|
- 如何解析 umap 聚类图？ - 知乎
UMAP（Uniform Manifold Approximation and Projection）和t-SNE（t-Distributed Stochastic Neighbor Embedding）都是流行的非线性降维方法，用于高维数据的可视化。以下是它们的对比及UMAP图的解读方法： 如何看UMAP图？ 聚类结构： 点之间的距离反映相似性，靠近的点在高维空间中相似。 形成的“簇”通常对应数据中的
- UMAP图的横纵坐标分别代表什么啊? - 知乎
很显然，Dimplot是实现不了的。 UMAP降维图本质也是散点图，只需要将作图数据导出，ggplot2就可以实现任何你想要的修饰了。 首先我们设置下颜色，并将作图的数据导出，导出的数据包含UMAP两个坐标的数据。
- 【单细胞测序】如何用marker基因降维图做细胞类型鉴定？ - 知乎
可以按这几步来： 先理清楚基本逻辑 降维图（比如UMAP）的作用是把复杂的单细胞数据“压缩”成二维图，表达模式像的细胞会凑在一起形成一个个“细胞簇”。 而marker基因就是细胞的“身份证”——比如T细胞通常高表达CD3，神经细胞可能带NeuN这个标记。
- UMAP图的横纵坐标分别代表什么啊? - 知乎
其实UMAP的坐标值代表什么，与PCA的坐标值代表什么是类似的问题，而PCA相对简单。 PCA分析将原数据拆解为载荷loading和嵌入embedding两个矩阵。 我们知道PCA后维度数从本来的上万下降到10-30之间，而本来的维度都是具体的基因。 所以不得不追问新产生的维度是什么？
- 生信分析 降维分析的意义是什么？ - 知乎
基本概念 基本概念：PCA： 即主成分分析，是数据降维的方法。从高纬数据中提取数据的特征向量（成分），转换为低维数据并且用二维或者三维的图来展示这些特征。从特征向量中提取最能体现数据特征（差异）的 2 个特征向量（成分）用于可视化，这就是 PCA 图。 UMAP ： 也是数据降维的一种方法
- 如何确定单细胞的分群是合适的? - 知乎
7 UMAP TSNE可视化：通过不同分辨率下的UMAP或TSNE图来观察细胞群的分布，如果随着分辨率的增加，细胞群的分离度没有明显变化，那么可以选择一个较低的分辨率作为合适的分群数量。
- 【单细胞测序】如何看单细胞文献的轨迹分析（Monocle3）？ - 知乎
轨迹分析（也叫Pseudotime Analysis）的核心，简单说就是给静态的单细胞测序数据“加个时间轴”： 它靠算法（比如Monocle3先用UMAP或PCA降维，再建个最小生成树）推断细胞在“伪时间（Pseudotime）”轴上的分化路径，就像模拟细胞从起始状态一步步变成终末状态的
- UMAP和T-SNE能否进行逆变换？ - 知乎
UMAP在低维空间中表示高维数据，同时保留局部和全局结构。 然而，UMAP使用不同于t-SNE的数学方法，这可能导致不同的权衡和结果。
|
|
|