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
简单的元珊完成签到,获得积分10
3秒前
谢显龙完成签到,获得积分10
4秒前
lyw完成签到,获得积分10
5秒前
伴奏小胖发布了新的文献求助10
8秒前
大大小完成签到,获得积分10
10秒前
11秒前
清脆大树完成签到,获得积分10
12秒前
14秒前
MAKEYF完成签到 ,获得积分10
14秒前
田国兵发布了新的文献求助10
15秒前
脑洞疼应助Aggie采纳,获得10
15秒前
小董顺利毕业完成签到,获得积分10
17秒前
18秒前
zc北发布了新的文献求助10
18秒前
秀丽的听白完成签到,获得积分10
19秒前
呵呵喊我完成签到,获得积分10
19秒前
金刚经应助炙心采纳,获得10
20秒前
小佳完成签到,获得积分10
21秒前
菜头完成签到,获得积分10
21秒前
21秒前
21秒前
万能图书馆应助yyy采纳,获得10
22秒前
可爱灵安发布了新的文献求助10
25秒前
tangxin发布了新的文献求助10
26秒前
隐形曼青应助ABS采纳,获得10
26秒前
26秒前
26秒前
伴奏小胖完成签到,获得积分10
27秒前
Lucas应助坚强难摧采纳,获得10
28秒前
赘婿应助帅气的藏鸟采纳,获得10
29秒前
29秒前
asd完成签到,获得积分10
29秒前
科研通AI2S应助whuhustwit采纳,获得10
30秒前
梁33完成签到,获得积分10
31秒前
小二郎应助chao采纳,获得10
33秒前
34秒前
悠悠发布了新的文献求助10
40秒前
hello完成签到,获得积分10
40秒前
tangxin完成签到,获得积分20
40秒前
41秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
ALA生合成不全マウスでの糖代謝異常の分子機構解析 520
安全防范技术与工程 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A real-time energy management strategy based on fuzzy control and ECMS for PHEVs 400
2024 Medicinal Chemistry Reviews 400
Why I Chose China [by Morris R. Wills] in "Look", February 8 and 22, 1966; 400
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 3191440
求助须知:如何正确求助?哪些是违规求助? 2840782
关于积分的说明 8029981
捐赠科研通 2504130
什么是DOI,文献DOI怎么找? 1337447
科研通“疑难数据库(出版商)”最低求助积分说明 638080
邀请新用户注册赠送积分活动 606605