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
奋斗的妙海完成签到 ,获得积分0
4秒前
6秒前
友好的牛排完成签到,获得积分10
19秒前
flj7038完成签到,获得积分0
20秒前
璐璐完成签到 ,获得积分10
20秒前
陈秋发布了新的文献求助10
21秒前
RLF完成签到,获得积分20
28秒前
chenying完成签到 ,获得积分0
29秒前
kk完成签到 ,获得积分10
35秒前
活泼的寒安完成签到 ,获得积分10
35秒前
LL完成签到,获得积分10
35秒前
DddZS完成签到 ,获得积分10
37秒前
Gang完成签到,获得积分10
38秒前
璇璇完成签到 ,获得积分10
40秒前
唯有一个心完成签到 ,获得积分10
40秒前
学术完成签到 ,获得积分10
47秒前
初次完成签到 ,获得积分10
47秒前
liangguangyuan完成签到 ,获得积分10
49秒前
51秒前
xiahongmei完成签到 ,获得积分10
57秒前
连难胜完成签到 ,获得积分10
1分钟前
onevip完成签到,获得积分10
1分钟前
陈秋完成签到,获得积分10
1分钟前
1分钟前
WWW发布了新的文献求助10
1分钟前
1分钟前
乐观的小松鼠完成签到,获得积分10
1分钟前
婉莹完成签到 ,获得积分0
1分钟前
yangmoo发布了新的文献求助10
1分钟前
gaoxiaogao完成签到 ,获得积分10
1分钟前
齐齐完成签到,获得积分10
1分钟前
1分钟前
悠明夜月完成签到 ,获得积分10
1分钟前
香蕉不言发布了新的文献求助10
1分钟前
tesla完成签到 ,获得积分10
1分钟前
求知的周完成签到,获得积分10
1分钟前
北国雪未消完成签到 ,获得积分10
1分钟前
自有龙骧完成签到 ,获得积分10
1分钟前
HXL完成签到 ,获得积分10
1分钟前
无一完成签到 ,获得积分10
2分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
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
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 3200807
求助须知:如何正确求助?哪些是违规求助? 2850569
关于积分的说明 8072408
捐赠科研通 2514308
什么是DOI,文献DOI怎么找? 1347050
科研通“疑难数据库(出版商)”最低求助积分说明 640332
邀请新用户注册赠送积分活动 610520