按细胞分组、数据库和步骤定位CellChat瓶颈

CellChat运行慢、内存上涨或结果为空时，直接增加worker未必解决问题。输入格式、细胞标签、物种数据库和分析参数都会改变运行路径；先把它们核对清楚，才能判断是否需要更多计算资源。本文聚焦单个常规单细胞数据集，不覆盖空间CellChat流程。

先把输入的三个对应关系核对好

官方教程要求表达矩阵以基因为行、细胞为列，并使用适合CellChat的标准化表达数据；细胞分组信息需要以细胞名为行名。最常见的问题不是矩阵“太大”，而是表达矩阵列名和metadata行名不一致、子集后顺序不同，或把原始counts误当成已经标准化的数据。若输入的是Seurat对象，先确认所取assay和layer；不要因为代码能运行，就默认取到了研究方案所要求的表达层。

# data.input: genes x cells; meta: one row per cell
stopifnot(!is.null(colnames(data.input)), !is.null(rownames(meta)))
stopifnot(!anyDuplicated(colnames(data.input)))
stopifnot(!anyDuplicated(rownames(meta)))
stopifnot(setequal(colnames(data.input), rownames(meta)))
meta <- meta[colnames(data.input), , drop = FALSE]
stopifnot(identical(rownames(meta), colnames(data.input)))
stopifnot("labels" %in% colnames(meta))
table(meta$labels, useNA = "ifany")

这些检查只能确认名称和顺序，不会证明表达值已按正确方式归一化，也不能判断标签是否符合生物学问题。若用Seurat对象提取数据，先查看assay、layer和Seurat/SeuratObject版本，再把提取方式写入分析记录。不要同时对已log-normalized矩阵再次归一化。

物种、数据库和细胞标签会影响结果

人和小鼠数据应选择对应的CellChatDB。数据库范围也要记录：例如只分析分泌信号，与纳入细胞接触或其他信号类别，问题和候选通讯都会不同。先检查标签是否有NA、拼写分裂、过度细分的小群，并列出每群细胞数。特别小的细胞群可能导致估计不稳定；是否合并标签应由研究问题决定，不能只为减少运算时间随意合并。

CellChat官方流程先设置数据库，再执行subsetData、过表达基因/相互作用识别、通讯概率计算和网络汇总。记录每步开始结束时间、进程峰值内存、是否报错和关键对象大小。不要把网络图绘制、通路分析与概率计算混成一个计时区间，否则很难定位瓶颈。

如何做一次可解释的试跑

先固定软件版本、数据库版本、细胞筛选规则和随机设置；从每个主要细胞群抽取有代表性的细胞运行一遍，确认输入检查通过且各阶段能完成。随后使用完整的预定细胞集，暂时采用顺序运行并测量峰值。只有当基线稳定、资源确实成为限制时，再小幅增加并行数，并同时观察总内存和耗时。多进程可能复制对象或增加并发内存，worker数量增加不保证运行更快。

最后保存输入细胞清单、分组表、数据库和参数、R与CellChat版本、日志以及结果对象。这样失败后可以从明确阶段重跑，也方便解释不同版本或设置导致的差异。本文代码是输入一致性检查，不代表已经在你的数据上完成通讯推断；资源判断应以实际代表性任务的测量为准。