Runs the Uniform Manifold Approximation and Projection (UMAP) dimensional reduction technique. To run using umap.method="umap-learn" , you must first install the umap-learn python package (e.g. via pip install umap-learn ).

2020年12月27日 · 在我们处理数据的过程中，做整合（integration），或者做变换（SCTransform），或者做去除污染（SoupX），或者是融合velocity的数据等，都会生成新的相关的Assay，用于存放这些处理之后的矩阵。

2024年3月3日 · 降维算法：在单细胞转录组生信分析中，常见的降维算法有两种，UMAP(Uniform Manifold Approximation and Projection) 和T-SNE(t-distributed stochastic neighbor embedding)。 UMPA 运算速度会更快，并且在保留数据结构的同时提供了更好的扩展性。

Assays. 默认情况下，我们是对Seurat中的RNA的Assay进行操作。可以通过@active.assay查看当前默认的assay，通过DefaultAssay()更改当前的默认assay。 结构 counts 存储原始数据，是稀疏矩阵 data存储logNormalize() 规范化的data。

在我们处理数据的过程中，做整合（integration），或者做变换（SCTransform），或者做去除污染（SoupX），或者是融合velocity的数据等，我们可能会生成新的相关的Assay，用于存放这些处理之后的矩阵。在之后的处理中，我们可以根据情况使用指定Assay下的数据。

UMAP（Uniform Manifold Approximation and Projection)是一种非线性降维的算法，相对于t-SNE，UMAP算法更加快速 该方法的原理是利用流形学和投影技术，达到降维目的 首先计算高维空间中的点之间的距离，将它们投影到低维空间，并计算该低维空间中的点之间的距离。然后 ...

2022年1月31日 · UMAP是一种高维到低维映射的方法，可以看做一种降维方法，也可以用作可视化方法。 它比tSNE更有优势：1.速度快；2.不仅能保留局部结构，还能兼顾全局结构。 也就是UMAP的距离是有一定意义的。 (1) umap是调用python包执行的还是调用 R 包执行的？ UMAP 全称是 Uniform Manifold Approximation and Projection. Finds a low dimensional embedding of the data that approximates an underlying manifold. 原作者提供的是py实现。 R 中调用py的依赖包 …

2023年9月16日 · UMAP是一种非线性降维和可视化算法，全称为Uniform Manifold Approximation and Projection（均匀流形近似和投影）。 它是一种基于图论和流形学习的方法，用于将高维数据映射到低维空间，以便于可视化和分析。 UMAP的主要目标是保持数据点之间的局部结构和全局结构。 它通过构建数据点之间的邻近关系图，并利用图的拓扑结构进行流形近似和优化。 UMAP使用了一种称为高维距离的度量方式，在低维空间中通过最小化原始距离和映射距离之间的差异来 …

2024年9月11日 · 支持 UMAP 算法：UMAP 算法用于 初始化 轨迹推断，为轨迹推断提供了更优的起点。 支持多起点的轨迹：能够处理包含多个起点的轨迹推断，从而更好地反映复杂的发育过程。 学习含有环路或汇聚点的轨迹：可以学习到包含环形结构或收敛点的复杂轨迹。 自动分区算法：使用“近似图抽象”的概念，自动将细胞分区，以学习不相交或 并行 的轨迹。 新的统计测试：为那些具有轨迹相关表达的基因设计了新的统计检验方法，替代旧版的 differentialGeneTest () 和 …

2023年10月31日 · We can also compute UMAP visualization based on only the RNA and protein data and compare. We find that the RNA analysis is more informative than the ADT analysis in identifying progenitor states (the ADT panel contains markers for differentiated cells), while the converse is true of T cell states (where the ADT analysis outperforms RNA).