聊一聊单细胞测序的PCA与TSNE降维

01

              PCA            

PCA 是最常用的降维方法，通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。

说到这里，大家可能还是对PCA的作用感到有一些模糊，那么大家可以这么想，你有一堆细胞，但是你需要将这些细胞进行分群，但是你又不知道这些细胞如果进行分群的话是按照什么依据进行分群，所以你就需要先使用PCA    降维找到细胞分群的主要特点这也就是我们常说的主成分分析

02

—

  TSNE

TSNE降维与PCA降维并不相同，TSNE降维主要是非线性降维，这样的降维的好处是：使得相似的对象有更高的概率被选择，而不相似的对象有较低的概率被选择。它将多维数据映射到适合于人类观察的两个或多个维度，广泛应用于图像处理。

这么说如果你还是很不理解的话,那么大家可以在大脑中构建一个坐标系，在这坐标系中，功能相似的细胞会相互靠拢，相互选择聚集在坐标系的一个位置，不关联的细胞无法被选择也就无法聚集在一起，最后得到的结果就是不同功能的细胞都进行原理，功能相近或者相同的细胞则相互靠近。

03

—

PCA与TSNE

一般情况下，在进行细胞分群的时候都是先进行PCA主成分分析，在进行TSNE降维分析进行细胞分群，这样的分群结果可靠度更高。