研究细胞相互作用和通讯的计算及实验工具

作者，Evil Genius

马上五一了，大家是不是都准备出去玩了？

五一放假，前几天加了一个女老师的微信（初中数学老师），92年的，都是父母介绍的，五一打算约出来见见，时间就约在下午3点到4点之间，看哪天合适，结果人家来了一句，我起不来，尼玛牛了，现在的借口都这么清新脱俗么？😄，我瞬间心里为人师表的老师，形象都崩塌了。

晚上7点半出去转转，路过网吧，好几年没去过网吧了，去坐一坐吧，顺便打几把lol，排解一下情绪，结果登上号发现被封了，10年，我的天啊，马上去申诉，原来被盗号了，这尼玛，4月的最后一天，老天爷这是什么意思。

近年来，研究细胞与细胞相互作用（CCIs） 的工具经历了显著的多样化。

没有细胞生活在真空中，细胞之间的分子相互作用决定了大多数表型。

肿瘤微环境(tumor microenvironment, TME)由非恶性细胞组成，这些细胞相互作用并与癌细胞相互作用，深刻影响癌症的发生发展。其中微环境细胞类型之间的相互作用网络是分层的，主要是负反馈，顶部的细胞类型向其他细胞类型发送信号，底部的目标细胞接收来自上游的信号和其他细胞类型的辅助信号。

而其中的空间位置，又严重影响到细胞类型互作的有效性。

癌细胞在转移定殖过程中与邻近宿主组织驻留细胞相互作用，建立转移生态位以促进其生存、生长和侵袭。

目前已经有了很多种方法计算细胞通讯，每个工具都使用已知的LRIs来推断样本中的CCI。核心方法是利用配体和受体的表达水平来阐明细胞如何交流，从而产生新的生物学假设。通用的例子，CCI的预测方法如下:首先，筛选基因表达矩阵，使其只包含配体和受体。其次，每个基因的表达水平在特定细胞类型的所有单细胞中聚集(例如通过在单个细胞中平均表达)。第三，对于样本中的每对细胞类型，通过考虑配体细胞类型中的配体表达水平和受体细胞类型中的受体表达水平来评估每个候选LRI。最后，为每对细胞类型中的每个LRI分别计算通信分数(例如，这可能是配体-受体细胞类型对中配体和受体表达水平之间的乘积、平均值或几何平均值)。为了进一步确定假设驱动的CCI(例如确定细胞类型特异性LRIs)，可以进一步进行包括排列、参数和非参数测试在内的统计分析，以确定重要的相互作用。因此，计算工具能够识别重要的CCI并生成可以通过实验评估的生物学假设。

各种核心工具，如CellPhoneDB和CellChat，建立了一套“community”用于从转录组学推断cci的方法。

Methodological advancement of cell–cell interaction research

推断细胞-细胞相互作用的计算工具的系统发育树

获得全单细胞分辨率的见解：最近的方法可以以真正的单细胞分辨率处理这些数据，推断出成对的单个细胞之间的通讯，如SoptSC、NICCHES、Scriabin、SPRUCE、DeepCOLOR等。

细胞空间背景化：查每个细胞空间背景的新 CCIs工具将更清晰地解读复杂组织中具有生物意义的通讯，如Giotto、Squidpy、SVCA 、SpaOTsc、COMMOT、stMLnet、DeepLinc、Neighbour-seq、CSOmap等。

观察细胞内活动：基于转录组学的工具通常仅限于简单地推断蛋白质配体，系统生物学途径分析方法可以加深对细胞内过程的了解，以推断其他类别配体的丰度和活性，从而扩大CCIs工具的能力，如MEBOCOST、Domino、CellComm、exFINDER等。

考虑多种情况：在CCIs研究中还需要考虑细胞和LRIs所有组合的表型关联，如Connectome、CellChat、scDiffCom、 scTenifoldXct、sciTD、DIALOGUE、 MOFAcell、Tensor-cell2cell、 TraSig、 TimeTalk等。

更多其他提升：交互友好（InterCellar、Cellinker、 TALKIEN） ；LIANA建立了一个用于实施多种工具方法的平台，从而能够进行比较分析；Calligraphy使用通讯基因共表达网络来识别信号基因模块等。

空间转录组学领域的蓬勃发展促进了计算工具的进化，在推断CCI时包括细胞位置。这些工具的一个分支更普遍地促进了空间数据的分析。例如，Giotto和Squidpy可视化空间数据，并跨细胞或spot执行分析，如聚类和邻居检测，但这些也为CCI推理提供信息。其他框架，如MISTy，通过多个“视图”识别空间数据的更具体属性;也就是说，以特定于领域的方式描述标记表达关系及其可变性来源的模型。每个“视图”都包含给定距离阈值的不同细胞间距离范围，这有助于确定CCI的niche特异性机制。这种方法有助于识别根据肿瘤分级和临床亚型区分乳腺癌活检的特征，同时也揭示了关键的信号通路。

