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
杰尼龟完成签到,获得积分10
1秒前
yqf完成签到,获得积分10
1秒前
1秒前
ice完成签到 ,获得积分10
1秒前
5515完成签到,获得积分20
2秒前
HEIKU应助富贵儿采纳,获得10
2秒前
陈无敌完成签到 ,获得积分10
3秒前
hwezhu发布了新的文献求助10
4秒前
5秒前
6秒前
Hirvi完成签到,获得积分10
6秒前
拉布拉卡完成签到,获得积分20
6秒前
7秒前
何111完成签到,获得积分10
7秒前
生米A吴关注了科研通微信公众号
7秒前
鱼儿会飞发布了新的文献求助10
7秒前
Ll完成签到 ,获得积分10
8秒前
margine完成签到,获得积分10
8秒前
顾矜应助XIXIHH采纳,获得10
9秒前
9秒前
宁宁完成签到 ,获得积分10
9秒前
嗯哼应助tss采纳,获得20
9秒前
巴拉巴拉完成签到,获得积分10
9秒前
liu完成签到,获得积分10
10秒前
小西米发布了新的文献求助10
10秒前
斯文败类应助不呐呐采纳,获得10
10秒前
孤独碧空发布了新的文献求助10
10秒前
10秒前
高高的丹雪完成签到 ,获得积分10
11秒前
研友_VZG7GZ应助祎奇采纳,获得10
11秒前
Cecilia完成签到,获得积分10
11秒前
无花果应助秋以南采纳,获得10
12秒前
缥缈冷安完成签到,获得积分10
12秒前
12秒前
LL发布了新的文献求助10
13秒前
榴莲受众完成签到,获得积分20
14秒前
usrcu完成签到 ,获得积分10
14秒前
王wangWANG发布了新的文献求助10
15秒前
科研通AI2S应助廖天佑采纳,获得10
15秒前
16秒前
高分求助中
Write Like a Chemist: A Guide and Resource (第二版) 600
Mixed-anion Compounds 600
Language injustice and social equity in EMI policies in China 500
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 3201358
求助须知:如何正确求助?哪些是违规求助? 2850920
关于积分的说明 8075448
捐赠科研通 2514852
什么是DOI,文献DOI怎么找? 1347501
科研通“疑难数据库(出版商)”最低求助积分说明 640446
邀请新用户注册赠送积分活动 610650