# 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)细胞-细胞通讯网络圈图
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
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
sessioninfo::session_info("attached")─ Session info ───────────────────────────────────────────────────────────────
setting value
version R version 4.6.2 (2026-10-29)
os Ubuntu 26.04.1 LTS
system x86_64, linux-gnu
ui X11
language (EN)
collate C.UTF-8
ctype C.UTF-8
tz UTC
date 2026-11-05
pandoc 3.7.0.2 @ /usr/bin/ (via rmarkdown)
quarto 1.11.9 @ /usr/local/bin/quarto
─ Packages ───────────────────────────────────────────────────────────────────
! package * version date (UTC) lib source
P Biobase * 2.72.0 2026-04-28 [?] Bioconductor 3.23 (R 4.6.2)
P BiocGenerics * 0.58.1 2026-05-14 [?] Bioconductor 3.23 (R 4.6.2)
P CellChat * 2.2.0.9001 2026-11-03 [?] Github (jinworks/CellChat@75253cd)
P circlize * 0.4.18 2026-04-04 [?] RSPM
P dplyr * 1.2.1 2026-04-03 [?] RSPM
P generics * 0.1.4 2025-05-09 [?] RSPM
P ggplot2 * 4.0.3.9000 2026-11-03 [?] Github (tidyverse/ggplot2@b638d65)
P igraph * 2.3.4 2026-09-30 [?] RSPM
[1] /home/runner/.cache/R/renv/library/Bizard-5140bdc6/linux-ubuntu-resolute/R-4.6/x86_64-pc-linux-gnu
[2] /home/runner/work/_temp/Library
[3] /opt/R/4.6.2/lib/R/library
* ── Packages attached to the search path.
P ── Loaded and on-disk path mismatch.
──────────────────────────────────────────────────────────────────────────────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"
)
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]
)
}
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$sector.index,
facing = "clockwise",
niceFacing = TRUE,
adj = c(0, 0.5),
cex = 0.7
)
},
bg.border = NA
)
title("细胞-细胞通讯（弦图）")
circos.clear()
4. 通讯热图
热图视图可快速识别主要的发送者-接收者细胞对及不对称通讯模式。
df_heat <- as.data.frame(as.table(net_weight))
colnames(df_heat) <- c("发送者", "接收者", "权重")
ggplot(df_heat, aes(x = 接收者, y = 发送者, fill = 权重)) +
geom_tile(color = "white", linewidth = 0.4) +
scale_fill_gradient(low = "white", high = "#b74147", name = "权重") +
theme_minimal(base_size = 11) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
panel.grid = element_blank(),
plot.title = element_text(size = 13, face = "bold", hjust = 0.5)
) +
labs(
title = "细胞-细胞通讯热图",
x = "接收者", y = "发送者"
)
5. CellPhoneDB 风格配体-受体点图
CellPhoneDB 输出通常以点热图展示：行 = 配体-受体对，列 = 细胞类型对，点大小 = 置换 P 值，颜色 = 两配体/受体的平均表达量 [6]。以下配方从模拟互作表复现该版式。
set.seed(2401)
lr_pairs <- c("FGFR1_FGF2", "MET_HGF", "EGFR_EGFR", "VEGFB_FLT1",
"NOTCH1_DLL1", "WNT5A_FZD5", "CXCL12_CXCR4", "PDGFB_PDGFRB")
cell_pairs <- c("EC1|EC2", "EC1|Fibro", "EC2|SMC", "Fibro|EC1",
"EC2|EC2", "SMC|EC1", "Fibro|EC2", "EC1|SMC")
lr_df <- expand.grid(pair = lr_pairs, cell_pair = cell_pairs,
stringsAsFactors = FALSE)
lr_df$pval <- runif(nrow(lr_df), 0, 1)
lr_df$mean <- rnorm(nrow(lr_df), 0.5, 0.4)
lr_df$mean <- pmax(pmin(lr_df$mean, 1.5), 0)
ggplot(lr_df, aes(cell_pair, pair, size = pval, colour = mean)) +
geom_point(alpha = 0.85) +
scale_size_continuous(range = c(0.5, 6), trans = "reverse",
name = "Permutation P") +
scale_colour_gradient(low = "#445EAD", high = "#B2182B",
name = "Scaled mean\nexpression") +
labs(x = "Cell-type pair", y = "Ligand-receptor pair") +
theme_classic(base_size = 10) +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
legend.box = "vertical")
提示
实践要点
- CellPhoneDB 置换 P 值是单侧的（越大越随机）；
scale_size_continuous(trans = "reverse")反转轴使大点 = 更显著。 - 颜色标度表示两个配体/受体归一化表达的均值，即 CellPhoneDB 报告的
scale_factor。 -
expand.grid()创建所有配对组合；绘图前筛除不显著互作（如 P ≥ 0.05）以获得更干净的图。
References
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