任麗萍，潘賢潤，劉天元，楊 煜，寧 琳，張 楊

(1.成都東軟學(xué)院健康醫(yī)療科技學(xué)院 成都 611844；2.成都中醫(yī)藥大學(xué)醫(yī)學(xué)技術(shù)學(xué)院 成都 611137；3.筑波大學(xué)科學(xué)與技術(shù)學(xué)院 日本 筑波 3058577；4.成都中醫(yī)藥大學(xué)中醫(yī)藥創(chuàng)新研究院/交叉學(xué)科研究院 成都 611137)

細(xì)胞可通過各種化學(xué)或物理信號相互交流、應(yīng)答及協(xié)作[1]。在單細(xì)胞生物中，細(xì)胞間的信號可使不同細(xì)胞相互協(xié)調(diào)，分工合作，繼而完成單個細(xì)胞無法單獨(dú)完成的任務(wù)。在多細(xì)胞生物中，細(xì)胞間信號可以使得細(xì)胞向不同方向特化形成不同的細(xì)胞類型，而不同種類的細(xì)胞之間又可以通過胞間信號傳遞與交流，有序組合形成肌肉、血液及神經(jīng)系統(tǒng)等組織和系統(tǒng)，最終行使特定的生物學(xué)任務(wù)[2]。細(xì)胞這種從其他細(xì)胞或環(huán)境接收和處理各種信息，同時又通過信息的內(nèi)部運(yùn)作對其他細(xì)胞與外環(huán)境做出響應(yīng)的過程被稱為細(xì)胞間通信。

單細(xì)胞測序技術(shù)的快速發(fā)展為細(xì)胞生物學(xué)提供了新的研究范式[3]。尤其是單細(xì)胞RNA 測序(single cell RNA sequencing, scRNA-seq)技術(shù)，可在單細(xì)胞水平上精確表征組織及微環(huán)境中的細(xì)胞組成，提供對組織或微環(huán)境細(xì)胞異質(zhì)性和單細(xì)胞基因表達(dá)的高分辨率景觀，是剖析組織及微環(huán)境穩(wěn)態(tài)及動態(tài)過程的有力工具[4]。目前已有諸多研究利用scRNA-seq技術(shù)來繪制生理及病理情況下的組織及微環(huán)境的細(xì)胞圖譜，為解析組織與微環(huán)境中細(xì)胞間信號傳遞及調(diào)控機(jī)制提供了重要的技術(shù)支撐與數(shù)據(jù)基礎(chǔ)[4-5]。在單細(xì)胞水平上利用生物信息學(xué)方法，系統(tǒng)地解析組織及微環(huán)境中細(xì)胞間通信網(wǎng)絡(luò)及信息交流機(jī)制迅速成為細(xì)胞生物學(xué)研究的熱點(diǎn)[6-8]。近三年有諸多研究開發(fā)了基于單細(xì)胞測序數(shù)據(jù)的細(xì)胞間通信預(yù)測方法，極大地促進(jìn)了單細(xì)胞層面細(xì)胞間信號轉(zhuǎn)導(dǎo)及機(jī)制研究[9-11]。同時，作為scRNA-seq 的補(bǔ)充，空間轉(zhuǎn)錄組學(xué)(spatial transcriptomics, ST)技術(shù)可繪制細(xì)胞單“點(diǎn)”或亞細(xì)胞分辨率下的基因表達(dá)。有研究提出將ST 數(shù)據(jù)與單細(xì)胞測序的數(shù)據(jù)結(jié)合來推斷細(xì)胞間通信以提高預(yù)測的準(zhǔn)確性及合理性[12]。本文首先簡要回顧了細(xì)胞間通信的基礎(chǔ)生物學(xué)過程，繼而結(jié)合國內(nèi)外基于單細(xì)胞測序的細(xì)胞間通信預(yù)測研究現(xiàn)狀，對目前細(xì)胞間通信相關(guān)蛋白質(zhì)配體-受體(ligand-receptor, L-R)互作數(shù)據(jù)庫、預(yù)測算法以及基準(zhǔn)評測研究進(jìn)行綜述，總結(jié)存在的問題并提出展望。

