CellChat细胞通讯分析——科研必备单细胞组学知识

请关注公众号【叨客共享】在使用网站的过程中有疑问，请来公众号进行反馈哦

写在前面的话：关于细胞通讯的东西有很多，cellchat仅仅其间一个。网上关于CellChat的解读也很多，我在学习的时分也参考了一些，详细参考列表我都在文中标示了哈。这儿仅仅我在学习细胞通讯和CellChat进程中的学习笔记收拾，假如能够对大家有一些协助就再好不过啦。

Cell Chat全体剖析流程（图片来源：https://www.jianshu.com/p/b3d26ac51c5a）

单个数据集的细胞通讯剖析

测验流程：咱们就用CellChat来剖析一下咱们的PBMC数据（有些可视化成果我以为不是特备重要，所以没有实践跑，这儿展示就运用教程3中原图替代），看看配受体剖析的一般流程。

加载包

# library packages
library(Seurat)
library(dplyr)
library(SeuratData)
library(patchwork) #最强大的拼图包
library(ggplot2)
library(CellChat)
library(ggalluvial)
library(svglite)

rm(list=ls()) #清空一切变量
options(stringsAsFactors = F) #输入数据不主动转换成因子（避免数据格局错误）

getwd()

Part Ⅰ：数据输入&处理、生成CellChat方针

CellChat需求两个输入:

一个是细胞的基因表达数据，
另一个是细胞标签(即细胞标签)。

关于基因表达数据矩阵，基因应该在带有行名的行中，cell应该在带有名称的列中。CellChat剖析的输入是均一化的数据(Seurat@assay$RNA@data)。假如用户供给counts数据，能够用normalizeData函数来均一化。关于细胞的信息，需求一个带有rownames的数据格局作为CellChat的输入。

1.1 加载数据

#咱们用Seurat给出的pbmc3k.final数据集，大部分的核算已经存在其方针中了：
data_obj <- readRDS(\"../data/published_data/pbmc3k_final.rds\")

DimPlot(data_obj, reduction = \"umap\")
data_obj$cell_annotations <- Idents(data_obj) # 设置注释slot
data_obj 
# An object of class Seurat 
# 13714 features across 2638 samples within 1 assay 
# Active assay: RNA (13714 features, 2000 variable features)
#  3 dimensional reductions calculated: pca, umap, tsne

