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
深海渔发布了新的文献求助50
1秒前
crowd_lpy完成签到,获得积分10
2秒前
852应助76542cu采纳,获得10
2秒前
赘婿应助dyfsj采纳,获得10
2秒前
csuxxm完成签到,获得积分10
2秒前
贪玩的吐司完成签到,获得积分10
3秒前
Lucas应助刘佳佳采纳,获得10
3秒前
科研通AI2S应助Dprisk采纳,获得10
3秒前
羊羊发布了新的文献求助10
4秒前
4秒前
4秒前
SciGPT应助微垣采纳,获得10
5秒前
完美世界应助尊敬又晴采纳,获得10
5秒前
小二郎应助迷路的台灯采纳,获得10
5秒前
6秒前
6秒前
Orange应助我的miemie采纳,获得10
6秒前
Smoiy完成签到 ,获得积分10
7秒前
围着那只小兔转完成签到 ,获得积分10
7秒前
郝富完成签到,获得积分10
7秒前
www完成签到,获得积分20
7秒前
vvSirius完成签到,获得积分10
7秒前
7秒前
8秒前
9秒前
Likz完成签到,获得积分10
9秒前
生活的狗发布了新的文献求助10
10秒前
11秒前
所所应助yeeee采纳,获得10
12秒前
qiu完成签到,获得积分20
12秒前
YU DIAN发布了新的文献求助10
12秒前
12秒前
csj发布了新的文献求助10
13秒前
元谷雪发布了新的文献求助10
13秒前
米米米完成签到,获得积分20
13秒前
豇豆完成签到,获得积分10
13秒前
香蕉觅云应助yy7ZZ采纳,获得10
13秒前
skskysky完成签到,获得积分10
13秒前
IBMffff发布了新的文献求助10
13秒前
76542cu发布了新的文献求助10
13秒前
高分求助中
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
2024 Medicinal Chemistry Reviews 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 3201273
求助须知:如何正确求助?哪些是违规求助? 2850854
关于积分的说明 8074942
捐赠科研通 2514733
什么是DOI,文献DOI怎么找? 1347411
科研通“疑难数据库(出版商)”最低求助积分说明 640427
邀请新用户注册赠送积分活动 610621