今天我們說一說另外一種---iTALK，iTALK也在很多文章中出現(xiàn)過，原理是基于受配體平均表達(dá)量。它有兩個(gè)優(yōu)點(diǎn)，第一是可以比較差異受配體，第二是可視化比較好，我們可以借用借用它的函數(shù)，讓自己的結(jié)果更加完美！詳細(xì)版注釋代碼以及使用的數(shù)據(jù)已上傳QQ群文件，更多精彩內(nèi)容請(qǐng)至我的公眾號(hào)---KS科研分享與服務(wù)！iTALK的文章連接如下：https://www.biorxiv.org/content/10.1101/507871v1包的地址：https://github.com/Coolgenome/iTALK首先安裝包。

if(!require(devtools)) install.packages("devtools");
devtools::install_github("Coolgenome/iTALK", build_vignettes = TRUE)
library(circlize)
library(iTALK)

構(gòu)建數(shù)據(jù)、設(shè)置細(xì)胞及分組，設(shè)置顏色，尋找高變基因！

human_data <- readRDS("D:/cellinter-celldb/human_data.rds")
exp <- as.data.frame(t(as.matrix(human_data@assays$RNA@counts)))
exp$cell_type <- human_data@meta.data$celltype
exp$compare_group <- human_data@meta.data$group
length(unique(human_data$celltype))
# [1] 5
highly_exprs_genes<-rawParse(exp,top_genes=25,stats='mean')
comm_list<-c('growth factor','other','cytokine','checkpoint')
cell_col<-structure(c("#B17BA6", "#FF7F00", "#FDB462", "#E7298A", "#E78AC3"),names=unique(exp$cell_type))

接下來進(jìn)行分析，并對(duì)每種類型的互作進(jìn)行可視化：

par(mfrow=c(1,2))
res<-NULL

for(comm_type in comm_list){
  res_cat<-FindLR(highly_exprs_genes,datatype='mean count',comm_type=comm_type)
  res_cat<-res_cat[order(res_cat$cell_from_mean_exprs*res_cat$cell_to_mean_exprs,decreasing=T),]
  NetView(res_cat,col=cell_col,vertex.label.cex=1,arrow.width=1,edge.max.width=5)
  LRPlot(res_cat[1:20,],datatype='mean count',cell_col=cell_col,link.arr.lwd=res_cat$cell_from_mean_exprs[1:20],link.arr.width=res_cat$cell_to_mean_exprs[1:20])
  title(comm_type)
  res<-rbind(res,res_cat)
}

image.png

最后可視化一下整體的互作效果，有互作圖和受配體弦圖兩種形式。

res<-res[order(res$cell_from_mean_exprs*res$cell_to_mean_exprs,decreasing=T),]
NetView(res,col=cell_col,vertex.label.cex=1,arrow.width=1,edge.max.width=5)

image.png

iTALK::LRPlot(res[1:20,],
       datatype='mean count',
       link.arr.lwd=res$cell_from_mean_exprs[1:20],
       link.arr.width=res$cell_to_mean_exprs[1:20])

image.png

當(dāng)然了，我們也提到，iTALK可以做組間差異比較，可能是由于我的數(shù)據(jù)隨意構(gòu)建吧，沒有差異，這里就不展示了，感興趣的可跟著作者的數(shù)據(jù)學(xué)習(xí)。

#######------------------兩組間顯著的配體-受體對(duì)---------------------------------

# # randomly assign the compare group to each sample
# data<-data %>% mutate(compare_group=sample(2,nrow(data),replace=TRUE))
# # find DEGenes of regulatory T cells and NK cells between these 2 groups
# deg_t<-DEG(data %>% filter(cell_type=='regulatory_t'),method='Wilcox',contrast=c(2,1))
# deg_nk<-DEG(data %>% filter(cell_type=='cd56_nk'),method='Wilcox',contrast=c(2,1))
# # find significant ligand-receptor pairs and do the plotting
# par(mfrow=c(1,2))
# res<-NULL
# for(comm_type in comm_list){
#   res_cat<-FindLR(deg_t,deg_nk,datatype='DEG',comm_type=comm_type)
#   res_cat<-res_cat[order(res_cat$cell_from_logFC*res_cat$cell_to_logFC,decreasing=T),]
#   #plot by ligand category
#   if(nrow(res_cat)==0){
#     next
#   }else if(nrow(res_cat>=20)){
#     LRPlot(res_cat[1:20,],datatype='DEG',cell_col=cell_col,link.arr.lwd=res_cat$cell_from_logFC[1:20],link.arr.width=res_cat$cell_to_logFC[1:20])
#   }else{
#     LRPlot(res_cat,datatype='DEG',cell_col=cell_col,link.arr.lwd=res_cat$cell_from_logFC,link.arr.width=res_cat$cell_to_logFC)
#   }
#   NetView(res_cat,col=cell_col,vertex.label.cex=1,arrow.width=1,edge.max.width=5)
#   title(comm_type)
#   res<-rbind(res,res_cat)
# }

###https://github.com/Coolgenome/iTALK/blob/master/example/example_code.r

到這里還沒有結(jié)束，我非?？春胕TALK種的LRPlot函數(shù)，不僅可視化了細(xì)胞之間的關(guān)系，還展示了具體的受配體，這樣的圖形一目了然。之間我們?cè)赾ellchat及cellphonedb種沒有這樣的可視化，這里我們使用cellchat的數(shù)據(jù)，也可以利用iTALK這個(gè)包的函數(shù)做很好的可視化！

setwd("D:/KS項(xiàng)目/公眾號(hào)文章/iTalk_細(xì)胞互作")
A <- read.csv("net_inter.csv", header = T)
A<-A[order(A$cell_from_mean_exprs*A$cell_to_mean_exprs,decreasing=T),]

設(shè)置受配體及細(xì)胞顏色。

gene_col<-structure(c(rep('#CC3333',length(A[1:40,]$ligand)),
                      rep("#006699",length(A[1:40,]$receptor))),
                    names=c(A[1:40,]$ligand,
                            A[1:40,]$receptor))

cell_col <- structure(c("#DC050C", "#FB8072", "#1965B0", "#7BAFDE", "#882E72",
                        "#B17BA6", "#FF7F00", "#FDB462", "#E7298A", "#E78AC3",
                        "#33A02C", "#B2DF8A", "#55A1B1"),
                      names=unique(A$cell_from))

作圖：

iTALK::LRPlot(A[1:40,],
              datatype='mean count',
              link.arr.lwd=A$cell_from_mean_exprs[1:40],
              link.arr.width=0.1,
              link.arr.col = 'grey20',#連線顏色設(shè)置
              print.cell = T,
              track.height_1=uh(1, "mm"),
              track.height_2 = uh(15, "mm"),
              text.vjust = "0.5cm",
              gene_col = gene_col,
              cell_col = cell_col)

image.png

效果還是很好的，用在論文中也是挺吸引人的，對(duì)于結(jié)果的解讀也是更加清晰。覺得小編分享有用的，點(diǎn)個(gè)贊、分享一下唄！更多精彩內(nèi)容請(qǐng)至我的公眾號(hào)---KS科研分享與服務(wù)