1 細(xì)胞間通信的生物學(xué)基礎(chǔ)

細(xì)胞已經(jīng)進(jìn)化出多種信號轉(zhuǎn)導(dǎo)機(jī)制來完成生物信息傳遞，如圖1a 所示[2]。在多細(xì)胞生物中，各種代謝物、生長因子、激素、神經(jīng)遞質(zhì)和細(xì)胞外基質(zhì)是細(xì)胞傳遞信號的關(guān)鍵分子，被稱為配體。而配體又可通過與細(xì)胞表面的受體特異性結(jié)合，將信號傳遞到受體細(xì)胞內(nèi)部。根據(jù)化學(xué)信號的形式，細(xì)胞間信號傳遞可主要分為自分泌、旁分泌、細(xì)胞黏附以及內(nèi)分泌4 種方式，如圖1b 所示。如血液中的代謝物可以觸發(fā)腺體細(xì)胞表面受體，導(dǎo)致細(xì)胞釋放葡萄糖調(diào)節(jié)所需的激素。神經(jīng)遞質(zhì)作為一類短程信號分子，可穿過相鄰神經(jīng)元之間或神經(jīng)元與肌肉細(xì)胞之間的微小空間，與其特異性受體結(jié)合傳遞神經(jīng)信號。某些細(xì)胞表面配體及受體還具有黏附能力，其不僅可在細(xì)胞之間傳遞信息，而且還能在物理上將這些細(xì)胞彼此連接。此外，某些配體不僅能在局部微環(huán)境中發(fā)揮作用，也可以通過內(nèi)分泌的方式，利用體液進(jìn)行長距離傳播發(fā)揮信號傳遞作用[13]，如促卵泡激素，其從哺乳動物的大腦通過血液傳播到卵巢觸發(fā)卵子釋放，這種通過體液的遠(yuǎn)距離傳播信息的方式，在跨器官通信中起關(guān)鍵作用。

圖1 細(xì)胞間通信的生物學(xué)過程示意圖

此外，在靶細(xì)胞上的受體蛋白接收到配體傳遞的信號后會發(fā)生構(gòu)象變化，進(jìn)而在細(xì)胞內(nèi)啟動一系列生化反應(yīng)。形成細(xì)胞內(nèi)信號通路，也稱為信號轉(zhuǎn)導(dǎo)級聯(lián)[14]。實(shí)際上，一個活躍的細(xì)胞無時無刻不在接收和響應(yīng)大量信號，且多個信號轉(zhuǎn)導(dǎo)通路同時在細(xì)胞質(zhì)中并行，這些通路之間又存在許多交叉點(diǎn)，構(gòu)成復(fù)雜的級聯(lián)串?dāng)_網(wǎng)絡(luò)(crosstalk)。最終，細(xì)胞通過這種高度復(fù)雜而精密的信號通路網(wǎng)絡(luò)，不斷整合從外部環(huán)境接收到的所有信息，完成各種復(fù)雜的生物學(xué)任務(wù)[15]。

綜上所述，細(xì)胞間的通信過程可簡述為：細(xì)胞生產(chǎn)各種信號分子作為配體，當(dāng)其與自身或其他細(xì)胞的特異性受體結(jié)合時，會在該細(xì)胞內(nèi)進(jìn)一步觸發(fā)一系列信號級聯(lián)事件，這些事件將配體傳遞的信號傳送到細(xì)胞內(nèi)部，并進(jìn)一步將其放大，最終使得細(xì)胞執(zhí)行相應(yīng)的具體功能。而在細(xì)胞微環(huán)境中，各種信號分子允許微環(huán)境內(nèi)的細(xì)胞共享有關(guān)內(nèi)部和外部條件的信息，這些信息有助于細(xì)胞自行安排、協(xié)調(diào)完成各種復(fù)雜的生物學(xué)功能。但由于目前傳統(tǒng)生物實(shí)驗技術(shù)的局限，生物學(xué)家對細(xì)胞間及細(xì)胞內(nèi)的信號轉(zhuǎn)導(dǎo)過程的層次結(jié)構(gòu)及其高度集成及動態(tài)的過程的理解仍不清晰。相信隨著學(xué)科不斷的交叉融合發(fā)展，嘗試基于生物學(xué)實(shí)驗數(shù)據(jù)對細(xì)胞內(nèi)外分子信號網(wǎng)絡(luò)進(jìn)行數(shù)學(xué)建模，創(chuàng)建算法用于解析目前條件下無法用實(shí)驗解析的結(jié)果，將是細(xì)胞間信號傳遞研究的新路徑[16]。

