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
111发布了新的文献求助10
1秒前
机灵鸡完成签到,获得积分10
1秒前
爆米花应助yangyangyang采纳,获得30
2秒前
三重积分咖啡完成签到 ,获得积分10
2秒前
赘婿应助饭团0814采纳,获得10
7秒前
Nature完成签到,获得积分10
7秒前
7秒前
MISA完成签到 ,获得积分10
9秒前
知性的真发布了新的文献求助10
10秒前
lf发布了新的文献求助30
10秒前
11秒前
ppppppp_76发布了新的文献求助10
12秒前
13秒前
13秒前
科目三应助zz采纳,获得10
13秒前
曾经的慕灵完成签到,获得积分10
15秒前
魔幻的焱完成签到,获得积分20
15秒前
知性的真完成签到,获得积分10
16秒前
1548081774完成签到,获得积分10
17秒前
tianguoheng发布了新的文献求助10
20秒前
23秒前
23秒前
xixi发布了新的文献求助30
26秒前
Cuiyl发布了新的文献求助10
28秒前
鱼鱼鱼完成签到,获得积分10
29秒前
慢慢发布了新的文献求助10
30秒前
31秒前
lao333完成签到,获得积分10
32秒前
忽忽完成签到,获得积分10
33秒前
Cruella完成签到 ,获得积分10
35秒前
36秒前
桐桐应助Cuiyl采纳,获得10
37秒前
星辰大海应助未名水采纳,获得10
37秒前
39秒前
xixi完成签到,获得积分10
41秒前
努力完成签到,获得积分10
41秒前
41秒前
哈鲁完成签到,获得积分10
41秒前
42秒前
娴娴超爱笑完成签到,获得积分10
43秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
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 3185575
求助须知:如何正确求助?哪些是违规求助? 2835856
关于积分的说明 8006937
捐赠科研通 2498451
什么是DOI,文献DOI怎么找? 1333469
科研通“疑难数据库(出版商)”最低求助积分说明 636865
邀请新用户注册赠送积分活动 604590