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
喜悦依白发布了新的文献求助10
1秒前
友好的难敌完成签到,获得积分10
1秒前
Owen应助默默小鸽子采纳,获得10
1秒前
3秒前
Akim应助happy8le采纳,获得10
4秒前
英姑应助一一采纳,获得10
4秒前
4秒前
暗夜轰炸机完成签到,获得积分10
5秒前
xiaofenzi发布了新的文献求助10
6秒前
坦率尔琴完成签到,获得积分10
7秒前
在水一方应助张泽奇采纳,获得10
9秒前
jie发布了新的文献求助10
9秒前
斯文败类应助卓涛采纳,获得10
9秒前
大魔王发布了新的文献求助10
9秒前
10秒前
zqw完成签到,获得积分10
10秒前
xj完成签到,获得积分10
10秒前
共享精神应助科研通管家采纳,获得10
10秒前
不配.应助科研通管家采纳,获得20
10秒前
科研通AI2S应助科研通管家采纳,获得10
10秒前
情怀应助科研通管家采纳,获得10
10秒前
CodeCraft应助科研通管家采纳,获得10
11秒前
完美世界应助科研通管家采纳,获得10
11秒前
11秒前
qin希望应助永不言弃采纳,获得10
11秒前
打打应助科研通管家采纳,获得10
11秒前
11秒前
11秒前
NolloN完成签到,获得积分10
13秒前
14秒前
14秒前
14秒前
寻道图强应助xj采纳,获得30
15秒前
happy8le发布了新的文献求助10
15秒前
自由月亮完成签到 ,获得积分10
16秒前
隐形曼青应助NolloN采纳,获得10
17秒前
18秒前
sxjkzzy完成签到,获得积分10
19秒前
yiwangwuqian发布了新的文献求助10
19秒前
yang完成签到,获得积分10
19秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
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
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 3184620
求助须知:如何正确求助?哪些是违规求助? 2834922
关于积分的说明 8002218
捐赠科研通 2497295
什么是DOI,文献DOI怎么找? 1332783
科研通“疑难数据库(出版商)”最低求助积分说明 636685
邀请新用户注册赠送积分活动 604062