scRNA-seq解析：細胞間相互作用（cell-cell communication）― リガンド–受容体から細胞間シグナルを推定する

この記事のゴール

LR 共発現にもとづく細胞間相互作用の推定原理と、LIANA（コンセンサス）／CellPhoneDB（順列検定）の使い方を理解し、結果の限界と検証の必要性を押さえること。

何を問うか

細胞はリガンド（送り手が出す分子）と受容体（受け手が持つ分子）を介して情報をやり取りします。scRNA-seq の細胞間相互作用解析は、「送り手細胞型でリガンドが、受け手細胞型で受容体が発現しているか」を手がかりに、細胞型ペアごとの LR 相互作用を推定します。

推定の原理

基本は次の2点です。

• 強度（magnitude）と特異性（specificity）：送り手の L 発現と受け手の R 発現の積（や平均）を強度としてスコア化し、その LR がどれだけ特定のペアに偏るかを特異性として評価します。
• 有意性は順列検定：細胞型ラベルをシャッフルして帰無分布を作り、観測スコアがそれより極端かを見ます（CellPhoneDB の考え方）。

なぜ手法が乱立するのか → LIANA のコンセンサス

LR 解析は多くの手法（CellPhoneDB・NATMI・Connectome・SingleCellSignalR・CellChat・log2FC など）があり、スコアの定義が手法ごとに異なるため、結果が一致しにくいことが知られています。そこで LIANA は、これら複数手法を同じ枠組みで実行し、ランク統合（rank_aggregate）でコンセンサスを出します。これにより、特定手法のクセに引きずられにくくなります。

コード（LIANA のコンセンサス）

pythonコピーimport liana as li
import scanpy as sc

# 前提：アノテーション済み・正規化済み（log1p）。複数手法のコンセンサスで LR を推定
li.mt.rank_aggregate(
    adata, groupby="cell_type",
    resource_name="mouseconsensus",   # マウス用の LR リソース（ヒトは "consensus"）
    expr_prop=0.1,                     # 各細胞型で10%以上の細胞が発現する LR のみ
    use_raw=False,
)
res = adata.uns["liana_res"]           # source, target, ligand, receptor, magnitude_rank, specificity_rank ...

# 可視化：送り手・受け手を指定してドットプロット
li.pl.dotplot(
    adata, colour="magnitude_rank", size="specificity_rank",
    source_labels=["Astrocyte"], target_labels=["ExN", "InN"],
    top_n=20, orderby="magnitude_rank", orderby_ascending=True,
)

CellPhoneDB（順列検定）の位置づけ

CellPhoneDB は、LR ペアの平均発現に対する順列検定で有意な相互作用を出す代表的手法で、ヘテロ多量体（複合体）を扱える点が特徴です。LIANA からも個別手法として呼べます。

pythonコピー# 個別手法も呼べる（例：CellPhoneDB 流の順列検定）
from liana.method import cellphonedb

cellphonedb(
    adata, groupby="cell_type", resource_name="mouseconsensus",
    expr_prop=0.1, use_raw=False, n_perms=1000,
)

重大な注意 ― 「共発現」は「相互作用」ではない

ツール早見表

落とし穴

まとめ

• 細胞間相互作用解析は、送り手の L 発現・受け手の R 発現から細胞型ペアの LR を推定する。強度（magnitude）と特異性（specificity）でスコア化し、有意性は順列検定。
• 手法は乱立し結果が割れるため、LIANA のコンセンサス（rank_aggregate）で頑健に絞るのが実践的。統計的有意性は CellPhoneDB。
• 共発現は相互作用の証明ではない。空間情報がない・mRNA≠タンパク・下流効果は不明という限界を踏まえ、仮説として検証する。

次の記事：遺伝子制御ネットワーク・転写因子活性（GRN／TF activity） — 発現の背後にある転写因子の活性・制御関係を推定する方法に進みます。

関連記事

• 📖 下流解析の全体像：下流解析全体の地図
• 📖 機能エンリッチメント：経路・転写因子活性（活性推定は本記事とも関連）
• 📖 RNA velocity と運命予測：本記事の前段（方向・運命の推定）

参考文献

• Dimitrov, D., Türei, D., Garrido-Rodriguez, M., et al. (2022). Comparison of methods and resources for cell-cell communication inference from single-cell RNA-Seq data. Nature Communications, 13, 3224. doi:10.1038/s41467-022-30755-0
• Dimitrov, D., Schäfer, P. S. L., Farr, E., et al. (2024). LIANA+ provides an all-in-one framework for cell–cell communication inference. Nature Cell Biology, 26, 1613–1622. doi:10.1038/s41556-024-01469-w
• Efremova, M., Vento-Tormo, M., Teichmann, S. A., & Vento-Tormo, R. (2020). CellPhoneDB: inferring cell–cell communication from combined expression of multi-subunit ligand–receptor complexes. Nature Protocols, 15, 1484–1506. doi:10.1038/s41596-020-0292-x
• Jin, S., Guerrero-Juarez, C. F., Zhang, L., et al. (2021). Inference and analysis of cell-cell communication using CellChat. Nature Communications, 12, 1088. doi:10.1038/s41467-021-21246-9
• Browaeys, R., Saelens, W., & Saeys, Y. (2020). NicheNet: modeling intercellular communication by linking ligands to target genes. Nature Methods, 17, 159–162. doi:10.1038/s41592-019-0667-5
• Armingol, E., Officer, A., Harismendy, O., & Lewis, N. E. (2021). Deciphering cell–cell interactions and communication from gene expression. Nature Reviews Genetics, 22, 71–88. doi:10.1038/s41576-020-00292-x
• Armingol, E., Baghdassarian, H. M., Martino, C., et al. (2022). Context-aware deconvolution of cell–cell communication with Tensor-cell2cell. Nature Communications, 13, 3665. doi:10.1038/s41467-022-31369-2
• Kolde, R., Laur, S., Adler, P., & Vilo, J. (2012). Robust rank aggregation for gene list integration and meta-analysis. Bioinformatics, 28, 573–580. doi:10.1093/bioinformatics/btr709