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
牧绯完成签到,获得积分10
1秒前
单薄的南蕾完成签到 ,获得积分10
3秒前
平淡的寄风完成签到,获得积分10
3秒前
少夫人发布了新的文献求助20
4秒前
6秒前
笨笨千亦完成签到 ,获得积分10
8秒前
八二力完成签到 ,获得积分10
9秒前
乐天完成签到,获得积分10
10秒前
今天也要好好学习完成签到,获得积分10
11秒前
RPG发布了新的文献求助10
12秒前
Xunr完成签到 ,获得积分10
13秒前
14秒前
dong完成签到 ,获得积分10
15秒前
15秒前
HY兑完成签到,获得积分10
16秒前
苦哈哈完成签到,获得积分10
16秒前
甜瓜不熟完成签到,获得积分10
16秒前
少夫人完成签到,获得积分10
18秒前
科研大圣完成签到,获得积分10
18秒前
甜瓜不熟发布了新的文献求助10
19秒前
21秒前
大气傲易完成签到 ,获得积分10
21秒前
汉堡包应助Tonald Yang采纳,获得10
22秒前
赵田完成签到 ,获得积分10
22秒前
科研小笨猪完成签到,获得积分10
23秒前
嫁个养熊猫的完成签到 ,获得积分10
23秒前
Alone离殇完成签到 ,获得积分10
25秒前
方块发布了新的文献求助10
25秒前
研友_GZ3zRn完成签到 ,获得积分0
25秒前
Salamenda完成签到,获得积分10
26秒前
复杂觅海完成签到 ,获得积分10
26秒前
南国完成签到,获得积分10
26秒前
huaxuchina完成签到,获得积分10
27秒前
PSCs完成签到,获得积分10
28秒前
橄榄囚徒完成签到 ,获得积分10
30秒前
一个美女完成签到,获得积分10
30秒前
tuanheqi应助鳗鱼凡波采纳,获得50
30秒前
轩辕剑身完成签到,获得积分10
31秒前
三磷酸腺苷完成签到 ,获得积分10
32秒前
pp1230完成签到,获得积分10
33秒前
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 3200827
求助须知:如何正确求助?哪些是违规求助? 2850571
关于积分的说明 8072556
捐赠科研通 2514335
什么是DOI,文献DOI怎么找? 1347061
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