pbmc3k.final@commands$FindClusters  # 你也看一看作者的其他指令，Seurat是记载其剖析进程的。

![image.png](https://cdn.nlark.com/yuque/0/2022/png/1783723/1653893194984-fd07f6ae-e95a-4982-a3a2-7c19e6badee4.png#clientId=u23c19154-070b-4&crop=0&crop=0&crop=1&crop=1&from=paste&height=675&id=u5519d391&margin=%5Bobject%20Object%5D&name=image.png&originHeight=675&originWidth=1094&originalType=binary&ratio=1&rotation=0&showTitle=false&size=153190&status=done&style=none&taskId=ua8f97f6e-c492-4594-80f1-875853046e9&title=&width=1094)
### 1.2 创立CellChat方针
### 1.3 设置受配体库
```r
CellChatDB <- CellChatDB.human 
colnames(CellChatDB$interaction) # 检查一下数据库信息

# 检查数据库详细信息
CellChatDB$interaction[1:4,1:4]
head(CellChatDB$cofactor)
head(CellChatDB$complex)
head(CellChatDB$geneInfo)

人类中的CellChatDB包含1,939个经过验证的分子彼此作用，包含61.8％的旁排泄/自排泄信号彼此作用，21.7％的细胞外基质（ECM） - 受体受体彼此作用和16.5％的细胞细胞接触彼此作用。

CellChatDB记载了许多许多受配体相关的通路信息，不像有的配受体库只要一个基因对。这样，咱们就能够愈加扎实地把脚落到pathway上面了。在CellChat中，咱们还能够先择特定的信息描绘细胞间的彼此作者，这个能够理解为从特定的侧面来描写细胞间彼此作用, 比用一个大的配体库又精细了许多呢。

# 能够选择的子数据库，用于剖析细胞间彼此作用
unique(CellChatDB$interaction$annotation)
# [1] \"Secreted Signaling\" \"ECM-Receptor\"       \"Cell-Cell Contact\"

CellChatDB.use <- subsetDB(CellChatDB, search = \"Secreted Signaling\") 
# use Secreted Signaling for cell-cell communication analysis

# Show the structure of the database
dplyr::glimpse(CellChatDB$interaction)llchat@DB <- CellChatDB.use 
# set the used database in the object

1.2 预处理表达数据，为细胞通讯剖析做准备

cellchat <- subsetData(cellchat) # subset the expression data of signaling genes for saving computation cost
future::plan(\"multiprocess\", workers = 4) # do parallel (能够不设置这一步)
cellchat <- identifyOverExpressedGenes(cellchat) # 相当于suerat中的FindAllMarkers
cellchat <- identifyOverExpressedInteractions(cellchat)
cellchat <- projectData(cellchat, PPI.human)  #贮存上一步的成果到cellchat@LR$LRsig

Part Ⅱ：揣度配体-受体细胞通讯网络

揣度出的配体-受体对的数量取决于核算每个细胞类群均匀基因表达的办法。CellChat默认运用的办法是“trimean”,这种办法产生的交互通讯数量较少的，可是有助于咱们发现更显著的通讯信息。

2.1 核算通讯概率，并揣度信号网络

cellchat <- computeCommunProb(cellchat)  #留意这个函数假如你能够用就用，这个是作者的。
# mycomputeCommunProb <-edit(computeCommunProb)  # computeCommunProb内部似乎有一些bug，同一套数据在window10上没事，到了Linux上有报错。发现是computeExpr_antagonist这个函数有问题，(matrix(1, nrow = 1, ncol = length((group))))，中应为(matrix(1, nrow = 1, ncol = length(unique(group))))？ 不然矩阵回来的不对。de了它。
# environment(mycomputeCommunProb) <- environment(computeCommunProb)
#cellchat <- mycomputeCommunProb(cellchat)  # 这儿是de过的。
cellchat <- filterCommunication(cellchat, min.cells = 10)


# 能够将揣度的成果提取出来
df.net <- subsetCommunication(cellchat)
df.net <- subsetCommunication(cellchat, sources.use = c(1,2), targets.use = c(4,5))#给出从小区组 1 和 2 到小区组 4 和 5 的揣度小区间通讯。
df.net <- subsetCommunication(cellchat, signaling = c(\"WNT\", \"TGFb\"))#给出了由信号传导 WNT 和 TGFb 介导的细胞间通讯。
write.csv(df.net, \"../output/6_cell_communication/test_cellchat_lr.csv\",quote = F,sep = \',\')

2.2 核算信号通路水平上的细胞间通讯

CellChat经过汇总与每个信号通路相关的一切配体-受体彼此作用的通讯概率来核算信号通路水平的通讯概率。留意：揣度的每个受配体和么交流讯号通路的细胞通讯网络别离存储在slot \"net和“netP”中。

cellchat <- computeCommunProbPathway(cellchat)

2.3 核算聚合的细胞间通讯网络

咱们能够经过核算链路的数量或汇总通讯概率来核算聚合的细胞通讯网络。用户还能够经过设置 sources.use

和 targets.use来核算细胞组子集之间的聚合网络``。cellchat <- aggregateNet(cellchat) 咱们还能够可视化聚合的细胞间通讯网络。例如，运用circle plot显现恣意两个细胞组之间的交互次数或总交互强度（权重）。

