分子對接模型
信號發送源
高表達配體 (Ligand) 基因，如 CCL5, VEGFA 等。
信號接收者
高表達受體 (Receptor) 基因，如 CCR5, FLT1 等。
重要前提：
分析假設基因的轉錄量與蛋白質活性呈正相關。雖然不完全精確，但在單細胞尺度上，這是目前預測細胞行為的最有效手段之一。
1
預處理與註釋
完成標準的 Seurat/Scanpy 流程，確保細胞類型標籤 (Cell Labels) 的準確性，這是後續所有通訊計算的基石。
2
平均表達量與頻率計算
計算每個細胞群中配體與受體基因的平均表達值，並考慮表達該基因的細胞佔比（通常需 > 10% 才有意義）。
3
置換檢驗 (Permutation Test)
隨機打亂細胞標籤數千次，構建零分佈，判斷觀察到的 L-R 對強度是否顯著大於隨機期望值。這是過濾背景噪音的核心。
4
系統級模式識別
將成千上萬的通訊對歸納為特定的生物學路徑或模式，從宏觀角度理解組織微環境的特徵。
氣泡圖：詳細通訊對掃描
最傳統且精確的展示方式。橫軸展示具體的 L-R 對，縱軸展示細胞類型對（Sender -> Receiver）。
如何閱讀：
• 氣泡越大 = P 值越顯著（證據越強）。
• 顏色越紅 = 通訊強度（概率）越高。
和弦圖：細胞間的宏觀流量
側重於展示不同細胞群體之間的「對話量」。圓環周邊代表不同的細胞群，內部的連線代表信號流向。
優勢：
能一眼看出哪些細胞是「社交達人」（連線非常密集），以及通訊是否存在明顯的定向性。
💡 試著將滑鼠懸停在圓環上查看連線細節。
層次圖：信號源的地位分析
將通訊網絡簡化為階層結構。通常位於最上方的細胞群體是該信號路徑的主要「主導者」(Dominant Sender)。
應用：
非常適合展示像 WNT 或 NOTCH 這種具有明顯發送者與接收者分工的路徑。
主要接收者 A
(Fibroblast)
主要接收者 B
(Endothelial)
下游目標
(Myocyte)
河流圖：信號流轉路徑
展示信號如何從「發送群體」流向不同的「路徑」，最終被「接收群體」捕捉。它能展示複雜的多對多關係。
視覺重點：
河流（色塊）的寬度代表通訊流量的強度。寬大的河流代表了組織中最主要的信號交換路徑。
⚠️ 技術挑戰：解離後的丟失
"If two cells are on opposite sides of a tumor, they can't talk, even if they express the right L-R pair."
傳統 scRNA-seq 會將組織打散成懸液，這讓算法難以區分「鄰分泌」(Juxtacrine) 與「旁分泌」(Paracrine)。這導致了大量的預測偽陽性。
🚀 未來：空間轉錄組學 (ST)
目前最前沿的方法是結合 Visium 或 CosMx 等空間技術。工具如 CellChat v2 現在能設定物理距離約束，僅允許距離相近的細胞進行通訊預測，極大地提升了精準度。
✅ 實驗驗證的三部曲
步驟 1
蛋白質驗證
使用免疫螢光 (IF) 或共焦顯微鏡確認 L-R 蛋白在空間位置上的共定位。
步驟 2
功能干預
利用中和抗體 (Neutralizing antibodies) 或敲低基因，觀察下游細胞行為是否改變。
步驟 3
訊號讀數
檢測接收細胞內部的磷酸化水平 (Phospho-western) 或特異性報告基因活性。