科研有捷徑，輸入代碼，一鍵獲取科研成果！就是這么省事，來具體看下有多方便！

搜索http://985.so/a9kb查看全部代碼（目前共計50+持續(xù)新增中），也可以點擊右側【目錄】，可以看到更多有趣的代碼；真香提示：文末可以知道如何獲取代碼~?

生信分析中降維聚類方法眾多，當我們的數(shù)據(jù)各特征間存在高度的線性相關，這時你可能首先會想到使用 PCA 對數(shù)據(jù)進行降維處理，但是PCA 是一種線性算法，它不能解釋特征之間的復雜多項式關系，而t-SNE (t-distributed stochastic neighbor embedding)是一種用于挖掘高維數(shù)據(jù)的非線性降維算法，是用于降維的一種機器學習算法，是由 Laurens van der Maaten 等在08年提出來。它能夠將多維數(shù)據(jù)映射到二維或三維空間中，因此 t-NSE非常適用于高維數(shù)據(jù)的可視化操作。今天我們來介紹其中的一種方法：tSNE。相較其他降維算法，對于數(shù)據(jù)可視化而言tSNE的效果無疑是最好的，我們也會在文中使用PCA來對比兩者的效果。

下面我們一起來看下?tSNE如何分析，本文展示做一組tSNE聚類分析與PCA可視化結果進行比較。代碼相關文件見如下3個文件夾。

1. 加載相應R依賴包

library("Rtsne")

2. 數(shù)據(jù)導入

輸入數(shù)據(jù)共2個文件，一個矩陣文件，每一行是一個樣品，每一列是一個基因，另一個是分組信息文件，包含2列，一列是與矩陣文件對應的樣品名稱，第二列是分組信息，具體見下圖。

3. tSNE分析

接下來我們對讀取的數(shù)據(jù)進行分析，第一步設定種子，第二步去除重復數(shù)據(jù)，如果沒有重復數(shù)據(jù)可跳過這一步，第三步將數(shù)據(jù)轉成矩陣類型。

之后使用Rtsne函數(shù)進行tSNE降維分析，參數(shù)perplexity設置為20，該值表示混亂度，混亂度越高，t-SNE將考慮越多的鄰近點，更關注全局，設置范圍是5-50，因為我們使用的數(shù)據(jù)較簡單，所以這里使用20就行，越復雜的數(shù)據(jù)建議該值越高。

最后使用ggplot2包進行可視化。

同時我們使用PCA分析來對比一下。

tSNE

PCA

由兩者的對比結果可見tSNE的效果明顯比PCA要好，因為tSNE算法考慮因素多所以計算時間會更長，尤其在特征較多時更為明顯，這也是它的一個不可避免的槽點。不過能獲得符合預期結果的美圖，還是很值得一試的呦。

如需代碼及示例數(shù)據(jù)等文件，請掃碼聊天框回復 “B34”領取！?

寫在文末：

如果您近期想做生信方面的文章而苦于沒有思路，或者不知道如何來入手生信分析，或者兌具體的某一個圖有作圖需求，都可以掃碼咨詢小云，我們有專業(yè)的技術團隊，生信熱點思路設計、生信分析、熱點方向生信挖掘等，如有需要，可掃碼下方二維碼了解詳情：?