groupSize <- as.numeric(table(cellchat@idents))
par(mfrow = c(1,2), xpd=TRUE)
netVisual_circle(cellchat@net$count, vertex.weight = groupSize, weight.scale = T, label.edge= F, title.name = \"Number of interactions\")
netVisual_circle(cellchat@net$weight, vertex.weight = groupSize, weight.scale = T, label.edge= F, title.name = \"Interaction weights/strength\")

由于细胞间通讯网络复杂，咱们能够检查各类细胞宣布的信号。在这儿，咱们还操控参数 edge.weight.max

，以便咱们能够比较不同网络之间的边际权重

# 检查每种细胞宣布的信号 （每种细胞和其他细胞的互作情况）
mat <- cellchat@net$count
par(mfrow =c(3,3),xpd=T)

for (i in 1:nrow(mat)){
  mat2 <- matrix(0,nrow = nrow(mat),ncol = ncol(mat),dimnames = dimnames(mat))
  mat2[i,] <- mat[i,]
  netVisual_circle(mat2,vertex.weight = groupSize, weight.scale = T, arrow.width = 0.2,
                   arrow.size = 0.1, edge.weight.max = max(mat),title.name = rownames(mat)[i])
}

Part Ⅲ：细胞间通讯网络的可视化

在揣度出细胞间通讯网络后，CellChat 为进一步的数据探究、剖析和可视化供给了各种功用。

CellChat 供给了几种可视化细胞间通讯网络的办法，包含层次图、圆图、弦图和气泡图。
CellChat 供给了一个易于运用的东西，用于提取和可视化揣度网络的高阶信息。例如，它能够方便地预测细胞群的首要信号输入和输出，以及这些群和信号怎么和谐在一起以完成功用。
CellChat 能够经过结合交际网络剖析、形式辨认和流形学习办法，运用集成办法对揣度的细胞-细胞通讯网络进行定量表征和比较。

3.1 运用层次图、圈图或弦图可视化每个信号通路

# 选择其间一个信号，比方说TGFb
pathways.show <- c(\"TGFb\")

层次图 用户应界说vertex.receiver，这是一个数值向量，将细胞的索引作为层次图左侧的方针（Target）。该分层图由两个部分组成：左侧部分显现对某些感兴趣的细胞（即界说的vertex.receiver）的自排泄和旁排泄信号，右侧部分显现对数据会集剩下细胞的自排泄和旁排泄信号，在层次图中，实心圆和空心圆别离代表源和方针。。因此，层次图供给了一种信息丰厚且直观的方法来可视化感兴趣的细胞群之间的自排泄和旁排泄信号通讯。例如，在研讨成纤维细胞和免疫细胞之间的细胞间通讯时，能够界说vertex.receiver为一切成纤维细胞群。

# Hierarchy plot
# Here we define `vertex.receive` so that the left portion of the hierarchy plot shows signaling to fibroblast and the right portion shows signaling to immune cells 
vertex.receiver = seq(1,2,4,6) # a numeric vector. 
netVisual_aggregate(cellchat, signaling = pathways.show,  vertex.receiver = vertex.receiver)

圈图边际色彩与信号宣布源一致，边际权重与交互强度成正比。较粗的边际线表明较强的信号。在Hierarchy plot 和 Circle plot中，圆圈巨细与每个细胞类群中的细胞数成正比。

# Circle plot
par(mfrow=c(1,1))
netVisual_aggregate(cellchat, signaling = pathways.show, layout = \"circle\")

和弦图 CellChatt供给两种功用netVisual_chord_cell, netVisual_chord_gene用于可视化具有不同意图和不同级别的细胞间通讯。netVisual_chord_cell 用于可视化不同细胞群间细胞与细胞通讯（和弦图每个扇区都是一个细胞类群），net_Visual_chord_gene用于可视化由多个配受体或信号通路介导的细胞通讯

# Chord diagram
par(mfrow=c(1,1))
netVisual_aggregate(cellchat, signaling = pathways.show, layout = \"chord\")

关于和弦图，CellChat 有一个独立的功用netVisual_chord_cell，能够经过调整circlize包中的不同参数来灵活地可视化信令网络。例如，咱们能够界说一个命名的字符向量 group 来创立多组和弦图，例如，将细胞簇分组为不同的细胞类型。

# Chord diagram
group.cellType <- c(rep(\"FIB\", 4), rep(\"DC\", 4), rep(\"TC\", 4)) # grouping cell clusters into fibroblast, DC and TC cells
names(group.cellType) <- levels(cellchat@idents)
netVisual_chord_cell(cellchat, signaling = pathways.show, group = group.cellType, title.name = paste0(pathways.show, \" signaling network\"))
#> Plot the aggregated cell-cell communication network at the signaling pathway level

热图

# Heatmap
par(mfrow=c(1,1))
netVisual_heatmap(cellchat, signaling = pathways.show, color.heatmap = \"Reds\")
#> Do heatmap based on a single object

3.2 核算受配体对整个信号通路的奉献，并可视化单个配体-受体对介导的细胞-细胞通讯

netAnalysis_contribution(cellchat, signaling = pathways.show)

咱们还能够可视化由单个配体-受体对介导的细胞间通讯。咱们供给了一个函数extractEnrichedLR

来提取给定信号通路的一切重要彼此作用（LR 对）和相关信号基因。

