PCA、t-SNE与UMAP，三大降维可视化神器如何选择？

在生物信息学的世界里，数据常常是高维的，就像一个复杂的迷宫，有着无数的通道和分支。如何在这个迷宫中找到方向，看清数据的结构和模式呢？这就需要降维和可视化的方法来帮忙啦。今天，就让我们来聊聊三大降维可视化神器：PCA、t-SNE和UMAP。

图：PCA图

• 核心原理：主成分分析是一种经典的线性降维方法。其核心是通过正交变换，将原始可能相关的变量转换为一组线性不相关的变量，即主成分。这些主成分按照其所能解释的原始数据方差大小降序排列。第一主成分是方差最大的投影方向，第二主成分则是在与第一主成分正交的所有方向中方差最大的，以此类推。

• 算法特性：

• 典型应用：作为数据预处理的第一步，用于快速评估数据质量、检测批次效应、观察样本间最大的分离趋势，或作为其他非线性降维方法的输入前置步骤。

图：t-SNE

• 核心原理：t-SNE是一种非线性降维方法，专注于保留数据的局部结构。其核心是构建高维空间和低维空间中的概率分布。在高维空间，它计算点与点之间基于高斯分布的条件概率，以表示其相似性；在低维空间（通常是2D或3D），它使用t分布来度量点之间的相似性。随后，通过梯度下降算法最小化两个概率分布之间的KL散度，从而使在高维空间中邻近的点在低维嵌入中也彼此靠近。

• 算法特性：

• 典型应用：在单细胞测序等领域中，用于精细展示细胞亚群之间的局部关系与聚类结构，尤其适用于发现嵌在数据中的细微群体。

图：UMAP可视化

• 核心原理：UMAP建立在严格的拓扑数学框架之上。它假设数据均匀分布在某个高维流形上。算法首先构建一个高维加权图，其中图的连接代表数据点之间的局部邻域关系（基于最近邻）。然后，它在低维空间寻找一个具有最相似拓扑结构的图表示。其代价函数用于衡量高维图和低维图在拓扑结构上的差异，并通过梯度下降进行优化。

• 算法特性：

• 典型应用：已成为当前单细胞分析等领域的标准可视化工具，适用于需要同时观察数据宏观组织规律和微观集群细节的场景。

• 下表总结了三种方法的关键差异：

• 选择策略建议：

PCA、t-SNE和UMAP代表了降维技术从线性到非线性、从全局到局部再到整体统一的发展路径。理解其背后的数学模型和权衡关系，是正确解读可视化结果并做出合理生物学推断的前提。在实际分析流程中，将它们结合使用——例如，先使用PCA进行线性降维和去噪，再将其主成分作为t-SNE或UMAP的输入——往往能获得更高效、更稳健的分析结果。

项目咨询