更专业的空间CCI推理始于较早的工具，如SVCA和SpaOTsc，分别用于解释个体基因和单细胞相互作用。可用的工具直接纳入细胞间距离，要么将分析限制在近端细胞和spot上，要么衡量代表相互作用潜力的通信分数。例如，SpaTalk通过使用细胞之间的欧几里得距离来构建基于k近邻的细胞图网络，从而在空间上限制了分析。然后计算连接细胞(即近端细胞)的CCIs。另一种方法COMMOT限制了近端细胞间CCIs的推断距离。COMMOT引入了一种集体最优传输算法，该算法使用指定的距离限制来定义邻域并推断近端CCI。该算法寻求在位置之间传输一组资源(如配体)的最有效方法，在考虑源和目标(例如，配体细胞和受体细胞)之间距离的同时，将"总成本"降至最低。在数学上，在给定细胞间距离(成本)的情况下优化了基于LRI的CCIs(运输计划)的潜力，同时也"惩罚"了未运输或“未使用”的配体和受体。此外，该算法可以同时处理多种竞争的配体和受体，并可以推断空间信号方向性。其他工具，如stMLnet，衡量交互潜力，而不是限制分析。例如，stMLnet利用配体扩散原理，假设细胞间距离和配体浓度之间存在反比关系，将细胞间欧几里得距离作为分母来衡量通信得分。这些不同的方法突出了在CCI分析中可以明确地考虑距离的不同方式。

New features and analyses performed by next-generation computational tools.

深度学习方法在研究互作的进展

新一代实验工具

新一代实验方法的出现提高了CCIs测量的通量。这些方法可以同时测量许多LRIs和细胞对，许多方法还将实验测量的相互作用与下游测序结合起来。

研究细胞-细胞相互作用的新一代实验方法

基于测序的方法

基于临近标记的方法

基于合成回路的方法

通讯常见的术语

加强细胞-细胞相互作用研究方法的挑战与机遇

以单细胞分辨率进行跨条件的细胞-细胞相互作用（CCI）比较存在挑战：样本细胞数量的差异可能与某些算法不兼容，这意味着可能需要包括数据插补，尤其是在单细胞分辨率下，例如DURIAN、 CellChat (V2)、CellPhoneDB (V5)和LIANA+等算法通过不同策略改善此挑战。

构建LRIs数据库是研究CCIs的关键：这一步骤涉及一些基本方面，如关注高可信度LRIs，包括蛋白质亚基、激活剂、抑制剂和/或竞争对手，以考虑LRIs的信号活性，并结合基因调控网络来捕获细胞内过程。

生成真实数据多年来一直是一个重大挑战：为了解决这个问题，正在开发真实交互的精选数据库，以帮助基准测试和调整计算工具。此外，努力生成金标准数据集对于通过适当的指标(如准确性、精密度、召回率、f分数和均方根误差)评估工具性能至关重要。建立此类参考数据的尝试通常涉及从文献中手动整理CCIs，包括不同的细胞类型和分子介质，如CITEdb和Cellinker所示。

包括配体和受体的亚细胞定位可完善对相互作用细胞的预测：例如考虑到膜蛋白相互作用的生物物理特征(如定位、强度和细胞骨架耦合)的新算法可以用于研究免疫突触和胚胎发育的动力学。

大多数实验方法仅限于原位和体外部署，在体内开展的工作很少：预计将出现更多的技术来报告更多经过验证的CCIs，并将其与下游测序和计算分析相结合。例如ullipstic可以与scRNA-seq结合来解开复杂的CCIs；为了帮助扩大实验获得的CCIs和LRIs网络，实验方法可以与多重蛋白质成像方法(如CODEX)相结合，这是一种使用抗体与DNA条形码结合的方法，可以在空间上可视化组织内的多种蛋白质标记物。此外，新兴的标记分泌信号的方法[和远程通信机制对于使这些高通量实验方法在跟踪CCIs时更加全面至关重要。

参考文章

[1] Minegishi, M., Kuchimaru, T., Nishikawa, K. et al. Secretory GFP reconstitution labeling of neighboring cells interrogates cell–cell interactions in metastatic niches. Nat Commun 14, 8031 (2023). https://doi.org/10.1038/s41467-023-43855-2
[2] Mayer, S., Milo, T., Isaacson, A. et al. The tumor microenvironment shows a hierarchy of cell-cell interactions dominated by fibroblasts. Nat Commun 14, 5810 (2023). https://doi.org/10.1038/s41467-023-41518-w
[3] Armingol, E., Baghdassarian, H.M. & Lewis, N.E. The diversification of methods for studying cell–cell interactions and communication. Nat Rev Genet (2024). https://doi.org/10.1038/s41576-023-00685-8

生活很好，有你更好