pairLR.TGFb <- extractEnrichedLR(cellchat, signaling = pathways.show, geneLR.return = FALSE)
LR.show <- pairLR.TGFb[1,] # show one ligand-receptor pair
# Hierarchy plot
vertex.receiver = seq(1,2,4,6) # a numeric vector
netVisual_individual(cellchat, signaling = pathways.show,  pairLR.use = LR.show, vertex.receiver = vertex.receiver)
#> [[1]]
# Circle plot
netVisual_individual(cellchat, signaling = pathways.show, pairLR.use = LR.show, layout = \"circle\")

# Chord diagram
netVisual_individual(cellchat, signaling = pathways.show, pairLR.use = LR.show, layout = \"chord\")

3.3 主动保存一切揣度网络图以便快速探究

在实践运用中，用户能够运用\'for ...循环\'主动保存一切揣度的网络，以便快速探究运用netVisual。

netVisual支持 svg、png和 pdf格局的输出。

# Access all the signaling pathways showing significant communications
pathways.show.all <- cellchat@netP$pathways
# check the order of cell identity to set suitable vertex.receiver
levels(cellchat@idents)
vertex.receiver = seq(1,2,4,6)
for (i in 1:length(pathways.show.all)) {
  # Visualize communication network associated with both signaling pathway and individual L-R pairs
  netVisual(cellchat, signaling = pathways.show.all[i], vertex.receiver = vertex.receiver, layout = \"hierarchy\")
  # Compute and visualize the contribution of each ligand-receptor pair to the overall signaling pathway
  gg <- netAnalysis_contribution(cellchat, signaling = pathways.show.all[i])
  ggsave(filename=paste0(pathways.show.all[i], \"_L-R_contribution.pdf\"), plot=gg, width = 3, height = 2, units = \'in\', dpi = 300)
}

3.4 可视化由多个受配体或信号通路介导的细胞间通讯

气泡图

# 气泡图（悉数配体-受体）

levels(cellcaht@idents)
# show all the significant interactions (L-R pairs)

# 需求制定受体细胞核配体细胞
p=netVisual_bubble(cellchat, sources.use = c(3,5,7,8,9),
                   targets.use = c(1,2,4,6),remove.isolate = FALSE)
p

#比方指定CCL和CXCL这两个信号通路
netVisual_bubble(cellchat,sources.use = c(3,5,7,8,9),targets.use = c(1,2,4,6),
                 signaling = c(\"CCL\",\"CXCL\"),remove.isolate = F)

和弦图可视化细胞类群与通讯通路之间的联系 CellChat 与 Bubble plot 类似，供给了netVisual_chord_gene

制作 Chord 图的功用

显现从某些细胞群到其他细胞群的一切彼此作用（LR 对或信号通路）。两种特殊情况：一种是显现从一个细胞组发送的一切交互，另一种是显现一个细胞组接收到的一切交互。
显现用户输入的交互或用户界说的某些信号通路

# show all the significant interactions (L-R pairs) from some cell groups (defined by \'sources.use\') to other cell groups (defined by \'targets.use\')
# show all the interactions sending from Inflam.FIB
netVisual_chord_gene(cellchat, sources.use = 4, targets.use = c(5:11), lab.cex = 0.5,legend.pos.y = 30)

# show all the interactions received by Inflam.DC
netVisual_chord_gene(cellchat, sources.use = c(1,2,3,4), targets.use = 8, legend.pos.x = 15)

# show all the significant interactions (L-R pairs) associated with certain signaling pathways
netVisual_chord_gene(cellchat, sources.use = c(1,2,3,4), targets.use = c(5:11), signaling = c(\"CCL\",\"CXCL\"),legend.pos.x = 8)

# show all the significant signaling pathways from some cell groups (defined by \'sources.use\') to other cell groups (defined by \'targets.use\')
netVisual_chord_gene(cellchat, sources.use = c(1,2,3,4), targets.use = c(5:11), slot.name = \"netP\", legend.pos.x = 10)

3.5 运用小提琴/点图制作信号基因表达散布

咱们能够运用 Seurat 包装函数制作与 LR 对或信号通路相关的信号基因的基因表达散布plotGeneExpression。

plotGeneExpression(cellchat, signaling = \"CXCL\")
