本文首发于“生信大碗”公众号，转载请注明出处
上期推文我们介绍了一种线性数据降维的方法——主成分分析PCA，今天我们再来介绍一种非线性的算法——t-SNE。
t-SNE（t-distributed Stochastic Neighbor Embedding），中文全称t分布-随机邻近嵌入，其原理比较复杂，这里不多做讲解，感兴趣的小伙伴可以自行百度。
数据降维方法有很多，t-SNE算法的优势在哪里呢？t-SNE算法有效地解决了降维后的拥挤问题，也就是说，经t-SNE算法降维后，相似的数据相互靠近，而差异较大的数据则互相远离。但有利就有弊，t-SNE算法的缺点是运行所占内存大，所需时间长。具体选择哪种方法小伙伴们可以自行权衡。
话不多说，接下来我们开始实操。
1.安装并加载Rtsne包
2.加载示例数据
下载TCGA肺腺癌数据集并对正常组和肿瘤组进行差异分析，选取差异最显著的前十个基因的表达数据作为示例数据，注意行是样本，列是基因
3.获取样本的分组信息
4. 进行t-SNE降维
① t-SNE结果随机，进行分析之前需设置随机数种子是结果具有可重复性
② Rtsne()函数各参数的意义如下：
dims = 2， 正整数，表示降维后的数据纬度——将数据降到几维？
pca = TRUE/FALSE，表示在进行t-SNE前是否进行主成分分析PCA。
max_iter = 1000，表示迭代次数，默认为1000。
theta = 0.5，是速度/精度权衡，范围在0~1之间，数值越小越精确，默认0.5。该参数影响最终结果，可根据可视化结果进行调整。
perplexity = 20，困惑度：正整数，且需满足 3*perplexity < nrow(data) - 1 ，可以简单理解为每个数据点的近邻数据点的可能数目，是用于计算数据点相似度的参数，是数据局部/全局权衡，影响可视化结果，参数越小，样本越独立，参数越大，样本越趋向于形成一个整体。
check_duplicates = FALSE，检查是否存在重复项。最好确保在进行t-SNE之前数据不存在重复项，并将此选项设置为FALSE。
③ 输出结果是一个列表，其中元素Y就是降维结果。可以看到原来10个基因的表达数据（10维数据），已经降为二维数据。
5. 降维结果可视化
t-SNE算法数据降维与可视化完整代码如下：
# 安装并加载Rtsne包
install.packages("Rtsne")
library(Rtsne)
# 加载示例数据
load("前十个差异基因表达矩阵.rdata")
data[1:6,1:6]
# 样本分组
sample <- data.frame(id=rownames(data))
# TCGA样本命名方式，倒数二三位数字是11的为正常组，01的为肿瘤组
sample$group <- ifelse(substr(sample$id,14,15)==11,"normal","tumor")
sample[1:6,]
group <- sample$group
group[1:6]
# t-SNE降维
#设置随机数种子
set.seed(1)
#进行t-SNE
tsne_out = Rtsne(
data,
dims =2,
pca =TRUE,
max_iter = 1000,
theta =0.4,
perplexity = 20,
check_duplicates = FALSE,
verbose= F)
str(tsne_out)
# 降维结果可视化
library(ggplot2)
tsne_result = as.data.frame(tsne_out$Y)
colnames(tsne_result) =c("tSNE1","tSNE2")
ggplot(tsne_result,aes(tSNE1,tSNE2,color=group))+
geom_point()
本文首发于“生信大碗”公众号，转载请注明出处
—END—
