生物信息分析的過程中，我們常常會(huì)碰到許多維度很高的數(shù)據(jù)集，這個(gè)時(shí)候我們就需要用到降維技術(shù)了。今天小云就給大家?guī)硪粋€(gè)降維的新方法——UMAP

?

UMAP (Uniform Manifold Approximation and Projection) 是一種非線性降維技術(shù)，用于將高維數(shù)據(jù)映射到低維空間。它可以用于可視化數(shù)據(jù)集或降低數(shù)據(jù)維度，將高維數(shù)據(jù)映射到低維空間，以便進(jìn)行可視化和進(jìn)一步的分析。實(shí)際上，UMAP 可以被看作是 t-SNE (t-distributed Stochastic Neighbor Embedding) 的一種改進(jìn)版本，它使用了一些新的數(shù)學(xué)技術(shù)來提高效率和可擴(kuò)展性。UMAP 的核心思想是通過在數(shù)據(jù)流形結(jié)構(gòu)上建立連通性圖，來保留原始數(shù)據(jù)的局部和全局結(jié)構(gòu)。UMAP 首先使用隨機(jī)梯度下降法來生成連通性圖，然后將圖中的節(jié)點(diǎn)映射到低維空間中。這個(gè)過程中，UMAP 使用了一些新的數(shù)學(xué)技術(shù)，包括 Riemannian geometry、algebraic topology 和 spectral graph theory 等，以提高算法的效率和可擴(kuò)展性。

比起其他降維方法UMAP有著更多的優(yōu)點(diǎn)，這其中包括：

?

1.?可以處理非常大的數(shù)據(jù)集，并在較短的時(shí)間內(nèi)生成嵌入。

?

2.?可以保留原始數(shù)據(jù)的局部結(jié)構(gòu)和全局結(jié)構(gòu)，這使得它可以在可視化數(shù)據(jù)集時(shí)提供更好的表示，并在分類、聚類和其他數(shù)據(jù)分析任務(wù)中提供更好的結(jié)果。

?

3.?可以處理各種類型的數(shù)據(jù)，包括數(shù)值型、分類型和混合型數(shù)據(jù)。

?

4.?不需要事先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化或歸一化處理，因?yàn)樗梢宰赃m應(yīng)地處理不同尺度的數(shù)據(jù)。

?

那么，我們要怎么在R語言中要怎么實(shí)現(xiàn)UMAP呢？這里小云給大家?guī)韮蓚€(gè)例子，我們首先會(huì)從簡(jiǎn)單的隨機(jī)數(shù)據(jù)入手，接著以蛋白質(zhì)表達(dá)序列數(shù)據(jù)為例，看看UMAP在生物信息分析的過程中的作用～

?

首先我們需要安裝和加載UMAP包：

?

install.packages("umap")

library(umap)

?

接下來，我們可以使用 umap() 函數(shù)來將數(shù)據(jù)降至二維空間，并進(jìn)行可視化。

?

在這個(gè)示例中，我們生成了一個(gè)包含 10 個(gè)特征和 100 個(gè)觀測(cè)值的隨機(jī)數(shù)據(jù)集。

# 生成隨機(jī)數(shù)據(jù)

set.seed(123)

data <- matrix(rnorm(1000), ncol = 10)

?

然后，我們使用 umap() 函數(shù)將數(shù)據(jù)降至二維空間，并將結(jié)果可視化。

# 進(jìn)行 UMAP 降維

embedding <- umap(data, n_components = 2)

?

# 可視化結(jié)果

plot(embedding$layout[,1], embedding$layout[,2], pch = 20)

可以看到降維后的數(shù)據(jù)被很好地分成了兩類

?

接下來我們看看實(shí)際生物數(shù)據(jù)的應(yīng)用：

?

首先，導(dǎo)入數(shù)據(jù)，并且對(duì)數(shù)據(jù)進(jìn)行預(yù)處理

?

data=read.csv(file.choose(),header = TRUE)

data <- na.omit(data)

X <- data[,2:79]

# 為data設(shè)置新列

X$Genotype <- ifelse(X$Genotype == "Control", 1, 0)

?

接著就可以直接使用umap函數(shù)進(jìn)行 UMAP 降維啦

embedding <- umap(X, n_components = 2)

?

這里，我們還可以根據(jù) Genotype 列為每個(gè)觀測(cè)值分配顏色值，使得最后可視化對(duì)結(jié)果更清晰

colors <- ifelse(X$Genotype == 1, "red", "blue")

?

最后就可以得到可視化的結(jié)果

plot(embedding$layout[,1], embedding$layout[,2], col = colors, pch = 20)

在生物信息的研究過程中，高維數(shù)據(jù)是一道無法避免的難關(guān)，而UMAP 是一種非線性降維技術(shù)，可以將高維數(shù)據(jù)映射到低維空間。UMAP 具有許多優(yōu)點(diǎn)，包括處理大型數(shù)據(jù)集、保留原始數(shù)據(jù)的局部和全局結(jié)構(gòu)、適用于各種類型的數(shù)據(jù)和自適應(yīng)處理不同尺度的數(shù)據(jù)等。在 R 語言中使用 UMAP 也非常簡(jiǎn)單，可以直接使用 umap( ) 函數(shù)進(jìn)行降維和可視化。UMAP 的應(yīng)用可以幫助大家更好地理解和分析高維生物數(shù)據(jù)。這就是今天小云給大家?guī)淼膬?nèi)容啦～大家學(xué)會(huì)了嗎～