2025年1月9日 · 在 单细胞测序分析 里，UMAP 图超有用。 不同颜色代表不同细胞类型，一个个点就像细胞 “小居民”，聚集成不同 “社区”，帮我们快速找到细胞类群。 和 PCA 、 t-SNE 比，UMAP 可厉害啦。 PCA 像个 “直线思维” 的老实人，擅长处理线性数据；t-SNE 是 “细节控”，但计算慢；UMAP 则是 “六边形战士”，兼顾局部与全局，计算还高效。 掌握 UMAP 图，科研路上更轻松。 宝子们赶紧学起来，数据分析不再愁！ 后续还会继续给大家分享其他的文献图表，更多干 …

2023年1月20日 · What is a UMAP plot and how to interpret it in single-cell data analysis. Learn the significance of UMAP in visualizing and understanding datasets.

UMAP, at its core, works very similarly to t-SNE - both use graph layout algorithms to arrange data in low-dimensional space. In the simplest sense, UMAP constructs a high dimensional …

降维可视化一般用 Dimplot 函数，如果使用的是UMAP方法，可以直接使用UMAPPlot函数，但是感觉效果不好或者很混乱，可以考虑使用 PCAPlot 函数。 可以看到，聚类效果不错，PCA不同细胞群还是分开了。 2、配色及修饰. Seurat 包的函数作图都有默认配色，但小编一直觉得不好看，其实看很多文章发现他们的色彩搭配很好。 这里简单介绍两组办法。 第一种使用 ggsci 包，自动搭配。 第二种则是从文章获取颜色，自己修饰即可。 NoLegend()+labs(x = "UMAP1", y = …

2024年9月9日 · 该图是内窥镜样本中155093个细胞的UMAP，揭示了上皮室中的主要细胞类型为enterocytes/colonocytes（肠细胞/结肠炎细胞）、stem cells（干细胞）、goblet cells（杯状细胞）、goblet proliferating cells（杯状增殖细胞）、BEST4/OTOP2细胞、tuft cells（簇状细胞）、EEC（肠内分泌细胞 ...

UMAP (Uniform Manifold Approximation and Projection) 算法是一种创新的降维流形学习算法。 来自于拓扑数据分析。 可以用于类似于 t-SNE 的可视化，但也可以用于一般的非线性降维。 文章里的这个图可以看出， sars-cov-2 感染患者的血清 组学数据 与健康个体的组学数据得到了很好的分辨，而其他组则表现出一定程度的分离。 注：示例数据仅作展示用，无实际意义！ 很显然，重点在于umap分析，可视化只是常见的散点图。 #n_neighbors 用似的局部邻域的大小(根据邻域 …

Now that we have the package loaded, how do we use it? The most straightforward thing to do is plot the umap results as points. We can achieve this via the function umap.plot.points. In its most basic form you can simply pass the trained UMAP model to umap.plot.points:

Uniform Manifold Approximation and Projection (UMAP) is a dimension reduction technique that can be used for visualisation similarly to t-SNE, but also for general non-linear dimension reduction. The algorithm is founded on three assumptions about …

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 is a general purpose manifold learning and dimension reduction algorithm. It is designed to be compatible with scikit-learn, making use of the same API and able to be added to sklearn pipelines. If you are already familiar with sklearn you should be able to use UMAP as a drop in replacement for t-SNE and other dimension reduction classes.