一个长大了才会遇到的帅哥，
稳健，潇洒，大方，靠谱。
一段生信缘，一棵技能树，
生信技能树核心成员，单细胞天地特约撰稿人，单细胞数据科学家。
单细胞中细胞通讯分析(cell-cell communication, CCC)，还有一个名字是细胞类型互作分析(cell–cell interactions (CCIs))。在这个语境下，细胞之间的相互作用，不管是正向的还是反向的，或者自分泌的还是旁分泌的都是“互作(interaction)”的。
最近在一个交流会上，一位老师分享了一篇文献Single-cell spatial landscapes of the lung tumour immune microenvironment，其中提到细胞间的互作还有一个和“互作(interaction)”对用的关系："避让(avoidance )"。细胞之间的避让关系到底是什么关系呢？
在这篇文章中，作者使用高复用质谱成像细胞术(highly multiplexed imaging mass cytometry (IMC))，研究了与LUAD患者临床结果相关的TIME的空间分辨特征。使用深度神经网络模型，证明了临床进展，并使用基于人工智能的系统从原始IMC图像中提取的特征来预测临床表征。
这是文章的Fig. 2。
Heat map depicting significant pairwise cell–cell interaction (red) or avoidance (blue) across the five histological subgroups (lepidic n = 40 images, papillary n = 33 images, acinar n = 190 images, micropapillary n = 35 images, solid n = 118 images; 1,000 permutations each). The black boxes depict associations referenced in the text. FDR-corrected two-tailed Student’s t-test for sex, age, BMI, smoking status, pack-years, stage and progression status; one-way ANOVA with Tukey multiple comparison test for histological subgroup; and log-rank test for survival were used for statistical analysis (a,b).
让我们带着久违的好奇心，来追踪一下这个“avoidance”。首先，我们想到的是该方法引用的参考文献。
就这样，我们来到The single-cell pathology landscape of breast cancer。在这篇文章的附录文档中确实用了相同的方法。
这个热图中，我们发现细胞之间的interactions 和 avoidances 不像第一篇文章那样是一个连续变量，而是一个离散变量。在这里细胞之间的作用，要么是interaction的，要么是avoidance的。那么问题来了，interactions 和 avoidances到底是什么关系？
我们在不同的文章中也都发现了，使用本方法的案例，如：Mass Cytometry Imaging for the Study of Human Diseases—Applications and Data Analysis Strategies、Single-cell spatial immune landscapes of primary and metastatic brain tumours。
通过全文检索，我们发现上面的两篇文章都引用了同一篇方法类的文章：Schapiro, D. et al. histoCAT: analysis of cell phenotypes and interactions in multiplex image cytometry data. Nat. Methods 14, 873–876 (2017).
让我们来一探究竟，来看看histoCAT是何方神圣。
我们知道，组织的单细胞、空间分辨组学分析将转变生物医学研究和临床实践。在本文中，作者开发了一个开源的、可计算的组织学形态学细胞分析工具箱(histoCAT)，以实现对完整组织内单个细胞表型、细胞-细胞相互作用、微环境和形态结构的交互式、定量和全面的探索。而，细胞间的避让(avoidance)也是在本文中定义的。
可以看出interaction 和 avoidance既可以是连续的，有强弱之分；也可以是离散的，非此即彼的。一般遇到这种情况，这变量应该先是连续的，连续变量二值化之后变成离散的分类变量。我们先按照连续变量来讨论，通过e图，不难发现所谓的avoidance是一种interaction，互作的程度不同，也是细胞互作网络的一种。有意思的是，在e图中，Cluster1的亚群5与Cluster2的亚群1都出现了“自己避让(avoidance)自己”的现象。
从这个角度上来讲，avoidance是之前讨论的interaction的一种。
但是，等等。
这里做细胞类型相互作用的计算其实用的并不是单细胞转录组的数据，在单细胞转录组中，我们用的的是类型中配体和受体（ligand-receptor pairs ）表达量来构建模型推断细胞间的相互做作用的。而在高复用质谱成像细胞术(highly multiplexed imaging mass cytometry (IMC))技术的数据中，作者开发的算法算法主要依据细胞的位置关系，在整个数据集和特定队列中确定重要的交互作用和独特的细胞环境。这些相互作用可以表现在细胞的“社会网络”中，并且与从配体受体对推断出的相互作用相互补充。
虽然都是在讨论细胞间的相互作用，histoCAT和通常单细胞转录组用的CellPhoneDB、CellChat等工具用的数据和基本的假设并不一样，所以对细胞互作的理解也有所不同。
那么，avoidance到底是怎么算的？
一个主要的方法是置换检验（permutation test），在本文中作者主要用了两给公式来计算。
在文章中作者也提供了不同平台的计算软件：
说回我们单细胞转录组，如果我们想基于单细胞转录组数据来把细胞类型互作关系区分出interaction 和 avoidance应该怎么做呢？
越来越多的单细胞数据，引发了对细胞间通讯推理的兴趣增加。以此目的开发了许多计算工具。每个模型都包含细胞间相互作用的先验知识资源和预测潜在细胞间通信事件的方法。然而，资源和方法的选择对最终预测的影响在很大程度上是未知的。
在缤纷多样的细胞间相互作用面前，现有的数据和方法虽然已经很多，但是依然显得美中不足，还需要用更多组学的数据和开发更加灵活的计算框架啊。
定义细胞“避让”将对我们有什么启发？ 在本文引述的两篇文章中，发生避让的都是肿瘤细胞。可见，定义“细胞避让”，将有助于我们理解肿瘤细胞如何逃避免疫细胞的追杀与围堵。
近年来的单细胞或空间技术的研究强调了肿瘤微环境中细胞-细胞相互作用在肿瘤进展和转移中的作用。癌细胞将宿主细胞修饰为支持肿瘤生活的特征，而修饰后的宿主细胞通过与癌细胞相互作用并进一步修饰其他正常细胞来促进肿瘤的进展。然而，癌细胞和宿主细胞之间复杂的相互作用网络在很大程度上仍然未知。高通量显微镜和基于单细胞的分子分析的无疑将会为研究复杂组织中细胞-细胞相互作用开启的新时代。
https://www.nature.com/articles/npjbcancer201522
https://www.oncotarget.com/article/26585/text/
https://www.nature.com/articles/s41576-020-00292-x
https://www.nature.com/articles/nmeth.4391#Sec15
https://www.nature.com/articles/s41586-022-05672-3
https://www.nature.com/articles/s41423-022-00953-3
https://www.nature.com/articles/s41586-022-05680-3
https://www.nature.com/articles/s43856-022-00197-2#Sec2联系客服
