library(circlize)
sessioninfo::session_info("attached")
─ Session info ───────────────────────────────────────────────────────────────
 setting  value
 version  R version 4.5.3 (2026-03-11)
 os       Ubuntu 24.04.3 LTS
 system   x86_64, linux-gnu
 ui       X11
 language (EN)
 collate  C.UTF-8
 ctype    C.UTF-8
 tz       UTC
 date     2026-03-20
 pandoc   3.1.3 @ /usr/bin/ (via rmarkdown)
 quarto   1.8.27 @ /usr/local/bin/quarto

─ Packages ───────────────────────────────────────────────────────────────────
 package      * version    date (UTC) lib source
 Biobase      * 2.70.0     2025-10-29 [1] Bioconduc~
 BiocGenerics * 0.56.0     2025-10-29 [1] Bioconduc~
 CellChat     * 2.2.0.9001 2026-03-20 [1] Github (jinworks/CellChat@75253cd)
 circlize     * 0.4.17     2025-12-08 [1] RSPM
 dplyr        * 1.2.0      2026-02-03 [1] RSPM
 generics     * 0.1.4      2025-05-09 [1] RSPM
 ggplot2      * 4.0.2      2026-02-03 [1] RSPM
 igraph       * 2.2.2      2026-02-12 [1] RSPM

 [1] /home/runner/work/_temp/Library
 [2] /opt/R/4.5.3/lib/R/site-library
 [3] /opt/R/4.5.3/lib/R/library
 * ── Packages attached to the search path.

──────────────────────────────────────────────────────────────────────────────

数据准备

本教程使用模拟的 CellChat 兼容通讯矩阵，使示例完全自包含，无需外部数据集或模型推断即可运行。对于使用真实 CellChat 对象（由您自己的 scRNA-seq 数据生成）的用户，相同的可视化代码同样适用。

# 模拟通讯计数/权重矩阵
# 在实际使用中，这些数据来自 cellchat@net$count 和 cellchat@net$weight

set.seed(42)
cell_types <- c("CD4 T", "CD8 T", "NK", "B cell", "Monocyte",
                "DC", "Fibroblast", "Epithelial", "Endothelial")
n <- length(cell_types)

net_count  <- matrix(sample(0:50, n * n, replace = TRUE), n, n,
                     dimnames = list(cell_types, cell_types))
net_weight <- matrix(runif(n * n, 0, 1), n, n,
                     dimnames = list(cell_types, cell_types))
diag(net_count)  <- 0  # 移除自分泌通讯
diag(net_weight) <- 0

# 每种细胞类型的细胞数量（模拟）
group_size <- sample(50:500, n, replace = TRUE)
names(group_size) <- cell_types

cat("模拟了", n, "种细胞类型，共", sum(net_count), "次交互\n")
模拟了 9 种细胞类型，共 1875 次交互
print(net_count)
            CD4 T CD8 T NK B cell Monocyte DC Fibroblast Epithelial Endothelial
CD4 T           0    23 46      4       29 44         48         37          41
CD8 T          36     0  2     19       42 27         25          9           8
NK              0    35  0     33       14  4         49         39          28
B cell         24    24 24      0       21  3          5          4          11
Monocyte        9    36 26     39        0 33          5         32          19
DC             35    45 35      2       35  0          1         48           8
Fibroblast     17    19 36     32        3 34          0         38          42
Epithelial     48    25 30     41       21 23         20          0          34
Endothelial    46    49 44     23       17 22          1         44           0

使用自有数据构建 CellChat 对象（参考代码）

以下代码仅供参考（eval: false），展示如何从 Seurat scRNA-seq 对象构建 CellChat 对象，然后进行下方的可视化。

library(Seurat)
library(CellChat)

# 1. 从 Seurat 对象提取标准化计数矩阵和元数据
seurat_obj  <- readRDS("your_seurat_object.rds")
data_input  <- GetAssayData(seurat_obj, assay = "RNA", slot = "data")
meta        <- seurat_obj@meta.data

