细胞间相互作用（CCIs）在细胞分化、组织稳态和免疫反应等许多生物过程中发挥着关键作用。随着scRNA-seq技术的快速发展，从不断增加的scRNA-seq数据中识别CCIs变得非常重要。然而，受算法限制，当前基于统计策略的计算方法忽略了高度稀疏性和异质性的scRNA-seq数据中包含的一些关键潜在信息。2023年9月，《Bioinformatics》发表了一个深度学习框架——DeepCCI，用于从scRNA-seq数据中识别有意义的CCIs。
DeepCCI是一种基于图卷积网络（GCN）的深度学习框架，用于从scRNA-seq数据中鉴定CCIs。为了从scRNA-seq数据中一站式探索细胞之间的相互作用，DeepCCI提供了两个深度学习模型：（i）用于细胞聚类的基于GCN的无监督模型，以及（ii）用于CCI识别的基于GCN的监督模型。DeepCCI通过利用scRNA-Seq数据中异质性细胞的潜在复杂基因表达模式，具有对细胞进行聚类和捕捉细胞聚类之间有生物学意义的相互作用的巨大潜力。
DeepCCI工作流程
DeepCCI首先学习一种嵌入函数，该函数使用Autoencoder (AE)和GCN将细胞联合投影到共享嵌入空间中。通过使用嵌入信息，DeepCCI将细胞聚类为几个组。然后，开发团队手动策划了一个名为LRIDB的综合信号分子相互作用数据库，用于与多亚基的L–R相互作用。根据LRIDB，DeepCCI预测给定scRNA-seq数据中任何一对簇之间的细胞间串扰。此外，DeepCCI提供了几个可视化输出，以显示每个细胞簇与其他细胞簇的交互强度或具体程度。
开发团队通过将DeepCCI应用于几个公开可用的scRNA-seq数据集来展示其整体能力。结果表明：DeepCCI在从scRNA-seq数据中捕捉细胞类型聚类和CCI预测方面具有极好的潜力。
对于12个scRNA-seq数据集，DeepCCI的聚类模型在所有数据集上都实现了最好的ARI；重复实验的结果证明了DeepCCI 在scRNA-seq数据细胞聚类中的稳定性；DeepCCI的聚类模型可以捕获细胞本质的隐藏信息，并充分利用细胞之间的拓扑关系来准确预测细胞簇。
为了直观地呈现重要的相互作用，DeepCCI提供了气泡图、和弦图、热图等可视化展示。DeepCCI 可以识别给定 scRNA-seq 数据集中CCIs的关键特征，并以易于解释的方式预测复杂的细胞间通讯。
开发团队将DeepCCI与七种最先进的方法（SingleCellSignalR、iTALK、CellPhoneDB、CellChat、CellCall、CytoTalk和NATMI）进行比较，DeepCCI 在从scRNA-seq数据中发现具有生物学意义的CCIs，在预测空间相邻细胞中具有生物学意义的相互作用等方面均表现良好。
未来，DeepCCI还将持续更新，以支持单细胞多组学测序 (scMulti-seq) 数据的整合，并纳入空间转录组学，使分析更易于解释。
DeepCCI的源代码可在线获取
👉 https://github.com/JiangBioLab/DeepCCI.
建议对技术细节感兴趣的小伙伴请参考文献原文~
对于文献整理过程中有翻译不当或错误也欢迎大家在评论区留言指出，互相交流学习！
多优质内容请点击下方名片，关注“国家基因库大数据平台”和“深圳国家基因库”公众号。
参考文献
Puccio, S., Grillo, G., Alvisi, G. et al. CRUSTY: a versatile web platform for the rapid analysis and visualization of high-dimensional flow cytometry data. Nat Commun 14, 5102 (2023). https://doi.org/10.1038/s41467-023-40790-0