2 L-R 互作數(shù)據(jù)庫

目前，基于單細(xì)胞測序的細(xì)胞間通信研究的主要原理是通過單細(xì)胞測序數(shù)據(jù)中配體及受體的mRNA 表達(dá)水平推測不同細(xì)胞群落中的細(xì)胞間通信關(guān)系，該過程主要依賴于蛋白質(zhì)L-R 互作先驗知識[6]。除DLRP[17]、IUPHAR/BPS[18]、KEGG[19]及HPMR[20]等單細(xì)胞測序時代之前的L-R 互作數(shù)據(jù)庫之外，近幾年針對單細(xì)胞測序細(xì)胞間通信研究的L-R 互作數(shù)據(jù)庫也陸續(xù)上線，如表1 所示。其中，2015 年文獻(xiàn)[21]從已知的L-R 數(shù)據(jù)庫如DLRP、IUPHAR/BPS 及HPMR 等收集并整合得到1 894條L-R 互作數(shù)據(jù)，并構(gòu)建了144 種細(xì)胞間的通信網(wǎng)絡(luò)。同時，該課題組在2020 年進(jìn)一步通過文獻(xiàn)挖掘及數(shù)據(jù)庫整合等方式將該數(shù)據(jù)集更新為2 293 條L-R 互作數(shù)據(jù)，并命名為connectomeDB2020 數(shù)據(jù)庫[22]。CellPhoneDB 數(shù)據(jù)庫[10]通過文本挖掘及其他PPI 數(shù)據(jù)庫收集了1 396 條L-R 互作數(shù)據(jù)，并開發(fā)了一個在線分析平臺用于scRNA-seq 數(shù)據(jù)的細(xì)胞間通信分析。CellTalkDB 數(shù)據(jù)庫[23]通過大規(guī)模地收集STRING v11 數(shù)據(jù)庫[24]中的L-R 互作數(shù)據(jù)，并通過文獻(xiàn)挖掘驗證，最終收集了3 398 個人類的L-R 互作數(shù)據(jù)、2 021 個小鼠的L-R 互作數(shù)據(jù)。OmniPath 數(shù)據(jù)庫[25]通過收集數(shù)據(jù)庫來源的配受體數(shù)據(jù)及PPI 數(shù)據(jù)，整合構(gòu)建了可用于細(xì)胞間通信分析的細(xì)胞間及細(xì)胞內(nèi)信號網(wǎng)絡(luò)數(shù)據(jù)集。Cellinker 數(shù)據(jù)庫[26]通過文本挖掘、數(shù)據(jù)庫整合以及同源分析等方法收集了超過3 700 條人類、3 300 條小鼠以及16 條冠狀病毒-人類的高置信的L-R 互作數(shù)據(jù)，Cellinker 數(shù)據(jù)庫還收錄了超過400 條內(nèi)源性小分子-受體互作數(shù)據(jù)，為細(xì)胞間通信預(yù)測研究提供了重要的數(shù)據(jù)基礎(chǔ)。同時，一些細(xì)胞間通信算法如SingleCellSignalR[11]及iTALK[27]等同樣構(gòu)建了L-R 互作數(shù)據(jù)集用于推測細(xì)胞間通信。上述L-R 互作數(shù)據(jù)資源為細(xì)胞間通信研究及細(xì)胞微環(huán)境信號轉(zhuǎn)導(dǎo)網(wǎng)絡(luò)研究奠定了重要的數(shù)據(jù)基礎(chǔ)。此外，文獻(xiàn)[28]繞過了L-R 互作數(shù)據(jù)，開發(fā)了一個收錄高質(zhì)量的人類細(xì)胞互作的數(shù)據(jù)庫CITEdb，該數(shù)據(jù)庫通過文獻(xiàn)挖掘收集了728 條人類細(xì)胞互作數(shù)據(jù)，為細(xì)胞間通信研究提供了重要的基準(zhǔn)數(shù)據(jù)集。

