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
渡劫完成签到,获得积分10
2秒前
wait完成签到 ,获得积分10
4秒前
枫枫829完成签到 ,获得积分10
5秒前
JUN完成签到,获得积分10
7秒前
氟兊锝钼完成签到 ,获得积分10
7秒前
随机子应助ny960采纳,获得10
8秒前
秋半梦发布了新的文献求助10
9秒前
研友_VZG7GZ应助kmyang采纳,获得10
10秒前
奶俊啵啵完成签到 ,获得积分10
11秒前
紫瓜完成签到,获得积分10
11秒前
魔幻千秋完成签到,获得积分0
13秒前
15秒前
学术完成签到 ,获得积分10
16秒前
科目三应助科研通管家采纳,获得10
16秒前
彭于晏应助科研通管家采纳,获得10
16秒前
郑郑郑幸运完成签到 ,获得积分10
17秒前
人文完成签到 ,获得积分10
19秒前
孙成成完成签到 ,获得积分10
20秒前
华仔应助Eva采纳,获得10
21秒前
彭于晏应助懵懂的梦秋采纳,获得10
21秒前
大地完成签到,获得积分10
22秒前
秋半梦发布了新的文献求助10
22秒前
Xxxxxxx完成签到 ,获得积分10
23秒前
永远爱刻晴完成签到 ,获得积分10
23秒前
smile发布了新的文献求助10
24秒前
无辜不言完成签到,获得积分10
24秒前
孙孙孙啊完成签到,获得积分10
24秒前
25秒前
29秒前
懵懂的梦秋完成签到,获得积分10
30秒前
30秒前
李金奥发布了新的文献求助10
32秒前
Eric完成签到 ,获得积分10
32秒前
33秒前
ssw完成签到,获得积分10
33秒前
long完成签到 ,获得积分10
34秒前
秋半梦发布了新的文献求助10
35秒前
ssw发布了新的文献求助10
37秒前
Ampace小老弟完成签到 ,获得积分10
37秒前
清脆的秋寒完成签到,获得积分10
38秒前
高分求助中
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
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 3183774
求助须知:如何正确求助?哪些是违规求助? 2833826
关于积分的说明 7995716
捐赠科研通 2496089
什么是DOI,文献DOI怎么找? 1331890
科研通“疑难数据库(出版商)”最低求助积分说明 636458
邀请新用户注册赠送积分活动 603625