SEnSCA: Identifying possible ligand‐receptor interactions and its application in cell–cell communication inference

计算机科学 推论 卷积神经网络 聚类分析 人工智能 可视化 计算生物学 模式识别(心理学) 数据挖掘 机器学习 生物
作者
Liqian Zhou,Xiwen Wang,Lihong Peng,Min Chen,Hong Wen
出处
期刊:Journal of Cellular and Molecular Medicine [Wiley]
卷期号:28 (9) 被引量:2
标识
DOI:10.1111/jcmm.18372
摘要

Abstract Multicellular organisms have dense affinity with the coordination of cellular activities, which severely depend on communication across diverse cell types. Cell–cell communication (CCC) is often mediated via ligand‐receptor interactions (LRIs). Existing CCC inference methods are limited to known LRIs. To address this problem, we developed a comprehensive CCC analysis tool SEnSCA by integrating single cell RNA sequencing and proteome data. SEnSCA mainly contains potential LRI acquisition and CCC strength evaluation. For acquiring potential LRIs, it first extracts LRI features and reduces the feature dimension, subsequently constructs negative LRI samples through K‐means clustering, finally acquires potential LRIs based on Stacking ensemble comprising support vector machine, 1D‐convolutional neural networks and multi‐head attention mechanism. During CCC strength evaluation, SEnSCA conducts LRI filtering and then infers CCC by combining the three‐point estimation approach and single cell RNA sequencing data. SEnSCA computed better precision, recall, accuracy, F1 score, AUC and AUPR under most of conditions when predicting possible LRIs. To better illustrate the inferred CCC network, SEnSCA provided three visualization options: heatmap, bubble diagram and network diagram. Its application on human melanoma tissue demonstrated its reliability in CCC detection. In summary, SEnSCA offers a useful CCC inference tool and is freely available at https://github.com/plhhnu/SEnSCA .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
冷冷暴力完成签到,获得积分10
刚刚
糊涂的麦片完成签到,获得积分10
刚刚
1秒前
1秒前
所所应助清脆寻梅采纳,获得20
2秒前
2秒前
多克特里发布了新的文献求助10
2秒前
搜集达人应助刘才华采纳,获得10
2秒前
liujx发布了新的文献求助10
3秒前
bglaodage发布了新的文献求助10
4秒前
4秒前
panda发布了新的文献求助10
4秒前
情怀应助单薄的忆枫采纳,获得10
4秒前
5秒前
5秒前
加油加油发布了新的文献求助10
5秒前
HEHNJJ发布了新的文献求助10
6秒前
honeyzh完成签到,获得积分10
6秒前
2021发布了新的文献求助10
6秒前
asd应助slx0410采纳,获得50
7秒前
123发布了新的文献求助10
8秒前
8秒前
呐呐呐呐呐呐完成签到,获得积分10
9秒前
10秒前
小蘑菇应助bglaodage采纳,获得10
11秒前
田様应助阿楠采纳,获得10
11秒前
12秒前
海绵宝宝发布了新的文献求助10
13秒前
13秒前
14秒前
Lancer1034完成签到,获得积分10
14秒前
欢喜豆芽完成签到,获得积分10
14秒前
15秒前
16秒前
李虎完成签到 ,获得积分10
17秒前
kb发布了新的文献求助10
17秒前
18秒前
闲鱼翻身发布了新的文献求助10
18秒前
xiepeijuan应助齐亓邔采纳,获得20
19秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Write Like a Chemist: A Guide and Resource (第二版) 600
Mixed-anion Compounds 600
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Earth System Geophysics 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版 401
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3199914
求助须知:如何正确求助?哪些是违规求助? 2849731
关于积分的说明 8069555
捐赠科研通 2513525
什么是DOI,文献DOI怎么找? 1346310
科研通“疑难数据库(出版商)”最低求助积分说明 640213
邀请新用户注册赠送积分活动 610072