#> Registered S3 method overwritten by \'spatstat.geom\':
#>   method     from
#>   print.boxx cli
#> Scale for \'y\' is already present. Adding another scale for \'y\', which will
#> replace the existing scale.
#> Scale for \'y\' is already present. Adding another scale for \'y\', which will
#> replace the existing scale.
#> Scale for \'y\' is already present. Adding another scale for \'y\', which will
#> replace the existing scale.

默认情况下，plotGeneExpression仅显现与揣度的重要通讯相关的信号基因的表达。用户能够经过以下方法显现与一个信号通路相关的一切信号基因的表达。

plotGeneExpression(cellchat, signaling = \"CXCL\", enriched.only = FALSE)

Part Ⅳ：通讯网络系统剖析

为了便于解释复杂的细胞间通讯网络，CellChat 经过从图论、形式辨认和流形学习中抽象出来的办法对网络进行定量丈量。

CellChat能够运用网络剖析中的中心性衡量来确认给定信号网络内的首要信号源和方针以及中介和影响者
CellChat能够运用形式辨认办法预测特定细胞类型的关键传入和传出信号以及不同细胞类型之间的和谐反应。
CellChat能够经过界说相似性衡量并从功用和拓扑角度执行多种学习来对信号通路进行分组。
CellChat能够经过多个网络的联合流形学习来描绘保存的和特定于上下文的信号通路。

4.1 核算和可视化网络中心性评分

# Compute the network centrality scores
cellchat <- netAnalysis_computeCentrality(cellchat, slot.name = \"netP\") # the slot \'netP\' means the inferred intercellular communication network of signaling pathways
# Visualize the computed centrality scores using heatmap, allowing ready identification of major signaling roles of cell groups
netAnalysis_signalingRole_network(cellchat, signaling = pathways.show, width = 8, height = 2.5, font.size = 10)

4.2 在二维空间中可视化首要的发送者（源）和接收者（方针）

咱们还供给了另一种直观的办法，运用散点图在 2D 空间中可视化首要的发送者（源）和接收者（方针）。

# Signaling role analysis on the aggregated cell-cell communication network from all signaling pathways
gg1 <- netAnalysis_signalingRole_scatter(cellchat)
#> Signaling role analysis on the aggregated cell-cell communication network from all signaling pathways
# Signaling role analysis on the cell-cell communication networks of interest
gg2 <- netAnalysis_signalingRole_scatter(cellchat, signaling = c(\"CXCL\", \"CCL\"))
#> Signaling role analysis on the cell-cell communication network from user\'s input
gg1   gg2

4.3 辨认对某些细胞类群的输出和输入信号奉献最大的信号

CellChat还能够答复哪些信号对某些细胞组的传出或传入信号奉献最大的问题。

# Signaling role analysis on the aggregated cell-cell communication network from all signaling pathways
ht1 <- netAnalysis_signalingRole_heatmap(cellchat, pattern = \"outgoing\")
ht2 <- netAnalysis_signalingRole_heatmap(cellchat, pattern = \"incoming\")
ht1   ht2

# Signaling role analysis on the cell-cell communication networks of interest
ht <- netAnalysis_signalingRole_heatmap(cellchat, signaling = c(\"CXCL\", \"CCL\"))

4.4 辨认全局通讯形式，探究多种细胞类型和信号通路怎么协同作业

除了探究单个通路的详细通讯之外，一个重要的问题是多个细胞群和信号通路怎么和谐发挥作用。CellChat 采用形式辨认办法来辨认全局通讯形式。 辨认和可视化排泄细胞的传出通讯形式 (pattern) 传出形式揭示了发送细胞（即作为信号源的细胞）怎么彼此和谐，以及它们怎么与某些信号通路和谐以驱动通讯。

#加载通讯形式剖析所需的包
library(NMF)
#> Loading required package: pkgmaker
#> Loading required package: registry
#> Loading required package: rngtools
#> Loading required package: cluster
#> NMF - BioConductor layer [OK] | Shared memory capabilities [NO: bigmemory] | Cores 15/16
#>   To enable shared memory capabilities, try: install.extras(\'
#> NMF
#> \')
#> 
#> Attaching package: \'NMF\'
#> The following objects are masked from \'package:igraph\':
#> 
#>     algorithm, compare
library(ggalluvial)

在这儿，咱们运行selectK以揣度形式的数量。

#创立Cellchat 方针
