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
1秒前
1秒前
B1n完成签到,获得积分10
1秒前
FashionBoy应助不安毛豆采纳,获得10
1秒前
大模型应助爱撒娇的盼山采纳,获得10
2秒前
satchzhao发布了新的文献求助10
2秒前
heshuyao完成签到,获得积分10
2秒前
西西瓜瓜完成签到,获得积分10
3秒前
5秒前
5秒前
winfree发布了新的文献求助10
6秒前
7秒前
上官若男应助Hancock采纳,获得10
8秒前
古古怪界丶黑大帅完成签到,获得积分10
8秒前
杨振家发布了新的文献求助10
9秒前
搜集达人应助Rui采纳,获得10
9秒前
9秒前
Epiphany发布了新的文献求助10
10秒前
听话的黑夜完成签到,获得积分20
10秒前
10秒前
丘比特应助ypeng采纳,获得10
10秒前
杨等等完成签到,获得积分10
11秒前
11秒前
斯文败类应助李绿真采纳,获得50
11秒前
11秒前
11秒前
12秒前
脑洞疼应助simon采纳,获得10
13秒前
Purple完成签到,获得积分20
13秒前
背后的皮带完成签到 ,获得积分10
13秒前
13秒前
梧桐发布了新的文献求助10
13秒前
DongWei95发布了新的文献求助10
15秒前
阿鹿462发布了新的文献求助10
16秒前
hi完成签到,获得积分20
16秒前
晶晶在努力完成签到 ,获得积分10
16秒前
打打应助小李呀采纳,获得10
16秒前
17秒前
17秒前
mayucong完成签到,获得积分10
17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 3185320
求助须知:如何正确求助?哪些是违规求助? 2835643
关于积分的说明 8005652
捐赠科研通 2498083
什么是DOI,文献DOI怎么找? 1333269
科研通“疑难数据库(出版商)”最低求助积分说明 636809
邀请新用户注册赠送积分活动 604437