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
斯文败类应助小木头采纳,获得10
刚刚
xiaomai完成签到,获得积分10
刚刚
背后归尘完成签到,获得积分10
1秒前
xixi发布了新的文献求助10
1秒前
不配.应助xicifish采纳,获得10
2秒前
独木舟发布了新的文献求助10
2秒前
畅快白亦发布了新的文献求助30
5秒前
Hey完成签到 ,获得积分10
6秒前
6秒前
聪慧的乐驹完成签到,获得积分10
6秒前
12秒前
娇气的白卉完成签到,获得积分10
13秒前
面向杂志编论文应助宏hong采纳,获得10
13秒前
北川完成签到,获得积分10
13秒前
无限的可乐完成签到,获得积分10
17秒前
顾矜应助鳗鱼落雁采纳,获得10
17秒前
18秒前
霖昭发布了新的文献求助10
20秒前
24秒前
老迟到的念桃完成签到 ,获得积分10
24秒前
唐咩咩咩完成签到,获得积分10
24秒前
万能图书馆应助xixi采纳,获得50
24秒前
宏hong完成签到,获得积分10
25秒前
孤独尔白完成签到,获得积分10
25秒前
HBUT_DT完成签到,获得积分10
25秒前
所所应助princesun083采纳,获得10
26秒前
Monn发布了新的文献求助10
28秒前
石龙子完成签到,获得积分10
28秒前
28秒前
搜集达人应助cis2014采纳,获得10
28秒前
霖昭完成签到,获得积分20
28秒前
开心的眼睛完成签到,获得积分10
30秒前
31秒前
32秒前
鳗鱼落雁发布了新的文献求助10
34秒前
34秒前
36秒前
xu发布了新的文献求助10
36秒前
SciGPT应助时尚的青筠采纳,获得10
38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
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
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 3197862
求助须知:如何正确求助?哪些是违规求助? 2846631
关于积分的说明 8060019
捐赠科研通 2511518
什么是DOI,文献DOI怎么找? 1343436
科研通“疑难数据库(出版商)”最低求助积分说明 639537
邀请新用户注册赠送积分活动 609146