降维方法：PCA、t-SNE 与 UMAP 实战拆解
RNA-seq 表达数据有个老毛病——维度远远多于样本。动不动两万多个基因，样本才几十个。你说这怎么玩？直接扔进模型里，不仅慢，还容易被噪声带偏。降维就成了绕不开的一步。
我个人做单细胞项目时踩过不少坑。说实话，选错降维方法，后续聚类画出来的图自己都不敢认。今天咱们就把三种最常用的方法——PCA、t-SNE、UMAP——挨个掰开揉碎，看看它们到底怎么用，又该避开哪些雷区。
为什么先降维？
表达矩阵本质上是个高维稀疏空间。两万个基因里，真正有差异表达的也许只有几百个。直接做聚类或可视化，计算量大不说，还特别容易受到“维数灾难”影响——距离度量失效，样本在空间中越来越“远”。
降维的核心目标有两个：
- 去除冗余噪声：把那些表达量稳定、不提供区分信息的基因过滤掉
- 提取有效特征：在低维空间里保留数据的主要结构，便于后续建模或可视化
PCA —— 最老牌，也最稳
主成分分析（PCA）估计大家都认识。它的数学原理其实很直白：找一组正交方向，让投影后的数据方差最大化。
你想想看，第一个主成分就是数据变化最剧烈的方向，第二个与第一个正交，再找剩下方差最大的方向……以此类推。最后只用前几个主成分就能解释大部分方差。
PCA 在表达数据上的应用
- 样本聚类：PC1 vs PC2 散点图一看，不同处理组基本能分开
- 批次效应检测：如果不同批次样本在 PC 图上各自抱团，说明有批次效应
- 去噪：去掉尾部低方差主成分，保留前 10–50 个作为后续 t-SNE/UMAP 的输入
实际代码走走
from sklearn.decomposition import PCA
import numpy as np
# exp_matrix shape: (n_samples, n_genes)
pca = PCA(n_components=50)
pca_result = pca.fit_transform(exp_matrix)
# 方差解释比例
print(pca.explained_variance_ratio_[:5])
# 累计方差
print(np.cumsum(pca.explained_variance_ratio_)[:5])通常我会选累计方差达到 70%–80% 的主成分数。不过也别太死板，先看 elbow 图再拍板。
t-SNE —— 局部结构看得清
PCA 是线性方法，碰到非线性关系就有点吃力了。t-SNE 就不一样了——它通过概率分布把高维空间的相似性映射到低维空间，而且特意用 t 分布来处理“拥挤问题”。
核心思想很简单：高维空间中相近的点，在低维空间中也尽量靠近；高维空间中远离的点，在低维空间中也可以远一点。但它的损失函数特别强调局部结构——所以你用 t-SNE 画出来的图，聚类边界特别清晰，但全局距离没什么意义。
参数踩坑指南
| 参数 | 默认值 | 经验建议 |
|---|---|---|
| perplexity | 30 | ≈ 样本数的 5%，范围 5–50 |
| learning_rate | 200 | 太小会拥挤，太大则像散点 |
| n_iter | 1000 | ≥250 才能收敛 |
| random_state | 无 | 固定住，否则每次结果不一样 |
应用场景
- 单细胞 RNA-seq 亚群可视化
- 探索性分析，看是否有罕见亚群
- 样本量 ≤ 1 万时效果较好
但它有个毛病——非凸优化，每次跑结果都不一样。我建议固定 random_state，或者多跑几次看哪些聚类是稳定的。
UMAP —— 快且全局兼顾
UMAP 近几年火得不行。它的原理基于流形学习和图论：先在高维空间构建 k-近邻图，再在低维空间优化一个相似的图结构。相比 t-SNE，UMAP 不仅保留了局部结构，还能大致维持全局拓扑——也就是类群之间的相对位置有一定意义。
更关键的是，它跑得快。t-SNE 在 5 万样本上能跑哭你，UMAP 十几秒就完事。
关键参数
| 参数 | 作用 | 常用值 |
|---|---|---|
| n_neighbors | 局部邻域大小 | 15–30（小=更局部，大=更全局） |
| min_dist | 低维点之间的最小距离 | 0.1–0.5（小=聚集，大=松散） |
| metric | 距离度量 | euclidean（表达数据常用） |
代码示例
import umap
# 先用 PCA 降维
pca_50 = PCA(n_components=50).fit_transform(exp_matrix)
# UMAP 嵌入
reducer = umap.UMAP(n_neighbors=20, min_dist=0.3, random_state=42)
umap_embedding = reducer.fit_transform(pca_50)三大方法对比
| 特性 | PCA | t-SNE | UMAP |
|---|---|---|---|
| 类型 | 线性 | 非线性 | 非线性（图基） |
| 速度 | 极快 | 慢（O(n²)） | 快 |
| 全局结构 | 保留（方差排序） | 几乎失去 | 部分保留 |
| 局部结构 | 一般 | 非常好 | 很好 |
| 可重现性 | 100% | 需固定种子 | 需固定种子 |
| 用于输入模型 | 常用 | 不推荐（结构扭曲） | 可选但谨慎 |
一个完整流程建议
拿单细胞数据举例，我一般这么做：
- 质量控制、标准化、对数归一化
- 筛选高变基因（HVG），约 2000 个
- PCA 降维到 50 维
- 用 PCA 的前 50 个成分做 UMAP 可视化，同时用 PCA 的前 20 个成分做聚类（比如 KNN + Louvain）
- 最后用 t-SNE 验证一下聚类边界
# 官方教学中的典型组合
import scanpy as sc
adata = sc.read("my_data.h5ad")
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
sc.pp.pca(adata, n_comps=50)
sc.pp.neighbors(adata, n_pcs=20)
sc.tl.umap(adata)
sc.tl.tsne(adata, n_pcs=50)
sc.pl.umap(adata, color="cluster")一张图看懂整体脉络
写在最后的小提醒
- 别把 t-SNE 或 UMAP 的坐标直接喂进模型。它们的低维嵌入扭曲了距离，模型容易过拟合。
- 样本量超大（10 万+）时，先跑 PCA 再降采样，否则 t-SNE 内存会爆炸。
- 用 PCA 检测离群样本也很管用——PC1 上离群太远的点，十有八九是建库失败。