RunTSNE二维及三维结果可视化

前情提要

在单细胞PCA降维结果理解以及细胞聚类分群及其可视化中，除了有PCA以及聚类分群结果的可视化以外，都展示了一下UMAP图

UMAP图是运行完RunUMAP()的线性降维可视化结果，和RunUMAP()同样起非线性降维作用的还有RunTSNE()

在单细胞PCA降维结果理解中，我们运行完RunPCA之后，一共会保留下来50个维度，根据不同维度的相关性基因可以区分不同的细胞类群。但PCA通常只能显示数据的线性结构，不够直观。

可以使用t-分布邻域嵌入算法（t-SNE）或统一流形逼近与投影（UMAP）等非线性降维方法，在二维或三维图中为每个数据点提供一个位置，对高维数据进行可视化

RunTSNE()及其参数

常用的几个参数有：

• object：对应的seurat对象，这里用的是pbmc示例数据
• reduction：对tSNE使用哪种降维方法，一般默认是pca
• dims：对应的PCA维度
• dim.embed：生成的tSNE嵌入的维度空间(默认为2)，也可以根据我们的需要设置对应的维度空间

降维结果也是存放在reductions里面

和PCA结果不同的是，TSNE降维的结果只有cell.embeddings里面是有数值的，储存着细胞的坐标信息，基于坐标信息可以进行可视化

二维可视化及美化

可以使用Dimplot简单可视化tsne的二维结果图

在生信菜鸟团的#单细胞周更中，有一期就是对TSNE和UMAP图进行美化——tsne及umap图美化

使用ggplot2美化：

• 提取tSNE二维坐标数据，以及细胞分群情况celltype
• 计算二维坐标的中位数，作为细胞分群情况的标签坐标
• 使用ggplot2绘制散点图
• 使用stat_ellipse加置信区间
• 使用geom_text加上标签信息

对比Dimplot直接绘图和使用ggplot简单调整之后的图：

当然还有更多的细节可以调整，Dimplot函数也有很多参数可以选择，后面我们再来探讨！

三维可视化

dim.embed参数可以调整TSNE的维度，所以我们可以保留三个维度来进行可视化

三维立体图可视化就可以用到scatterplot3d——Plots a three dimensional (3D) point cloud这个包

tSNE三维可视化步骤：

• 提取tSNE三维坐标数据，以及细胞分群情况celltype
• 选择合适的配图颜色
• 使用scatterplot3d绘制三维图
• 使用legend加上标签信息

TSNE对比PCA

从二维看起来，tsne和PCA的结果差异不算很大，但PCA结果中因为有feature.loding的基因信息，所以不同维度根据其相关性基因可以对细胞亚群进行区分

从三维立体图看来，TSNE的降维后可视化的结果会更直观一些，相似的标签被聚类在一起

PCA

TSNE