表1 部分細(xì)胞間通信相關(guān)L-R 互作數(shù)據(jù)庫與數(shù)據(jù)集

3 細(xì)胞間通信預(yù)測算法

為幫助推測細(xì)胞間通信，近三年已開發(fā)了大量基于單細(xì)胞測序數(shù)據(jù)的細(xì)胞間通信算法和工具，如表2 所示。依據(jù)所采用的具體模型與策略，現(xiàn)有方法主要可分為4 類：1)基于配受體差異表達(dá)的方法；2)基于配受體表達(dá)結(jié)合統(tǒng)計檢驗的方法；3)基于L-R 互作下游細(xì)胞內(nèi)信號網(wǎng)絡(luò)的方法；4)結(jié)合ST 數(shù)據(jù)的方法[6]。

表2 部分細(xì)胞間通信預(yù)測算法

3.1 基于配受體差異表達(dá)的方法

基于L-R 互作中配受體差異表達(dá)的方法包括iTALK[27]、PyMINer[29]以及CellTalker[30]等，其主要原理是篩選scRNA-seq 數(shù)據(jù)中不同細(xì)胞類型之間顯著差異表達(dá)的基因，并將差異基因列表中存在的L-R 互作定義為差異細(xì)胞間通信。此類方法對于推測不同細(xì)胞類型間特異的細(xì)胞間通信比較有效，但該策略忽略了在所有細(xì)胞類型之間都普遍且穩(wěn)定存在的通信關(guān)系[6]。此外，還有基于L-R 互作配受體表達(dá)矩陣分解的方法，代表性工具是scTensor[31]，其使用張量模擬L-R 互作。從數(shù)據(jù)中生成了一個等級為3 的張量，其中兩個維度分別表示單細(xì)胞數(shù)據(jù)中每種細(xì)胞類型的配體和受體表達(dá)，第3 個維度代表所有L-R 互作。然后進(jìn)行非負(fù)塔克分解來分解這個張量，產(chǎn)生3 個矩陣，其系數(shù)代表相互作用的細(xì)胞與其各自的配體和受體之間的關(guān)系。這種基于張量分解的方法，其隱變量的可解釋性依然存在問題[6]。

3.2 基于配受體表達(dá)結(jié)合統(tǒng)計檢驗的方法

基于L-R 互作中配受體表達(dá)結(jié)合統(tǒng)計檢驗的方法包括CellPhoneDB[10]，CellChat[32]，NATMI[22]和ICELLNET[33]等，其方法原理主要是通過置換檢驗等統(tǒng)計檢驗方法評估L-R 互作中配體與受體表達(dá)之積或之和的統(tǒng)計顯著性。此類方法策略同樣過度依賴于配體受體的表達(dá)量高低，而對穩(wěn)定表達(dá)的L-R互作相關(guān)細(xì)胞間通信缺乏鑒定能力[34]?？傮w而言，上述基于L-R 互作中配受體表達(dá)強(qiáng)度或特異性來推斷細(xì)胞間通信的方法存在明顯局限。首先，某些受體蛋白質(zhì)通常在細(xì)胞中表現(xiàn)出穩(wěn)定的表達(dá)水平，其表達(dá)量高低與細(xì)胞間通信強(qiáng)弱并不完全相關(guān)[25]；且部分編碼細(xì)胞表面受體的mRNA 通常處于低豐度狀態(tài)，這可能導(dǎo)致受體的表達(dá)無法在單細(xì)胞水平被檢測到，造成數(shù)據(jù)刪失[6,35]；而上述方法最根本的問題在于其模型未考慮L-R 互作下游的細(xì)胞內(nèi)信號轉(zhuǎn)導(dǎo)過程[9]。

