单细胞数据降维可视化最新工具UMAP的介绍

高通量单细胞组学数据的一个显著性特点就是数据量大，一次能反映的细胞数量多。因此，通过降维和可视化去展示细胞数据特征是一个非常重要的工作。翻开各类发表的单细胞组学文章，不管是CNS的还是其他，几乎所有的结果中，映入眼帘的第一张图片通常是数据结果的降维图形化展示。

对高维单细胞数据的可视化展示，以t-SNE为代表的非线性降维技术，由于其能够避免集群表示的过度拥挤，在重叠区域上能表示出不同的集群而被广泛运用。然而，任何技术方法都不是完美的，t-SNE也一样，它的局限性体现在丢失大规模信息(集群间关系)、计算时间较慢以及无法有效地表示非常大的数据集[6]等方面。

那么，有没有其它方法能在一定程度上克服这些弱点呢？

UMAP就是这样一个能解决这些问题的降维和可视化的工具。

统一流形逼近与投影(UMAP，Uniform Manifold Approximation and Projection)是一种新的降维流形学习技术。UMAP是建立在黎曼几何和代数拓扑理论框架上的。UMAP是一种非常有效的可视化和可伸缩降维算法。在可视化质量方面，UMAP算法与t-SNE具有竞争优势，但是它保留了