Искусство применения t-SNE для транскриптомики отдельных клеток
The art of using t-SNE for single-cell transcriptomics
2019-11-28
SCID: 54.1/2a62dwnn
Discuss with AI
инициализация PCAснижение размерностимногошкальные ядра сходстваодноклеточная транскриптомикаt-SNE
Figures from the paper
Abstract (AI)
Транскриптомика отдельных клеток генерирует постоянно растущие наборы данных, содержащие уровни экспрессии РНК для тысяч генов в объёме до миллионов клеток. Обычные конвейеры анализа данных включают этап снижения размерности для визуализации данных в двух измерениях, чаще всего выполняемый с использованием стохастического вложения соседей с t-распределением (t-SNE). Этот метод превосходно выявляет локальную структуру многомерных данных, однако его наивное применение часто имеет серьёзные недостатки; например, глобальная структура данных представляется неточно. Здесь мы описываем способы избежать таких проблем и разрабатываем протокол создания более достоверных визуализаций t-SNE. Он включает инициализацию методом главных компонент (PCA), высокую скорость обучения и многошкальные ядра сходства; для очень больших наборов данных мы дополнительно используем преувеличение и инициализацию на основе прореживания. На опубликованных наборах данных одноклеточного RNA-seq мы демонстрируем, что этот протокол обеспечивает более высокое качество результатов по сравнению с наивным применением t-SNE.
Key Findings
1
Эксперименты на опубликованных наборах данных одноклеточного RNA-seq показывают, что протокол обеспечивает более качественную визуализацию по сравнению с наивным применением t-SNE.
2
Для очень больших наборов данных дополнительное применение преувеличения и инициализации на основе прореживания повышает достоверность представления t-SNE.
3
Наивное применение t-SNE в одноклеточной транскриптомике может существенно искажать глобальную структуру многомерных данных экспрессии.
4
Предложенный протокол улучшает визуализацию t-SNE за счёт инициализации методом PCA, высокой скорости обучения и многоштабных ядер сходства.
Research Object
Наборы данных одноклеточной транскриптомики, содержащие профили экспрессии генов отдельных клеток
Research Subject
Достоверность и представление локальной и глобальной структуры данных в визуализациях t-SNE, включая влияние выбора параметров протокола и типичных ошибок
Publication Details
Publication Date
2019-11-28
Journal
Publisher
ISSN
Cited by
1180
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью7
Интерпретируемое машинное обучение: основные принципы и 10 крупных задач2022
Понимание принципов работы методов снижения размерности: эмпирический подход к интерпретации t-SNE, UMAP, TriMAP и PaCMAP для визуализации данных2020
Теоретические основы t-SNE для визуализации кластеризованных данных высокой размерности2021
Эмпирическая оценка алгоритма t-SNE для визуализации данных в строительной инженерии2021
t-SNE на основе лапласиана со стягиванием кластеров для визуализации многомерных данных2023
Снижение размерности с помощью динамических систем: случай t-SNE2022
Обзор метода t-SNE2024