一种分析配体-受体相互作用介导的细胞通讯方法技术

本发明专利技术公开了一种分析配体

【技术实现步骤摘要】
一种分析配体
‑
受体相互作用介导的细胞通讯方法


[0001]本专利技术属于系统生物信息学领域，具体为一种分析配体
‑
受体相互作用介导的细胞通讯方法。

技术介绍

[0002]在多细胞生物中，细胞通讯诱导多个细胞相互协调，形成组织、器官和系统，并进一步实现各种生命活动。许多癌症在很大程度上依赖于癌细胞之间以及癌细胞与正常细胞之间的通讯。细胞通讯对理解肿瘤发生发展、肿瘤免疫和治疗抵抗至关重要，其预测有助于理解肿瘤进展和转移的分子机制，并进一步为抗癌药物设计和肿瘤靶向治疗提供指导。
[0003]尽管生物医学实验技术取得了很大进步，但对细胞通讯的理解仍存在很多不足。随着单细胞测序技术的不断成熟，识别细胞通讯逐渐成为研究热点。细胞通讯通常由配体
‑
受体相互作用(LRI)介导，其中配体要么以可溶性形式分泌并结合受体，要么以膜结合形式结合受体，且要求两种通讯细胞类型在物理上接近。当配体
‑
受体相互作用对患者预后的意义获得完全解析时，针对细胞信号通路的治疗将是临床实践中的一个有力策略。迄今为止，已经提出了几种计算方法来基于单细胞转录组数据和已知的配体
‑
受体相互作用来预测细胞通讯。
[0004]这些方法包括四大类：基于差异表达组合的方法、基于网络的方法、基于表达摄动的方法和基于张量的方法。然而，大多数基于差异表达组合的方法仅基于已知配体
‑
受体相互作用数据中配体和受体的表达强度和，或特异性预测细胞通讯，没有综合考虑所有细胞类型中的配体
‑
受体相互作用，基于网络的方法没有考虑基因调控机制。基于张量的方法难以从张量分解的角度解释细胞通讯强度。更重要的是，所有四种方法都需要解决假阳性和假阴性问题。
[0005]公开号为CN112466403B的专利公开了一种细胞通讯分析方法及系统，该方法包括细胞通讯预测和配体
‑
靶基因调控预测；细胞通讯预测包括配受体对表达丰度分析、配受体对数目分析、显著富集配受体对数目分析和细胞交互网络图构建；配体
‑
靶基因调控预测包括配体活性分析和配体
‑
靶基因调控潜力分析；该专利技术细胞通讯分析方法主要是描述细胞间的关联关系，利用CellphoneDB软件基于单细胞基因表达量矩阵进行细胞通讯网络构建，利用NicheNet软件基于配体
‑
靶基因表达关系，分析配体活力以及配体对靶基因的调控潜力，该专利需要解决假阳性和假阴性问题。

