使用Rtsne包进行t-SNE降维分析

欢迎关注”生信修炼手册”!

t-SNE降维算法是由机器学习领域的大牛在2008年提出的一种高效的降维算法，属于非线性降维算法的一种，相比之前常用的PCA算法，该算法更加的先进，应用的领域也非常的多，在单细胞转录组的数据分析中，t-SNE应用的更为广泛。

在cell ranger等专门的分析单细胞数据的软件包中，都提供了t-SNE降维和可视化分析，但是由于不同软件对于数据数据格式的要求不同，某些情况下，无法直接使用现有的软件包，比如我们可能只有一个基因在所有细胞中的表达量数据，此时无法直接导入cell ranger或者Seurat。

由于软件接口设置的不同，为了更加灵活的进行数据分析，我们有必要掌握一些小而美的分析工具，单一的这些工具只能完成数据分析中的某一项内容，其功能的单一性，使得学习成本进一步降低，灵活性显著提升。

Rtsne就是一个专门进行t-SNE降维分析的R包，安装方式如下

install.packages("Rtsne")

只需要输入一个表达量的表格就可以了，每一行为一个细胞，每一列为一个基因，示意如下

基础的用法如下

tsne_out <- Rtsne(
  data,
  dims = 2,
  pca = FALSE,
  perplexity = 10,
  theta = 0.0,
  max_iter = 1000
)

dims参数设置降维之后的维度，默认值为2，perplexity参数的取值必须小于(nrow(data) - 1 )/ 3; theta参数取值越大，结果的准确度越低，默认值为0.5，max_iter参数设置最大迭代次数。

pca参数表示是否对输入的原始数据进行PCA分析，然后使用PCA得到的topN主成分进行后续分析，t-SNE算法的计算量是特别大的，对于维度较高的数据数据，先采用PCA降维可以有效提高运行的效率，默认采用top50的主成分进行后续分析，当然也可以通过initial_dims参数修改这个值。

运算完成之后，结果保存在tsne_out这个对象中

其中的Y就是降维之后的二维空间对应的数据点，可以根据这个值进行可视化，代码如下

plot(tsne_out$Y)

生成的图片如下

我们需要明白t-SNE只是一个降维算法，虽然它很先进，但是也只是能够将数据降低到二维或者三维空间，然后进行可视化的一个功能，对于细胞亚群的识别，本质是通过聚类分析来得到结果的，t-SNE只是能够更好的在低维空间展示聚类的结果而已，其他的降维算法也是同理。

·end·

—如果喜欢，快分享给你的朋友们吧—

扫描关注微信号，更多精彩内容等着你！