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
纪南风完成签到,获得积分10
刚刚
张鑫关注了科研通微信公众号
1秒前
1秒前
杨石石石发布了新的文献求助10
1秒前
ZUOSG完成签到,获得积分10
1秒前
QIN123456发布了新的文献求助10
2秒前
3秒前
ttt发布了新的文献求助10
3秒前
搜集达人应助lylyzhl采纳,获得10
4秒前
4秒前
daxiooo11发布了新的文献求助200
5秒前
劲秉应助suna采纳,获得10
6秒前
菠萝吹雪完成签到,获得积分10
6秒前
赘婿应助刘刘采纳,获得10
6秒前
张茜完成签到,获得积分10
6秒前
熊熊完成签到 ,获得积分10
7秒前
7秒前
李健的小迷弟应助lyne采纳,获得30
7秒前
卡拉关注了科研通微信公众号
8秒前
8秒前
洛苏发布了新的文献求助30
8秒前
小蘑菇应助小夏采纳,获得10
8秒前
CipherSage应助Drwenlu采纳,获得10
10秒前
情怀应助Drwenlu采纳,获得10
10秒前
大个应助Drwenlu采纳,获得30
10秒前
科研通AI2S应助真实的小伙采纳,获得10
10秒前
lkc发布了新的文献求助20
10秒前
浅沫发布了新的文献求助30
11秒前
枯木逢春发布了新的文献求助10
11秒前
丘比特应助研友_LBorkn采纳,获得10
11秒前
小白杨关注了科研通微信公众号
12秒前
misong完成签到,获得积分10
13秒前
bkagyin应助学习学习学习采纳,获得10
13秒前
14秒前
14秒前
15秒前
科研通AI2S应助zmq采纳,获得10
16秒前
英姑应助ttt采纳,获得10
17秒前
JamesPei应助原野采纳,获得10
18秒前
18秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
ALA生合成不全マウスでの糖代謝異常の分子機構解析 520
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
2024 Medicinal Chemistry Reviews 400
Dictionary of socialism 350
Mixed-anion Compounds 300
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 3198170
求助须知:如何正确求助?哪些是违规求助? 2847101
关于积分的说明 8062182
捐赠科研通 2512034
什么是DOI,文献DOI怎么找? 1343836
科研通“疑难数据库(出版商)”最低求助积分说明 639640
邀请新用户注册赠送积分活动 609302