3.3 基于細(xì)胞內(nèi)信號網(wǎng)絡(luò)的方法

為解決上述問題，最近已有多種方法開始嘗試基于L-R 互作下游信號網(wǎng)絡(luò)的方式將細(xì)胞內(nèi)信號轉(zhuǎn)導(dǎo)過程也納入細(xì)胞間通信分析模型，包括CCCExplorer[36]，SoptSC，NicheNet[9]，CytoTalk[37]，scMLnet[38]以及CellCall[34]等，其算法原理主要通過L-R 下游的信號轉(zhuǎn)導(dǎo)網(wǎng)絡(luò)、基因調(diào)控網(wǎng)絡(luò)或基因共表達(dá)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與基因表達(dá)來推測細(xì)胞間通信關(guān)系。如NicheNet 算法通過PageRank 方法計算細(xì)胞內(nèi)部轉(zhuǎn)錄因子(transcription factor, TF)調(diào)控網(wǎng)絡(luò)中TF 的靶基因與細(xì)胞外配體的相關(guān)性去推測細(xì)胞間通信。CytoTalk 算法通過PCSF(prize-collecting Steiner forest)方法篩選與細(xì)胞間L-R 互作相關(guān)的細(xì)胞內(nèi)基因共表達(dá)網(wǎng)絡(luò)，繼而重建細(xì)胞間信號轉(zhuǎn)導(dǎo)網(wǎng)絡(luò)。CellCall 算法[34]可通過整合L-R 互作的表達(dá)和L-R 互作下游TF 的激活程度來推斷細(xì)胞間通信，其能夠同時推斷細(xì)胞間通信和相應(yīng)的細(xì)胞內(nèi)部信號。上述方法將細(xì)胞外信號與細(xì)胞內(nèi)信號結(jié)合，在一定程度上解決了細(xì)胞間信號轉(zhuǎn)導(dǎo)推斷方法過度依賴于配體與受體表達(dá)的問題，生物學(xué)模型相對合理，同時此類方法還增加了對細(xì)胞內(nèi)信號轉(zhuǎn)導(dǎo)網(wǎng)絡(luò)的推測能力。

3.4 結(jié)合ST 數(shù)據(jù)的細(xì)胞間通信預(yù)測方法

細(xì)胞間通信的本質(zhì)是細(xì)胞膜表面或分泌型配體將生物信號擴(kuò)散傳遞到微環(huán)境中附近的細(xì)胞，因此，配體在有限空間擴(kuò)散率限制了組織或微環(huán)境中可發(fā)生通信的細(xì)胞數(shù)量及范圍。因此，有研究提出將空間轉(zhuǎn)錄組數(shù)據(jù)與單細(xì)胞測序的數(shù)據(jù)結(jié)合推斷細(xì)胞間通信以提高預(yù)測的準(zhǔn)確性及合理性。隨著ST 技術(shù)的不斷發(fā)展，目前已出現(xiàn)多種基于ST 數(shù)據(jù)的細(xì)胞間通信方法，如表3 所示。如Cell2Cell 通過對大量L-R 互作進(jìn)行Bray-Curtis 樣評分，然后結(jié)合不同細(xì)胞之間的距離定義細(xì)胞間通信關(guān)系[39]。SpaOTsc 通過推斷配體、受體及細(xì)胞內(nèi)信號通路的推測信號發(fā)送細(xì)胞及接收細(xì)胞的空間分布，并通過空間最小傳輸距離推測細(xì)胞間通信[40]。stLearn 算法通過計算不同的空間簇中細(xì)胞多樣性以及相關(guān)L-R 互作的共表達(dá)分?jǐn)?shù)去推測在空間中細(xì)胞間通信信號密集的熱點(diǎn)區(qū)域[41]。SVCA 算法主要使用概率模型來推斷細(xì)胞特異性基因如何受到鄰近細(xì)胞和外部環(huán)境的影響[42]。COMMOT 通過集體最佳傳輸方法來推斷空間轉(zhuǎn)錄組學(xué)中的通信，提出了一種處理復(fù)雜分子相互作用和空間約束的集體最佳傳輸方法[43]。其可解釋不同配體和受體物種間的競爭以及細(xì)胞間的空間距離。然而，細(xì)胞間通信是一個動態(tài)的變化過程，目前還未有方法考慮ST 數(shù)據(jù)中固有的動態(tài)時序信息。隨著ST 技術(shù)分辨率的進(jìn)步，開發(fā)基于ST 數(shù)據(jù)時序信息的細(xì)胞間通信動態(tài)變化過程預(yù)測方法必將是下一步探究的方向[12]。

