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
HEIKU应助固的曼采纳,获得10
刚刚
2秒前
从容道天发布了新的文献求助10
3秒前
茶色玻璃发布了新的文献求助10
3秒前
4秒前
小蘑菇应助george采纳,获得10
4秒前
胡轩轩完成签到,获得积分10
4秒前
6秒前
微笑白凡发布了新的文献求助30
8秒前
在水一方应助Dong采纳,获得10
10秒前
10秒前
10秒前
10秒前
Maqian发布了新的文献求助10
11秒前
theverve完成签到,获得积分10
12秒前
dandan完成签到,获得积分10
12秒前
自由半雪应助worker123采纳,获得10
14秒前
14秒前
panpan发布了新的文献求助10
15秒前
16秒前
velen完成签到,获得积分10
16秒前
GGGYYY发布了新的文献求助10
16秒前
17秒前
20秒前
固的曼完成签到,获得积分10
21秒前
成就的沛菡完成签到,获得积分10
21秒前
22秒前
reflux应助rFsu66Aiir采纳,获得20
23秒前
cwq完成签到 ,获得积分10
24秒前
C洛7完成签到,获得积分10
25秒前
26秒前
27秒前
28秒前
小猫爬楼梯完成签到,获得积分10
30秒前
传奇3应助reck采纳,获得10
30秒前
GGGYYY完成签到,获得积分10
31秒前
小熊发布了新的文献求助10
32秒前
33秒前
zmy发布了新的文献求助10
33秒前
专一的弱发布了新的文献求助30
34秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
2024 Medicinal Chemistry Reviews 400
Dictionary of socialism 350
Mixed-anion Compounds 300
Geochemistry, 2nd Edition 地球化学经典教科书第二版 300
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 3195190
求助须知:如何正确求助?哪些是违规求助? 2844060
关于积分的说明 8048102
捐赠科研通 2508511
什么是DOI,文献DOI怎么找? 1340862
科研通“疑难数据库(出版商)”最低求助积分说明 639041
邀请新用户注册赠送积分活动 608013