技术实现思路

[0006]本专利技术为解决以上
技术介绍
中提到的问题，提供一种分析配体
‑
受体相互作用介导的细胞通讯方法，以解决现有技术的问题。
[0007]本专利技术采用的技术方案是：
[0008]本专利技术提供一种分析配体
‑
受体相互作用介导的细胞通讯方法，包括以下步骤：
[0009]S1：配体
‑
受体相互作用数据排列，收集四个配体
‑
受体相互作用数据集；
[0010]S2：配体
‑
受体相互作用预测，通过一种结合了异构牛顿Boosting模型和深度神经网络的异构深度集成模型来筛选识别潜在的配体
‑
受体相互作用；
[0011]S3：配体
‑
受体相互作用过滤，结合单细胞转录组数据、已知的配体
‑
受体相互作用和识别的配体
‑
受体相互作用对配体
‑
受体相互作用进行过滤；
[0012]S4：细胞通讯预测；
[0013]S5：细胞通讯可视化。
[0014]进一步地，所述步骤S2中异构深度集成模型筛选识别潜在的配体
‑
受体相互作用，包括以下步骤：
[0015]S2.1：特征提取；
[0016]S2.2：降维；
[0017]S2.3：配体
‑
受体相互作用分类，假设D＝(X,Y)表示具有n个样本(配体
‑
受体对)的配体
‑
受体相互作用数据集，其中(X,Y)表示训练样本，x∈X是一个d维特征向量，y∈Y表示其标签。对于第i个(i＝1,2,
…
,n)样本x
i
，如果配体
‑
受体对相互作用，则y
i
＝1，否则y
i
＝0。
[0018]S2.3.1通过异构牛顿Boosting机来计算每个配体
‑
受体对的相互作用概率；
[0019]为了预测x
i
的标签，考虑由以下公式定义的目标函数：
[0020][0021]其中：y
i
和f(x
i
)分别表示x
i
的真标号和预测标号。损失函数l(y
i
,f(x
i
))是二次可微的，对应于f(x
i
)，l
′
(y
i
,f(x
i
))和l
″
(y
i
,f(x
i
))分别表示一阶和二阶导数。
[0022]假设每个升压迭代可以从K个不同子类中的一个获得，并且H
(k)
表示由下面公式定义的第K(K＝1,2,...,K)个子类：
[0023][0024]其中表示有限类函数b(x
i
):R
→
R满足
[0025][0026]对于上面公式定义的域，在每次boosting迭代中，随机选择一个子类以包含几个二叉决策树，其最大深度在D
min
和D
max
之间随机均匀设置。因此得到 K＝N
D
(N
D
＝D
max
‑
D
min
+1)子类的唯一选择。相应的概率质量函数Φ可由下面公式定义：
[0027][0028]设u
m
(u
m
＝1,2,...,K)为第m次boosting迭代时的采样子类索引，第m次 boosting迭代时插入的基本假设由下面公式确定：
[0029][0030]其中g
i
＝l
′
(y
i
,f
m
‑1(x
i
))，h
i
＝l
″
(y
i
,f
m
‑1(x
i
))
[0031]为了确保全局收敛，通过应用学习速率来更新模型∈>0:
[0032]f
m
(x
i
)＝f
m
‑1(x
i
)+∈b
m
(x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分析配体
‑
受体相互作用介导的细胞通讯方法，其特征在于，包括以下步骤：S1：配体
‑
受体相互作用数据整理，收集多个配体
‑
受体相互作用数据集；S2：配体
‑
受体相互作用预测，通过一种结合了异构牛顿Boosting模型和深度神经网络的异构深度集成模型来识别潜在的配体
‑
受体相互作用；S3：配体
‑
受体相互作用过滤，结合单细胞转录组数据、已知的配体
‑
受体相互作用和识别的配体
‑
受体相互作用对配体
‑
受体相互作用进行过滤；S4：细胞通讯预测，基于过滤后的配体
‑
受体相互作用和联合评分策略预测细胞通讯；S5：细胞通讯可视化。2.根据权利要求1所述的一种分析配体
‑
受体相互作用介导的细胞通讯方法，其特征在于，所述步骤S2中异构深度集成模型筛选识别潜在的配体
‑
受体相互作用，包括以下步骤：S2.1：特征提取；S2.2：降维；S2.3：配体
‑
受体相互作用分类，分别通过异构牛顿Boosting模型其中x
i
表示第i个样本，f
M
(x
i
)表示模型对x
i
计算的第M次分类概率，f
m
(x
i
)＝f
m
‑1(x
i
)+∈b
m
(x
i
)，∈>0和深度神经网络其中其中a为参数1，b表示d维特征向量，分别计算每个配体
‑
受体对的相互作用概率和S2.4：分类结果集成，融合异构牛顿Boosting模型和深度神经网络得到异构深度集成模型并计算出最终配体
‑
受体相互作用的概率以获得最终配体
‑
受体相互作用，其中：其中α表示异构牛顿Boosting模型和深度神经网络模型对配体
‑
受体相互作用分类性能的相对重要性，需要通过交叉验证进行学习。3.根据权利要求2所述的一种分析配体
‑
受体相互作用介导的细胞通讯方法，其特征在于，所述步骤S2.4中α设置在[0.5,0.8]范围内，优选0.6。4.根据权利要求2所述的一种分析配体
‑
受体相互作用介导的细胞通讯方法，其特征在于，所述步骤S2.1中特征提取包括以下步骤：S2.1.1：从UniProt数据库中获得配体和受体的序列信息；S2.1.2：使用kmer、自协方差和互协方差组合、基于距离的Top
‑
n图、基于距离对的伪氨基酸组成、并行相关伪氨基酸组成和串行相关伪氨基酸组成方法以提取蛋白质的生物学特征；S2.1.3：将这些特征进行融合以描述每一个配体或受体，从而一个配体
‑
受体对可以使用串联操作表示为一个4576维的向量。5.根据...

【专利技术属性】
技术研发人员：彭利红，阳龙，谭经纬，周立前，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：