表3 部分結(jié)合ST 數(shù)據(jù)的細(xì)胞間通信預(yù)測方法

4 細(xì)胞間通信分析的可視化

除了推測或量化細(xì)胞間通信關(guān)系外，目前各種方法還提供了豐富的細(xì)胞間通信分析結(jié)果的可視化策略，包括繪制Circos 圖、桑基圖、熱圖以及氣泡圖等。在此，本文以CellCall 算法為例，簡略介紹幾種常見的細(xì)胞間通信可視化圖，如圖2 所示。CellCall 使用Circos 圖(圖2a)對數(shù)據(jù)中所有細(xì)胞間的通信總體呈現(xiàn)，外圈線段代表不同的細(xì)胞，圈內(nèi)指向曲線代表不同細(xì)胞間的總體通信情況(顏色深淺表示通信強(qiáng)弱)；CellCall 使用熱圖(圖2b)對細(xì)胞間L-R 互作的分?jǐn)?shù)進(jìn)行可視化，通常熱圖的行和列分別為細(xì)胞對以及L-R 互作對，而熱圖的顏色深淺則代表某對細(xì)胞的某對L-R 互作的通信得分；CellCall 使用氣泡圖(圖2c)呈現(xiàn)信號通路富集分析結(jié)果，其中氣泡大小代表P值，顏色深淺代表富集度；此外，CellCall 還使用桑基圖(圖2d)呈現(xiàn)LR-TF 三元關(guān)系，使用GSEA 富集圖(圖2e)和山巒圖(圖2f)呈現(xiàn)了TF 激活程度?？傊煌惴闪瞬煌目梢暬呗?，如不同于CellCall，一些算法如CellChat 等使用Circos 圖，而CellphoneDB等方法使用氣泡圖對細(xì)胞間L-R 互作進(jìn)行可視化呈現(xiàn)。

