文献汇总--关于visium的细胞通讯分析

作者，Evil Genius

贝纳基因听过么？我之前是没听过，2012年成立的公司。

如今公司已经从十几人发展到现在的国家高新企业。

目前这个公司也在招聘，大家如果有兴趣，可以参加一下社招&校招｜贝纳科技12月热招，销售、研发岗、产品经理。

这个经历让我想起了诺禾，2011年李瑞强董事长也是这样的经历，从十几人的小公司发展到如今的上市公司，可见大公司都是从小公司发展而来，不知道大家自己有没有眼光看出现在的小公司哪些是潜力股。

做科服，做生信分析，做培训永远是低端，也就混口饭吃，不可持续，没有好的环境土壤，且无法规避盗版等问题，而且无论定价如何，永远有人觉得贵，不合适，一家公司想要发展壮大，必须有产品，比如说单细胞，想做单细胞，必须用10X的产品 + 测序，得到单细胞数据、矩阵，这个过程是逃不开的，花钱也是必须的，只有这样，才能脱离低端，向上发展，也足可见工业的重要性。

5000块钱可以学到分析单细胞空间的所有技能，凭借这个这个技能可以找到一份生物信息的工作，大部分人觉得有点贵，但是5000块钱一个单细胞样本都做不起，大家还不得不做，且大家获取单细胞数据个人能力提升很有限，整个样本处理到拿到数据的过程，大家作为客户，几乎是接触不到的，这可能是做企业必须做产品，必须规模化的核心逻辑。

今天我们汇总一下关于visium的通讯分析。

在2025年单细胞空间系列课程中提到过，通讯分析主要是以下两种策略。

进行细胞通讯（Cell-Cell Communication, CCI）分析时，由于每个 spot 通常包含多个细胞（约1–10个），因此需要结合空间邻近性和配体-受体（Ligand-Receptor, L-R）互作数据库来推断潜在的细胞间相互作用。

一、基于距离的通讯分析（Distance-based CCI）

核心思想：

细胞之间的通讯强度随空间距离增加而减弱，尤其适用于分泌型信号（如细胞因子、生长因子等）。

典型工具：COMMOT

COMMOT 利用 配体-受体对的空间分布 和 扩散模型 来估计信号从“源细胞”到“靶细胞”的流动方向与强度。

支持整合 Visium HD 或普通 Visium 的 spot-level 表达数据。

可识别主导信号流的细胞类型（即主要的信号发送者或接收者）。

适用于分析 可溶性因子介导的长程通讯。

✅ 优势：考虑了信号分子的物理扩散特性，更贴近生物学现实。

❌ 局限：依赖于高质量的 L-R 数据库；对非分泌型（膜结合型）信号建模能力有限。

参考文献

二、基于邻域的通讯分析（Neighborhood-based CCI）

核心思想：

仅在空间上相邻（或共定位）的细胞之间才可能发生有效通讯，特别适合膜结合型 L-R 对（如 Notch-Delta）。

常用方法：

CellChat（推荐）

虽最初为单细胞设计，但可结合 Visium 的 spot 注释（如通过 Seurat 或 SPOTlight 推断的细胞类型比例） 进行空间通讯分析。

利用 CellChatDB（含多亚基复合物、辅助因子、抑制/激活信号），比其他工具更全面。

实证研究表明：CellChat 在区分空间相邻 vs. 遥远细胞的通讯强度方面表现最优（优于 CellPhoneDB、iTALK 等）。

可输出：通讯网络、信号通路聚类、关键信号源/靶点识别。

CellPhoneDB

也支持多亚基 L-R 复合物。

在空间数据中表现良好，但推断的互作数量较多，Top 交互的特异性略低于 CellChat。

通常需配合空间邻域定义（如取每个 spot 的 K 近邻 spots 构建“生态位”）。

NicheNet / cellcall / scMLnet 等

这些工具侧重于 配体 → 受体 → 下游靶基因/TF 的调控链路，适合机制深入挖掘。

需要额外整合单细胞参考图谱以解卷积 Visium spot 的细胞组成。

邻域定义策略（关键步骤）：

对每个 spot，定义其 空间邻域（如：欧氏距离最近的 6–10 个 spots，或固定半径内的 spots）。

计算邻域内细胞类型的组成（可通过反卷积获得）。

仅在邻域内计算 L-R 互作概率，避免远距离虚假信号。

✅ 优势：符合“接触依赖型”通讯的生物学逻辑；计算效率高。

❌ 局限：可能遗漏长程信号；依赖准确的细胞类型注释或反卷积结果。

参考文献

综合结论

邻域依赖型与距离依赖型CCI 分析可同时开展、互为补充。

二者结果共同揭示：特定细胞互作是更倾向于通过直接接触发生，还是通过远距离分泌信号介导。

这种整合策略有助于全面解析组织微环境中细胞通讯的空间模式与作用机制。

生活很好，有你更好。