单细胞RNA测序（scRNA-seq） 技术推动了对 细胞异质性 与 组织微环境 的深入探索，但现有通讯推断方法主要集中于 配体-受体对，忽视了 代谢物介导的信号通路。MEBOCOST 引入一种整合 scRNA-seq 数据 与 代谢物-传感器数据库 的策略，系统建模 代谢物从合成到感应 的跨细胞传递过程，识别潜在的 代谢通讯网络。

  • 标题：MEBOCOST：基于单细胞转录组的代谢物介导的细胞通讯建模
  • DOI：https://doi.org/10.21203/rs.3.rs-2092898/v1

这个目前只是预印本，不过工具开源了，且这种算法大家可以学习一下！！

摘要

MEBOCOST 是一种用于从 单细胞RNA测序（scRNA-seq）数据 中定量推断 代谢物介导的细胞间通讯 的算法。该方法识别代谢物（如 脂质）由 发送细胞合成并分泌，随后作用于 接收细胞传感器蛋白（包括细胞表面受体、跨膜转运蛋白与核受体）的过程。依托一个人工整理的代谢物-传感器配对数据库，MEBOCOST 根据 合成酶与传感器表达量，系统判定细胞间的代谢信号传递关系。

在小鼠棕色脂肪组织（BAT）中，MEBOCOST 不仅复现了已知的代谢通讯，还发现了一批受冷刺激调控的新型通讯模式，为研究多种生理及疾病模型下的代谢通讯网络提供了重要工具。

📦 开源地址：https://github.com/zhengrongbin/MEBOCOST

结果

数据准备与 MEBOCOST 对象创建

MEBOCOST 支持两种方式导入表达数据：使用 Scanpy adata 对象（推荐）或 直接读取外部文件（如 CSV）。在此过程中，需要指定细胞类型注释、代谢估计方法、配置文件路径等参数。

## 使用 adata 对象创建：
import scanpy as sc
from mebocost import mebocost

adata = sc.read_h5ad('data/demo/raw_scRNA/demo_HNSC_200cell.h5ad')

mebo_obj = mebocost.create_obj(
    adata=adata,
    group_col=['celltype'],
    met_est='mebocost',
    config_path='./mebocost.conf',
    species='human',
    sensor_type=['Receptor', 'Transporter', 'Nuclear Receptor'],
    cutoff_exp='auto',
    cutoff_met='auto',
    cutoff_prop=0.25,
    thread=8
)

## 使用外部文件创建：
import pandas as pd
from mebocost import mebocost

exp_mat = pd.read_csv('your_exp_data_file.csv')
cell_ann = pd.read_csv('your_cell_ann_data_file.csv')

mebo_obj = mebocost.create_obj(
    adata=None,
    exp_mat=exp_mat,
    cell_ann=cell_ann,
    group_col=['celltype'],
    met_est='mebocost',
    config_path='./mebocost.conf',
    species='human',
    sensor_type=['Receptor', 'Transporter', 'Nuclear Receptor'],
    cutoff_exp='auto',
    cutoff_met='auto',
    cutoff_prop=0.25,
    thread=8
)
推断代谢物介导的细胞通讯（mCCC）
## 先计算代谢物的酶表达
mebo_obj._load_config_()
mebo_obj.estimator()

##  执行代谢通讯推断
commu_res = mebo_obj.infer_commu(
    n_shuffle=1000,
    seed=12345,
    pval_method='permutation_test_fdr',
    pval_cutoff=0.05
)
整合 COMPASS 进行代谢流约束分析（可选）
updated_res = mebo_obj._ConstainFlux_(
    compass_folder='data/demo/compass_res/',
    efflux_cut='auto',
    influx_cut='auto',
    inplace=False
)

mebo_obj.commu_res = updated_res
校正血液代谢物浓度影响（可选）
corrected_commu_res = mebo_obj._blood_correct_test_(
    met_cont_file='data/mebocost_db/common/hmdb_blood_metabolite_concentration.tsv',
    commu_score_col='Commu_Score'
)

mebo_obj.commu_res = corrected_commu_res.copy()
可视化通讯网络

通讯事件柱状图（Sender/Receiver 对数统计）

mebo_obj.eventnum_bar(
    sender_focus=[],
    metabolite_focus=[],
    sensor_focus=[],
    receiver_focus=[],
    xorder=[],
    and_or='and',
    pval_method='permutation_test_fdr',
    pval_cutoff=0.05,
    comm_score_col='Commu_Score',
    comm_score_cutoff=0,
    cutoff_prop=0.25,
    figsize='auto',
    save='mebocost_eventnum.pdf',
    show_plot=True,
    show_num=True,
    include=['sender-receiver'],
    group_by_cell=True,
    colorcmap='tab20',
    return_fig=False
)

通讯网络图（Cell-cell 关系）

mebo_obj.commu_network_plot(
    sender_focus=[],
    metabolite_focus=[],
    sensor_focus=[],
    receiver_focus=[],
    and_or='and',
    pval_method='permutation_test_fdr',
    pval_cutoff=0.05,
    node_cmap='tab20',
    figsize='auto',
    line_cmap='bwr',
    line_color_vmin=None,
    line_color_vmax=None,
    linewidth_norm=(0.2, 1),
    linewidth_value_range=None,
    node_size_norm=(50, 200),
    node_value_range=None,
    adjust_text_pos_node=True,
    node_text_hidden=False,
    node_text_font=10,
    save='commu_network.pdf',
    show_plot=True,
    comm_score_col='Commu_Score',
    comm_score_cutoff=0,
    text_outline=True,
    return_fig=False
)

