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
小超哥爱学习完成签到 ,获得积分10
刚刚
刚刚
jagger发布了新的文献求助10
3秒前
寻道图强应助怦怦采纳,获得30
3秒前
鹏笑发布了新的文献求助10
5秒前
阳光的梨愁完成签到,获得积分10
5秒前
萤火发布了新的文献求助10
6秒前
6秒前
研友_VZG7GZ应助liyi采纳,获得10
6秒前
鳗鱼英豪完成签到,获得积分10
7秒前
123完成签到,获得积分10
7秒前
我是你爷爷完成签到,获得积分20
8秒前
科研通AI2S应助zhangsudi采纳,获得10
10秒前
11秒前
12秒前
13秒前
qmln4完成签到,获得积分20
14秒前
萤火完成签到,获得积分10
14秒前
我不是BOB完成签到,获得积分10
14秒前
16秒前
Dustin发布了新的文献求助10
16秒前
llf关闭了llf文献求助
16秒前
真实的千柳关注了科研通微信公众号
16秒前
终澈发布了新的文献求助10
16秒前
17秒前
wanci应助眼睛大的从雪采纳,获得10
17秒前
18秒前
酷酷半芹发布了新的文献求助10
18秒前
orixero应助时尚幻莲采纳,获得10
19秒前
CSQ发布了新的文献求助10
19秒前
古德方发布了新的文献求助10
19秒前
我是老大应助科研通管家采纳,获得10
19秒前
爆米花应助科研通管家采纳,获得10
20秒前
科研通AI2S应助科研通管家采纳,获得10
20秒前
嗯哼应助科研通管家采纳,获得10
20秒前
赘婿应助科研通管家采纳,获得50
20秒前
不配.应助科研通管家采纳,获得20
20秒前
20秒前
乐乐应助科研通管家采纳,获得10
20秒前
欢喜的荔枝完成签到,获得积分20
20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 3199603
求助须知:如何正确求助?哪些是违规求助? 2848386
关于积分的说明 8067867
捐赠科研通 2513108
什么是DOI,文献DOI怎么找? 1345616
科研通“疑难数据库(出版商)”最低求助积分说明 640058
邀请新用户注册赠送积分活动 609771