圖2 細(xì)胞間通信的可視化策略

5 細(xì)胞間通信方法的評測

建立適當(dāng)?shù)幕鶞?zhǔn)數(shù)據(jù)是評價和比較已開發(fā)的各種細(xì)胞間通信預(yù)測方法的前提與基礎(chǔ)。然而，目前已鑒定的細(xì)胞間通信關(guān)系在多大程度上代表真實(shí)的生物學(xué)情況還尚未清楚。當(dāng)前評價算法的常用手段仍是通過濕實(shí)驗(如體內(nèi)成像)和下游功能研究(通過實(shí)驗干擾某些細(xì)胞間通信)來驗證具體某一特定細(xì)胞間通信是否存在[44-45]。同時，除了用作約束以優(yōu)化細(xì)胞間通信的推斷結(jié)果之外，ST 數(shù)據(jù)也可以用作評估假陽性率的基準(zhǔn)[46]。此外，也有研究通過計算機(jī)模擬仿真數(shù)據(jù)對細(xì)胞間通信推斷算法進(jìn)行基準(zhǔn)測試[12]。為了比較各細(xì)胞間通信數(shù)據(jù)庫數(shù)據(jù)的重合率及結(jié)果的準(zhǔn)確性，文獻(xiàn)[47]系統(tǒng)比較分析了16 個L-R 互作數(shù)據(jù)資源以及7 種算法，結(jié)果發(fā)現(xiàn)大多數(shù)數(shù)據(jù)庫中的L-R 互作數(shù)據(jù)主要來源于KEGG[19]，Reactome[48]和STRING[24]等數(shù)據(jù)庫，且不同數(shù)據(jù)資源在通路、功能分類、組織特異性蛋白質(zhì)等方面存在偏倚，提示各數(shù)據(jù)資源的選擇將會影響細(xì)胞間通信的預(yù)測。文獻(xiàn)[49]將ST 數(shù)據(jù)與scRNA-seq 數(shù)據(jù)相結(jié)合用于評價各細(xì)胞間通信的數(shù)據(jù)庫及算法的一致性，并將配受體間的互作信息分為基于細(xì)胞直接接觸的短程互作及基于分泌信號的遠(yuǎn)程互作，其分析結(jié)果提示不同方法預(yù)測結(jié)果存在顯著差異，并建議在未來預(yù)測細(xì)胞間通信的工作中納入不同配受體間及細(xì)胞內(nèi)的調(diào)控信息，以提高預(yù)測的準(zhǔn)確性。

6 結(jié) 束 語

探究細(xì)胞間通信精細(xì)調(diào)控過程及全局特征有助于闡明機(jī)體的精細(xì)調(diào)控機(jī)制及內(nèi)環(huán)境穩(wěn)態(tài)，也可為進(jìn)一步探究機(jī)體疾病發(fā)生發(fā)展奠定理論基礎(chǔ)。盡管目前已經(jīng)有大量相關(guān)數(shù)據(jù)庫及算法用于研究細(xì)胞間通信，且相關(guān)算法仍在不斷推陳出新，但該領(lǐng)域仍然存在諸多挑戰(zhàn)：1)細(xì)胞信號傳遞主要體現(xiàn)在蛋白水平而非基因?qū)用?，但基因表達(dá)并不一定產(chǎn)生蛋白質(zhì)表達(dá)，而現(xiàn)有預(yù)測方法均基于轉(zhuǎn)錄組學(xué)數(shù)據(jù)，因此其預(yù)測結(jié)果不可避免會存在失真；2)同時，目前的方法只能用于預(yù)測組織或者微環(huán)境內(nèi)細(xì)胞間短程通信，而對內(nèi)分泌等遠(yuǎn)程通信的研究還力有未逮；3)細(xì)胞間通信的物質(zhì)基礎(chǔ)除蛋白質(zhì)外，還包括大量其他非肽類的內(nèi)源性小分子(如小分子、碳水化合物、脂質(zhì)和核酸配體)，但目前的數(shù)據(jù)庫及算法均只收錄了蛋白質(zhì)L-R 互作數(shù)據(jù)，涵蓋的范圍存在明顯局限。

因此，未來的工作需進(jìn)一步將細(xì)胞外信號與下游轉(zhuǎn)導(dǎo)信號結(jié)合以提高對細(xì)胞信號傳導(dǎo)的細(xì)胞類型特異性的理解；同時，還需增加單細(xì)胞多組學(xué)數(shù)據(jù)，尤其是蛋白質(zhì)組以及代謝組學(xué)數(shù)據(jù)進(jìn)行聯(lián)合分析，進(jìn)一步提高預(yù)測的準(zhǔn)確性及全面性；此外，相關(guān)工具還需增加跨器官通信等遠(yuǎn)程通信的解析能力，擴(kuò)展預(yù)測方法的應(yīng)用范圍，為單細(xì)胞測序數(shù)據(jù)分析以及細(xì)胞間信號轉(zhuǎn)導(dǎo)網(wǎng)絡(luò)分子機(jī)制研究提供新的技術(shù)手段，為疾病機(jī)制、臨床診療及藥物開發(fā)研究提供關(guān)鍵的理論依據(jù)。