# 2. 创建 CellChat 对象
cellchat <- createCellChat(object = data_input, meta = meta, group.by = "cell_type")

# 3. 设置配体-受体数据库
cellchat@DB <- CellChatDB.human  # 小鼠数据使用 CellChatDB.mouse

# 4. 预处理与推断通讯
cellchat <- subsetData(cellchat)
cellchat <- identifyOverExpressedGenes(cellchat)
cellchat <- identifyOverExpressedInteractions(cellchat)
cellchat <- computeCommunProb(cellchat, type = "triMean")
cellchat <- filterCommunication(cellchat, min.cells = 10)
cellchat <- computeCommunProbPathway(cellchat)
cellchat <- aggregateNet(cellchat)
# 此后 cellchat@net$count 和 cellchat@net$weight 即可用于绘图

可视化

1. 整体细胞-细胞通讯圈图

整体圈图汇总所有推断的通讯交互。每个节点代表一种细胞类型；节点大小与该细胞类型参与的交互数量成正比。弧宽编码通讯强度。

par(mfrow = c(1, 2), xpd = TRUE)

# 面板 A：交互数量
netVisual_circle(
  net_count,
  vertex.weight = group_size,
  weight.scale  = TRUE,
  label.edge    = FALSE,
  title.name    = "交互数量"
)

# 面板 B：交互强度（权重）
netVisual_circle(
  net_weight,
  vertex.weight = group_size,
  weight.scale  = TRUE,
  label.edge    = FALSE,
  title.name    = "交互权重/强度"
)

整体细胞-细胞通讯圈图
par(mfrow = c(1, 1))

2. 单细胞类型通讯圈图

逐行对权重矩阵进行子集化，分别展示每种细胞类型的输出信号。

n_types <- nrow(net_weight)
n_cols  <- ceiling(sqrt(n_types))
n_rows  <- ceiling(n_types / n_cols)

par(mfrow = c(n_rows, n_cols), xpd = TRUE, mar = c(1, 1, 2, 1))

for (i in seq_len(n_types)) {
  mat_i          <- matrix(0, nrow = n_types, ncol = n_types,
                           dimnames = dimnames(net_weight))
  mat_i[i, ]    <- net_weight[i, ]   # 第 i 种细胞类型的输出信号

  netVisual_circle(
    mat_i,
    vertex.weight   = group_size,
    weight.scale    = TRUE,
    edge.weight.max = max(net_weight),
    title.name      = rownames(net_weight)[i]
  )
}

各细胞类型输出通讯圈图
par(mfrow = c(1, 1))

3. 弦图

弦图使用 circlize 提供了另一种圆形视图，清晰展示细胞类型对之间的双向通讯量。

chordDiagram(
  net_weight,
  transparency      = 0.4,
  annotationTrack   = "grid",
  preAllocateTracks = 1
)

circos.trackPlotRegion(
  track.index = 1,
  panel.fun   = function(x, y) {
    circos.text(
      CELL_META$xcenter,
      CELL_META$ylim[1] + 0.1,
      CELL_META$sector.index,
      facing     = "clockwise",
      niceFacing = TRUE,
      adj        = c(0, 0.5),
      cex        = 0.7
    )
  },
  bg.border = NA
)

title("细胞-细胞通讯（弦图）")

细胞-细胞通讯弦图
circos.clear()

4. 通讯热图

热图视图可快速识别主要的发送者-接收者细胞对及不对称通讯模式。

df_heat <- as.data.frame(as.table(net_weight))
colnames(df_heat) <- c("发送者", "接收者", "权重")

ggplot(df_heat, aes(x = 接收者, y = 发送者, fill = 权重)) +
  geom_tile(color = "white", linewidth = 0.4) +
  scale_fill_gradient(low = "white", high = "#b74147", name = "权重") +
  theme_minimal(base_size = 11) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),
    panel.grid  = element_blank(),
    plot.title  = element_text(size = 13, face = "bold", hjust = 0.5)
  ) +
  labs(
    title = "细胞-细胞通讯热图",
    x = "接收者", y = "发送者"
  )

细胞-细胞通讯热图

参考文献

[1] Jin S, Guerrero-Juarez CF, Zhang L 等. 使用 CellChat 推断和分析细胞-细胞通讯. Nature Communications. 2021;12(1):1088. https://doi.org/10.1038/s41467-021-21246-9

[2] Jin S 等. 基于单细胞转录组系统分析细胞-细胞通讯的 CellChat. Nature Protocols. 2024. https://doi.org/10.1038/s41596-024-01045-4

[3] CellChat GitHub: https://github.com/jinworks/CellChat