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
Syx_rcees完成签到,获得积分10
6秒前
今后应助LiAlan采纳,获得10
6秒前
7秒前
8秒前
笨笨芒果完成签到,获得积分10
10秒前
11秒前
079发布了新的文献求助10
13秒前
庄大金发布了新的文献求助10
13秒前
明理如凡完成签到 ,获得积分10
14秒前
YH完成签到,获得积分10
14秒前
时尚的莛发布了新的文献求助10
16秒前
归诚发布了新的文献求助10
16秒前
木偶橘发布了新的文献求助10
18秒前
18秒前
OIC完成签到,获得积分10
19秒前
HJBF666完成签到 ,获得积分10
20秒前
wwhhyy完成签到,获得积分10
21秒前
23秒前
一只特立独行的朱完成签到,获得积分10
24秒前
时尚的莛完成签到,获得积分10
24秒前
wangledian发布了新的文献求助10
26秒前
26秒前
李爱国应助真实的怜容采纳,获得10
27秒前
28秒前
HEHE完成签到,获得积分10
29秒前
快乐小熊猫完成签到,获得积分10
29秒前
samuel完成签到,获得积分10
30秒前
30秒前
abao完成签到 ,获得积分10
32秒前
liujie01发布了新的文献求助10
33秒前
我不爱池鱼应助liu103154采纳,获得10
34秒前
SunDeer完成签到 ,获得积分10
35秒前
周晴完成签到 ,获得积分10
36秒前
英姑应助yiyue采纳,获得10
36秒前
HEHE发布了新的文献求助10
42秒前
马小懂完成签到,获得积分10
42秒前
小黑板完成签到,获得积分10
44秒前
gloval完成签到,获得积分10
45秒前
星星完成签到,获得积分10
46秒前
CipherSage应助明理如凡采纳,获得10
46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 3184566
求助须知:如何正确求助?哪些是违规求助? 2834896
关于积分的说明 8002060
捐赠科研通 2497295
什么是DOI,文献DOI怎么找? 1332766
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