Dot 图（细胞对 vs 通讯数量）

mebo_obj.count_dot_plot(
    pval_method='permutation_test_fdr',
    pval_cutoff=0.05,
    cmap='bwr',
    figsize='auto',
    save='count_dotplot.pdf',
    dot_size_norm=(20, 200),
    dot_value_range=None,
    dot_color_vmin=None,
    dot_color_vmax=None,
    show_plot=True,
    comm_score_col='Commu_Score',
    comm_score_cutoff=0,
    dendrogram_cluster=True,
    sender_order=[],
    receiver_order=[],
    return_fig=False
)

Dot 图（细节化）

mebo_obj.commu_dotmap(
                sender_focus=[],
                metabolite_focus=[],
                sensor_focus=[],
                receiver_focus=[],
                and_or='and',
                pval_method='permutation_test_fdr',
                pval_cutoff=0.05,
                figsize='auto',
                cmap='bwr',
                cmap_vmin = None,
                cmap_vmax = None,
                cellpair_order=[],
                met_sensor_order=[],
                dot_size_norm=(10, 150),
                save=None,
                show_plot=True,
                comm_score_col='Commu_Score',
                comm_score_range = None,
                comm_score_cutoff=0,
                swap_axis = False,
                return_fig = False
                )

流图（Sender ➝ Metabolite ➝ Sensor ➝ Receiver）

mebo_obj.FlowPlot(
    pval_method='permutation_test_fdr',
    pval_cutoff=0.05,
    sender_focus=[],
    metabolite_focus=[],
    sensor_focus=[],
    receiver_focus=[],
    remove_unrelevant=False,
    and_or='and',
    node_label_size=8,
    node_alpha=0.6,
    figsize='auto',
    node_cmap='Set1',
    line_cmap='bwr',
    line_cmap_vmin=None,
    line_cmap_vmax=15.5,
    node_size_norm=(20, 150),
    node_value_range=None,
    linewidth_norm=(0.5, 5),
    linewidth_value_range=None,
    save='flowplot.pdf',
    show_plot=True,
    comm_score_col='Commu_Score',
    comm_score_cutoff=0,
    text_outline=False,
    return_fig=False
)

代谢物（enzyme）表达可视化

commu_df = mebo_obj.commu_res.copy()
good_met = commu_df[commu_df['permutation_test_fdr'] <= 0.05]['Metabolite_Name'].sort_values().unique()

mebo_obj.violin_plot(
    sensor_or_met=good_met[:5],  # 前五个显著代谢物
    cell_focus=[],
    cell_order=[],
    row_zscore=False,
    cmap=None,
    vmin=None,
    vmax=None,
    figsize='auto',
    cbar_title='',
    save='violin_metabolites.pdf',
    show_plot=True
)

传感器（sensor）表达可视化

good_sensor = commu_df[(commu_df['permutation_test_fdr']<=0.05)]['Sensor'].sort_values().unique()

mebo_obj.violin_plot(
                    sensor_or_met=good_sensor[:5],## only top 5 as example
                    cell_focus=[],
                    cell_order = [],
                    row_zscore = False,
                    cmap=None,
                    vmin=None,
                    vmax=None,
                    figsize='auto',
                    cbar_title='',
                    save=None,
                    show_plot=True
                    )

还有第七部份是结果导出与图像保存，还有一些修改参数、过滤通讯、重新约束分析的代码大家可以参考一下原文。

这篇是非常民间的代码，突破传统配体-受体模型的局限，在单细胞分辨率下系统解析代谢物驱动的细胞通讯网络。其灵活的输入格式、完善的可视化接口与可拓展的代谢流整合功能，使其不仅适用于基础研究，也可广泛应用于肿瘤免疫、代谢疾病及再生医学等多种生物医学场景。

# r语言
Logo
永洪数据分析社区

永洪科技，致力于打造全球领先的数据技术厂商，具备从数据应用方案咨询、BI、AIGC智能分析、数字孪生、数据资产、数据治理、数据实施的端到端大数据价值服务能力。

更多推荐

cover

java计算机毕业设计教师工作量统计系统 基于SpringBoot的高校教师绩效测算与可视化平台 教师教学任务与工作量智能汇总系统

avatar 永洪数据分析社区
cover

BI是报表？BI是可视化？BI到底是什么？

avatar 永洪数据分析社区

AI智能体+BI可视化：1小时极速入门，市场部独力完成分析报告

商务蓝：适合正式报告活力橙：适合创意活动环保绿：适合可持续发展主题自主分析能力：不再依赖IT部门，活动当天即可产出分析结论智能数据处理：AI智能体自动完成80%的数据清洗和分析工作专业可视化：通过PowerBI制作媲美专业数据分析师的报告持续优化：建立可复用的分析模板，后续活动效率更高决策支持：基于数据快速调整营销策略，提升活动ROI现在就可以尝试部署你的第一个智能分析环境，体验从数据到决策的高速

avatar 永洪数据分析社区