cellchat <- createCellChat(object = data_obj@assays$RNA@data, meta = data_obj@meta.data, group.by = \"cell_annotations\" )
cellchat

# An object of class CellChat created from a single dataset 
# 13714 genes.
# 2638 cells.

当输出形式的数量为 3 时，Cophenetic 和 Silhouette 值都开端突然下降。

nPatterns = 3
cellchat <- identifyCommunicationPatterns(cellchat, pattern = \"outgoing\", k = nPatterns)

# river plot
netAnalysis_river(cellchat, pattern = \"outgoing\")
#> Please make sure you have load `library(ggalluvial)` when running this function

# dot plot
netAnalysis_dot(cellchat, pattern = \"outgoing\")

辨认和可视化方针细胞的传入通讯形式

输入形式显现方针细胞（即作为信号接收器的细胞）怎么彼此和谐，以及它们怎么与某些信号通路和谐以响应输入信号。selectK(cellchat, pattern = \"incoming\")当传入形式的数量为 4 时，相关值开端下降。

后续同outgoing, 只需求把参数patten 改为 =“incoming”

4.5 信号网络的盛行和分类学习剖析

CellChat能够量化一切重要悉尼号通路之间的相似性，然后依据她们的通讯网络相似性对她们进行分组。能够依据功用或结构相似性进行分组。（一般功用相似性比较靠谱） 依据功用相似性辨认信号组

cellchat <- computeNetSimilarity(cellchat, type = \"functional\")
cellchat <- netEmbedding(cellchat, type = \"functional\")
#> Manifold learning of the signaling networks for a single dataset
cellchat <- netClustering(cellchat, type = \"functional\")
#> Classification learning of the signaling networks for a single dataset
# Visualization in 2D-space
netVisual_embedding(cellchat, type = \"functional\", label.size = 3.5)

# netVisual_embeddingZoomIn(cellchat, type = \"functional\", nCol = 2)

4.6 依据结构相似性辨认信号组

cellchat <- computeNetSimilarity(cellchat, type = \"structural\")
cellchat <- netEmbedding(cellchat, type = \"structural\")
#> Manifold learning of the signaling networks for a single dataset
cellchat <- netClustering(cellchat, type = \"structural\")
#> Classification learning of the signaling networks for a single dataset
# Visualization in 2D-space
netVisual_embedding(cellchat, type = \"structural\", label.size = 3.5)

netVisual_embeddingZoomIn(cellchat, type = \"structural\", nCol = 2)

Part Ⅴ：保存CellChat方针

saveRDS(cellchat, file = \"cellchat_humanSkin_LS.rds\")

sessionInfo()
#> R version 4.1.2 (2021-11-01)
#> Platform: x86_64-apple-darwin17.0 (64-bit)
#> Running under: macOS Big Sur 10.16
#> 
#> Matrix products: default
#> BLAS:   /Library/Frameworks/R.framework/Versions/4.1/Resources/lib/libRblas.0.dylib
#> LAPACK: /Library/Frameworks/R.framework/Versions/4.1/Resources/lib/libRlapack.dylib
#> 
#> locale:
#> [1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8
#> 
#> attached base packages:
#> [1] parallel  stats     graphics  grDevices utils     datasets  methods  
#> [8] base     
#> 
#> other attached packages:
#>  [1] doParallel_1.0.16   iterators_1.0.13    foreach_1.5.1      
#>  [4] ggalluvial_0.12.3   NMF_0.23.0          cluster_2.1.2      
#>  [7] rngtools_1.5.2      pkgmaker_0.32.2     registry_0.5-1     
#> [10] patchwork_1.1.1     CellChat_1.4.0      Biobase_2.54.0     
#> [13] BiocGenerics_0.40.0 ggplot2_3.3.5       igraph_1.2.10      
#> [16] dplyr_1.0.7        
#> 
#> loaded via a namespace (and not attached):
#>   [1] backports_1.4.1       circlize_0.4.13       systemfonts_1.0.2    
#>   [4] plyr_1.8.6            lazyeval_0.2.2        splines_4.1.2        
#>   [7] listenv_0.8.0         scattermore_0.7       gridBase_0.4-7       
#>  [10] digest_0.6.29         htmltools_0.5.2       fansi_0.5.0          
