腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

CellChat细胞通讯

<- subsetData(cellchat) dim(cellchat@data.signaling) ## [1] 356 13926 3.细胞通讯网络分析 # 识别过表达基因 cellchat <- identifyOverExpressedGenes(cellchat) # 识别配体-受体对 cellchat <- identifyOverExpressedInteractions(cellchat <- projectData(cellchat, PPI.human)#慢 ## 推测细胞通讯网络 cellchat <- computeCommunProb(cellchat) #慢 ## triMean <- computeCommunProbPathway(cellchat) cellchat <- aggregateNet(cellchat) 4.画图展示分析出来的重要信号通路如下 cellchat (cellchat, pattern = "outgoing", k = nPatterns) #传入 cellchat <- identifyCommunicationPatterns(cellchat

生信技能树

2024-06-21

1.6K0

标签:

day 10 GSVA和CellChat

require(CellChat))devtools::install_local("CellChat-master/")if(! subsetData(cellchat) dim(cellchat@data.signaling) 开始计算cellchat <- identifyOverExpressedGenes(cellchat ) # 识别过表达基因cellchat <- identifyOverExpressedInteractions(cellchat) # 识别配体-受体对cellchat <- projectData( cellchat, PPI.human)#慢将配体、受体投射到PPI网络cellchat <- smoothData(cellchat, adj = PPI.human) #v2版本的cellchat <- computeCommunProb(cellchat) #慢推测细胞通讯网络cellchat <- computeCommunProbPathway(cellchat)cellchat <-

2024-07-01

5430

标签:

CellChat 细胞通讯分析（预处理）

因为github连接不稳定，所以想了其他办法把CellChat包从github镜像到jihulab.com，再从jihulab.com克隆下来，然后用pak::local_install安装，如果网络可以，可以直接用pak::pkg_install("sqjin/CellChat")安装install.packages("pak")using(pak)pkgs <- c("BiocNeighbors", ")git clone https://jihulab.com/BioQuest/cellchat.gitpak::local_install("cellchat")# pak::local_install ("CellChat-master", dependencies = TRUE)Python环境mamba create -n SC && mamba activate SCmamba install _1.R -hUsage: CellChat_1.R [options] Description: CellChat pre!

2023-04-21

1.3K0

标签:

CellChat分析结果可视化

回顾——细胞通讯网络构建前面的帖子(CellChat学习笔记【一】——通讯网络构建)中我们已经成功地进行了细胞间通讯网络的构建，总的来看借助下面简易的分析流程即可完成： library(CellChat , workers = 4) cellchat <- subsetData(cellchat) ##save time and memory cellchat <- identifyOverExpressedGenes (cellchat) cellchat <- identifyOverExpressedInteractions(cellchat) cellchat <- computeCommunProb(cellchat ) cellchat <- filterCommunication(cellchat, min.cells = 10) ##pathway level cellchat <- computeCommunProbPathway (cellchat) cellchat <- aggregateNet(cellchat) 今天继续介绍：（1）我们如何来理解这些分析结果；（2）我们如何将这些结果有效地展示出来，也就是可视化。

生信技能树jimmy

2023-02-10

2.7K0

标签:

CellChat：细胞间相互作用分析利器

当然，我们可以用str来看，就是有点冗长： > str(cellchat) Formal class 'CellChat' [package "CellChat"] with 14 slots .. cellchat <- addMeta(cellchat, meta = identity, meta.name = "labels") cellchat <- setIdent(cellchat, ident.use cellchat <- identifyOverExpressedGenes(cellchat) cellchat <- identifyOverExpressedInteractions(cellchat cellchat <- computeCommunProbPathway(cellchat) cellchat <- aggregateNet(cellchat) 让我们看看这结果。 @netP$similarity) head(cellchat@net$count) head(cellchat@net$prob) head(cellchat@net$sum) head(cellchat

生信技能树jimmy

2020-07-29

7.1K0

标签:

胞间互作工具——Cellchat（一）

最初接触这个R包是去年年中，想做细胞间相互作用，又不会python，正好看到周老师的推文，就跟着学了学，CellChat：细胞间相互作用分析利器，当时CellChat包还是0.0.1版本，里面有不少小bug , group.by = "labels") cellchat <- addMeta(cellchat, meta = meta)##增加其他meta信息 cellchat <- setIdent( 对表达数据做进一步预处理,节省算力 cellchat <- subsetData(cellchat) cellchat <- identifyOverExpressedGenes(cellchat ) Part 2：胞间通讯网络的预测及构建计算胞间通讯概率，预测通讯网络 cellchat <- computeCommunProb(cellchat)###这应该是核心的一行代码 cellchat 在信号通路的水平进一步推测胞间通讯，计算聚合网络 cellchat <- computeCommunProbPathway(cellchat) cellchat <- aggregateNet(cellchat

生信菜鸟团

2021-07-29

9.7K0

标签:

CellChat三部曲2：使用CellChat 对多个数据集细胞通讯进行比较分析

第四部分：使用层次结构图、圆图或和弦图可视比较细胞-细胞通信第五部分：比较不同数据集之间的信号基因表达分布保存合并的CellChat对象 CellChat 采用自上而下的方法，即从大局出发，然后对信号机制进行更详细的改进 /comparison' dir.create(data.dir) setwd(data.dir) 加载每个数据集的cellchat对象，然后合并在一起用户需要在每个数据集上单独运行 CellChat ，然后将不同的 CellChat 对象合并在一起。 <- list(NL = cellchat.NL, LS = cellchat.LS) cellchat <- mergeCellChat(object.list, add.names = names 保存合并的cellchat对象 saveRDS(cellchat, file = "cellchat_comparisonAnalysis_humanSkin_NL_vs_LS.rds")

生信技能树jimmy

2022-01-17

31.1K2

标签:

多组cellchat细胞通讯批量分析

上面是之前我们分享的数据集处理过程，今天我们来看看如何进行cellchat分析：1.批量运行多组cellchat 2.比较两组cellchat结果今天是完整代码分享，如果想要使用其他示例数据，可以参考这个数据 cellchat <- subsetData(cellchat) cellchat <- identifyOverExpressedGenes(cellchat) cellchat <- identifyOverExpressedInteractions(cellchat) cellchat <- projectData(cellchat, PPI.mouse) cellchat <- computeCommunProb(cellchat) cellchat <- filterCommunication(cellchat, min.cells = 0) cellchat /cellchat/Control/cellchat_Control_.RData") ns=cellchat load("~/biye/ipf/gse104154/cellchat/cellchat

生信菜鸟团

2025-02-10

1.3K0

标签:

CellChat 细胞通讯分析（可视化）

预处理见上一篇推文https://mp.weixin.qq.com/s/ZsUQogkqcPXkaNDIV8GhWg，本篇内容是合并两个处理好的CellChat对象，然后进行对比分析和可视化，因为有许多细节需要手动调整所以就不写成脚本了 A.加载R包、定义函数、建立文件夹using(data.table, tidyverse, CellChat, patchwork, reticulate, ComplexHeatmap)reticulate ::use_python("/opt/homebrew/Caskroom/mambaforge/base/envs/SC/bin/python")output_dir <- "CellChat"setwd 10, plot = p1 + p2)图片5.流行学习识别差异信号通路cc <- computeNetSimilarityPairwise(cc, type = "functional")cc <- CellChat attribute = x) par(mfrow = c(1, 2), xpd = TRUE) for (y in seq(length(cc_list))) { p <- CellChat

2023-04-21

2.8K0

标签:

cellchat-(2)信号通路可视化-上

上一篇学习了用cellchat进行单数据集的细胞通讯分析，接下来学习不同可视化方式。注：上一篇忘写保存cellchat对象的代码，在cellchat <- aggregateNet(cellchat)这步之后即可保存供后续可视化操作： #保存数据 readr::write_rds(cellchat , 'data/cellchat_pbmc3k.rds') 可视化方式：对于单数据集的细胞通讯分析，我们一般会先看测序样本中所有类型的细胞间相互作用的数量和强度，和感兴趣的细胞类型与哪些细胞相互作用较多 ) cellchat <- read_rds("data/cellchat_pbmc3k.rds") # 查看各种细胞类型的索引，用于后面做图的vertex.receiver参数 levels(cellchat 参考资料： cellchat官方教程(https://github.com/sqjin/CellChat)

2023-08-06

2.4K0

标签: