背景：常规单细胞转录组分析的三种降维方式：（1）PCA（2）umap（3）tsne
- 降维和聚类
降维和聚类通常是一起的。 - 线性降维-PCA
library(Seurat)
sc<-readRDS("./sc_log.rds") #'读取log标准化后的矩阵
sc<-RunPCA(sc)
sc.pca <- Embeddings(sc, reduction = "pca")
head(sc.pca)
可以看到默认降维了50个pc，原始的基因表达矩阵中的基因变成了pc_1、pc_2.....:
sc_pca.png
查看基因信息，可以看到PCA用的基因默认是2000个高变基因：
str(Loadings(object = sc[["pca"]]))
pca_features.png
可视化pca：
pca_pp <- DimPlot(sc, reduction = "pca")
ggsave(pca_pp, file="pca.png", width=12, height=6)
pca.png
- 非线性降维-umap
sc_1<-FindNeighbors(sc,dims = 1:30)
sc_1<-RunUMAP(sc_1,dims = 1:30)
sc.umap <- Embeddings(sc_1, reduction = "umap")
head(sc.umap)
可以看到降维了2个umap,原始的基因表达矩阵变成了umap_1、umap_2
sc_umap.png
这里的
FindNeighbors()中的dims是如何确定的呢？其实是要看上一步pca聚类的拐点：
my.plot <- ElbowPlot(sc, ndims=30, reduction="pca")
ggsave(my.plot, file="elbowplot.png", width=12, height=6)
elbowplot.png
这里的拐点不是很明显，因此我选择1:30。
可视化umap:
umap_pp <- DimPlot(sc_1, reduction = "umap")
ggsave(umap_pp, file="umap_1.png", width=12, height=6)
umap_1.png
此时并没有seurat_clusters，需要聚类：
sc_1<-FindClusters(resolution=0.05)
umap_pp <- DimPlot(sc_1, reduction = "umap")
ggsave(umap_pp, file="umap_2.png", width=12, height=6)
umap_2.png
- 非线性降维-tsne
tsne需要先聚类再可视化:
sc_2<-sc
sc_2 <- FindNeighbors(sc_2, dims = 1:30)
sc_2 <- FindClusters(sc_2, resolution = 0.05)
sc_2<-RunTSNE(sc_2,dim.use=1:30)
sc.tsne <- Embeddings(sc_2, reduction = "tsne")
head(sc.tsne)
sc_tsne.png
可视化tsne：
tsne_pp<-DimPlot(sc_2, reduction = "tsne")
ggsave(tsne_pp, file="tsne_1.png", width=12, height=6)
tsne_1.png
这里tsne降维后看起来类更分散，那么如何让它紧凑一些呢？可以调节
RunTSNE()的参数perplexity，这个参数越大，同一个类的点就会聚合地越紧凑：
sc_2<-RunTSNE(sc_2,dim.use=1:30,perplexity=80)
tsne_pp<-DimPlot(sc_2, reduction = "tsne")
ggsave(tsne_pp, file="tsne_2.png", width=12, height=6)
tsne_2.png
还有一个神奇的参数
exaggeration，这个值越小，全局看起来越分散：
sc_2<-RunTSNE(sc_2,dim.use=1:30,perplexity=80,exaggeration=0.01)
tsne_pp<-DimPlot(sc_2, reduction = "tsne")
ggsave(tsne_pp, file="tsne_3.png", width=12, height=6)
tsne_3.png
不好意思，分散过头了。
总结：一般来说，降维的过程是先线性PCA降维再非线性UMAP或者TSNE降维，因为线性降维运行速度快，但不够准确，而UMAP和TSNE准确度高但运行速度慢，所以它们需要在线性降维的基础上进一步非线性降维。
网友评论