#>  [13] magrittr_2.0.1        tensor_1.5            ROCR_1.0-11          
#>  [16] sna_2.6               ComplexHeatmap_2.10.0 globals_0.14.0       
#>  [19] matrixStats_0.61.0    svglite_2.0.0         spatstat.sparse_2.1-0
#>  [22] colorspace_2.0-2      ggrepel_0.9.1         xfun_0.29            
#>  [25] crayon_1.4.2          jsonlite_1.7.2        spatstat.data_2.1-2  
#>  [28] survival_3.2-13       zoo_1.8-9             glue_1.6.0           
#>  [31] polyclip_1.10-0       gtable_0.3.0          leiden_0.3.9         
#>  [34] GetoptLong_1.0.5      car_3.0-12            future.apply_1.8.1   
#>  [37] shape_1.4.6           abind_1.4-5           scales_1.1.1         
#>  [40] DBI_1.1.2             rstatix_0.7.0         miniUI_0.1.1.1       
#>  [43] Rcpp_1.0.7            viridisLite_0.4.0     xtable_1.8-4         
#>  [46] clue_0.3-60           spatstat.core_2.3-2   reticulate_1.22      
#>  [49] stats4_4.1.2          htmlwidgets_1.5.4     httr_1.4.2           
#>  [52] FNN_1.1.3             RColorBrewer_1.1-2    ellipsis_0.3.2       
#>  [55] Seurat_4.0.6          ica_1.0-2             pkgconfig_2.0.3      
#>  [58] farver_2.1.0          uwot_0.1.11           deldir_1.0-6         
#>  [61] sass_0.4.0            here_1.0.1            utf8_1.2.2           
#>  [64] later_1.3.0           tidyselect_1.1.1      labeling_0.4.2       
#>  [67] rlang_0.4.12          reshape2_1.4.4        munsell_0.5.0        
#>  [70] tools_4.1.2           cli_3.1.0             generics_0.1.1       
#>  [73] statnet.common_4.5.0  broom_0.7.10          ggridges_0.5.3       
#>  [76] evaluate_0.14         stringr_1.4.0         fastmap_1.1.0        
#>  [79] goftest_1.2-3         yaml_2.2.1            knitr_1.37           
#>  [82] fitdistrplus_1.1-6    purrr_0.3.4           RANN_2.6.1           
#>  [85] nlme_3.1-153          pbapply_1.5-0         future_1.23.0        
#>  [88] mime_0.12             compiler_4.1.2        rstudioapi_0.13      
#>  [91] plotly_4.10.0         png_0.1-7             ggsignif_0.6.3       
#>  [94] spatstat.utils_2.3-0  tibble_3.1.6          bslib_0.3.1          
#>  [97] stringi_1.7.6         highr_0.9             RSpectra_0.16-0      
#> [100] forcats_0.5.1         lattice_0.20-45       Matrix_1.3-4         
#> [103] vctrs_0.3.8           pillar_1.6.4          lifecycle_1.0.1      
#> [106] spatstat.geom_2.3-1   lmtest_0.9-39         jquerylib_0.1.4      
#> [109] GlobalOptions_0.1.2   RcppAnnoy_0.0.19      data.table_1.14.2    
#> [112] cowplot_1.1.1         irlba_2.3.5           httpuv_1.6.4         
#> [115] R6_2.5.1              promises_1.2.0.1      network_1.17.1       
#> [118] gridExtra_2.3         KernSmooth_2.23-20    IRanges_2.28.0       
#> [121] parallelly_1.30.0     codetools_0.2-18      MASS_7.3-54          
#> [124] assertthat_0.2.1      rprojroot_2.0.2       rjson_0.2.20         
#> [127] withr_2.4.3           SeuratObject_4.0.4    sctransform_0.3.2    
#> [130] S4Vectors_0.32.3      mgcv_1.8-38           rpart_4.1-15         
#> [133] grid_4.1.2            tidyr_1.1.4           coda_0.19-4          
#> [136] rmarkdown_2.11        carData_3.0-4         Rtsne_0.15           
#> [139] ggpubr_0.4.0          shiny_1.7.1