细胞间通信概述
细胞不是孤岛，它们每天都在互相“对话”。你想想看，一个细胞分泌出配体分子，另一个细胞用受体把它抓住，然后就触发了内部信号级联——这就是最朴素的细胞间通信。我刚开始接触这个领域时，其实觉得这东西离数据分析很远，直到有一次我在肿瘤免疫项目中看到 PD-L1/PD-1 这条轴完全决定了治疗成败，才明白理解配体-受体对是多核心的事。
1.1 什么是细胞间通信
说白了，就是 配体→受体→信号转导→功能响应 这条链。配体可以是分泌蛋白、膜结合蛋白甚至小分子；受体通常是跨膜蛋白，比如酪氨酸激酶受体、G蛋白偶联受体等。配体与受体结合后，受体会激活下游通路，最终影响细胞的转录、增殖、迁移甚至死亡。
核心三要素：
- 配体——发送信号的分子
- 受体——接收信号的分子
- 信号转导——细胞内接力传递的过程
我记得有一次分析单细胞数据，把配体表达量高的细胞簇和受体表达量高的细胞簇画了个关联热图，发现 EGF/EGFR 这对在肿瘤上皮间质转化阶段活性骤升。嗯，后来文献也印证了这一点——这就是通信网络分析的魅力。
1.2 为什么研究细胞通信
生物学意义非常大。从胚胎发育到免疫应答，从神经突触到肿瘤转移，所有多细胞生命活动都依赖细胞间通信。我建议你可以从三个角度看：
- 发育生物学：Notch 信号控制细胞命运决定，Wnt 信号驱动体轴形成。
- 免疫学：T细胞和抗原呈递细胞通过 MHC-肽/TCR 通信；炎症反应中 TNF-α/TNFR 轴是关键。
- 肿瘤微环境：癌细胞通过分泌 TGF-β 诱导成纤维细胞变成促癌表型，这里面配体-受体对就是现成的药物靶点。
你在做课题时，如果只看单细胞表达谱而忽略通信网络，常会漏掉细胞间相互依赖的机制。我个人习惯先把所有已知配体-受体对列出来，再结合空间位置做筛选。
1.3 常见配体-受体对
| 配体 | 受体 | 功能简介 |
|---|---|---|
| EGF | EGFR (ErbB1) | 促进上皮细胞增殖，与肺癌、胶质瘤相关 |
| TGFB1 | TGFBR1 / TGFBR2 | 抑制早期肿瘤，晚期促进上皮-间充质转化 |
| NOTCH1 - DLL1 | Notch 受体 / Delta 样配体 | 相邻细胞间的 fate 决定，神经发育和血管生成 |
| WNT3A | Frizzled 家族 (FZD1~10) | 经典 Wnt/β-catenin 通路，干细胞自我更新 |
| CD40LG | CD40 | T细胞- B细胞共刺激，抗体产生 |
实用技巧： 数据量小时可以手动查 KEGG 或 CellChatDB。我曾经因为用了一个过时的配体-受体列表，把 WNT3A/FZD1 写成了 WNT3/FZD1——结果通路富集分析全是错的。所以建议每次用数据库前都 check 一下版本号。
1.4 通信网络图：从分子到系统
单个配体-受体对只是线条，当我们把所有已知相互作用放到细胞背景下，就形成了 细胞间通信网络图。这张图的节点可以是细胞类型，也可以是分子；边代表配体-受体结合关系。我会用一张简单的 SVG 来说明核心流程：
注意陷阱： 不是所有配体-受体对都会实际发生通信——还需要空间共定位和受体激活阈值。我曾经在分析肿瘤巨噬细胞和T细胞通信时，发现配体-受体对表达量都很高，但空间坐标显示它们距离 > 200μm，实际上根本接触不到。所以一定要结合空间转录组数据或免疫荧光验证。
上面的 SVG 画出了最基本链条：细胞A分泌配体，配体结合到细胞B的受体上，然后细胞内启动信号转导，最终导致基因表达改变。实际网络图中，一个细胞可以同时表达几十种配体，另一个细胞有几十种受体，边数呈指数增长。这时就需要用 CellChat、NicheNet 或 CellPhoneDB 这样的工具来推断。
你想想看，一个免疫微环境可能有超过 20 种细胞类型，每个类型又分泌不同配体——手工算几乎不可能。所以从下节课开始，我们就要用代码来构建真实的通信网络图。到时候我会手把手教你用 Python 处理配体-受体数据库，然后可视化。
我的个人做法： 每次拿到新数据集，我会先用 CellChat 的默认数据库跑一遍，然后手动验证排名前 10 的配体-受体对。这样速度最快，而且不容易遗漏经典通路。2019 年我在整理肺癌微环境时，就是靠这个方法发现了 SPP1/CD44 轴在巨噬细胞-肿瘤细胞之间被大量使用。
小结：你该记住什么
- 细胞间通信的本质是 配体-受体结合 → 信号转导 → 功能响应
- 常见的经典对（EGF/EGFR、TGFB1/TGFBR、CD40LG/CD40）是分析起点
- 通信网络图把分子关系映射到细胞-细胞系统层面
- 小心假阳性：要有空间信息和受体激活浓度概念