爾云間 一個專門做科研的團隊

原創(chuàng)?小果?生信果

歡迎點贊+收藏+關注

在處理單細胞測序數(shù)據(jù)的過程中，如何對數(shù)據(jù)矩陣進行降維是我們“必經(jīng)”的步驟之一，那么你知道最常用的數(shù)據(jù)降維方法有哪些嘛？接下來小果將教大家最常用的數(shù)據(jù)降維方法，一起來和小果看看吧！

1、數(shù)據(jù)集準備

還是老規(guī)矩，和小果簡單看一下我們生成的數(shù)據(jù)矩陣吧！

2、數(shù)據(jù)處理

因為本篇教程主要針對數(shù)據(jù)降維的方法，小果在這里就不細細闡述中間對數(shù)據(jù)處理的過程啦！小果把數(shù)據(jù)處理的代碼貼在下面供同鞋們參考，包括數(shù)據(jù)過濾、數(shù)據(jù)矯正。

3、數(shù)據(jù)降維處理

o 數(shù)據(jù)降維有哪些方法？

在進行具體操作之前，小果先向大家科普一些常用的數(shù)據(jù)降維方法吧！

1.PCA（主成分分析法）

2.MDS（多維縮放）

3.t-SNE

4.LLE（局部線嵌入）

o 什么是PCA主成分分析？

PCA（Principal Components Analysis）。其實就是找出處理數(shù)據(jù)中一個最主要的特征，然后進行深入分析。小果來給大家舉個簡單的例子理解一下：現(xiàn)在要考察公司中一個員工的整體能力水平，我們目前的參考因素有他的業(yè)績、出勤時間、高考成績、工資水平等等因素，那么我們?yōu)榱烁焖俚刈龀雠袛啵覀冎灰崛∷貥I(yè)績來分析即可。

o?R語言實現(xiàn)PCA主成分分析

現(xiàn)在展示的是按照Biological_Condition對數(shù)據(jù)矩陣分組后的統(tǒng)計信息哦！

PCA函數(shù)降維后，大家和小果先一起來看下每個細胞中前5個主成分的分值吧！

得到了以上的分析結(jié)果，我們?nèi)绾螌CA分析后的結(jié)果可視化展示呢，和小果一起來學一下吧！

???好啦，還有更多的數(shù)據(jù)降維方法等著大家去學習和使用，同學們可以根據(jù)自己的情況自行選擇去了解，在這里大家也可以移步我們的云生信平臺的畫圖專版去深入學習哦！

小果云生信平臺：云生信 ?- 學生物信息學 (biocloudservice.com)

小果云生信平臺畫圖專版：

云生信pca圖繪制小工具：www.biocloudservice.com/443/443.php

今天小果教你的降維方法學會了嗎！更多生信小技巧請繼續(xù)關注小果吧！~

生信人R語言學習必備

立刻擁有一個Rstudio賬號

開啟升級模式吧

（56線程，256G內(nèi)存，個人存儲1T）

往期代碼：

【1】lncRNA的拷貝數(shù)變異下游相關分析
【2】R可視化：ggstatsplot包—科研界的美圖秀秀
【3】隨機森林算法用于分類預測和篩選診斷標志物
【4】基于本地Java版GSEA的輸出結(jié)果整合多個通路到一張圖
【5】基于嶺回歸模型和基因表達矩陣估算樣本對藥物反應的敏感性
【6】基于R包NMF對樣本進行分型分析
【7】DALEX包用于探索、解釋和評估模型；分析不同特征變量對響應變量的影響
【8】根據(jù)腫瘤突變負荷TMB進行KM生存分析尋找最佳的cutoff
【9】基于單樣本富集分析算法評估組織中的免疫細胞浸潤水平
【10】代碼分享│什么？你還在用散點圖來可視化數(shù)據(jù)之間的相關性
【11】代碼分享│診斷列線圖、校準曲線、決策曲線和臨床影響曲線的構(gòu)建
【12】代碼分享│你了解基因的動態(tài)變化模式嗎
【13】代碼分享│生物信息分析之SCI熱門圖表-復雜熱圖
【14】代碼分享│生物信息分析之SCI熱門圖表-火山圖
【15】代碼分享│生物信息分析之SCI熱門圖表-箱型圖和小提琴圖
【16】代碼分享│深度學習-人工神經(jīng)網(wǎng)絡（ANN）的構(gòu)建
【17】代碼分享│R可視化：高分文章繪圖之基于RCircos包的多類型圈圖繪制
【18】代碼分享│R可視化：基因與功能之間的關系--GO功能富集網(wǎng)絡圖繪制
【19】代碼分享│生物信息分析之SCI熱門圖表—KM曲線和tROC曲線
【20】代碼分享│R可視化：腫瘤預后模型之Cox回歸分析后用R語言繪制森林圖
【21】代碼分享│生物信息分析之SCI熱門圖表—相關性熱圖和散點圖
【22】代碼分享│生信分析之R語言分析相關性及可視化的N種風格
【23】代碼分享│TCGA數(shù)據(jù)獲取有困難，不會預處理，學習起來
【24】代碼分享│機器學習-支持向量機遞歸特征消除（SVM-RFE）的構(gòu)建
【25】代碼分享│R可視化：對兩個矩陣進行相關性可視化分析
【26】GEO數(shù)據(jù)庫多數(shù)據(jù)集差異分析整合利器RRA，再也不用糾結(jié)去除批次效應
【27】你與生信大佬的距離，只差2分鐘搞定預后模型構(gòu)建和性能評估
【28】9+SCI純生信，模型構(gòu)建中的“流量明星”，你不得不知的LASSO
【29】手把手教你畫美觀大氣的lasso回歸模型圖，為你的SCI增磚添瓦
【30】R可視化：clusterProfiler包做組間比較GO富集圖
【31】代碼分享|R可視化：復雜熱圖繪制技巧之熱圖中添加柱狀圖
【32】代碼分享——基于基因突變信息分析腫瘤突變負荷
【33】代碼分享│富集不到想要的通路？別放棄呀，試試GSEA
【34】代碼分享│還在用PCA做降維聚類嗎？最強降維模型tSNE--你值得擁有
【35】代碼分享│GSVA：原來功能通路也能做差異分析！
【36】代碼分享│Slingshot：你不知道的單細胞擬時序分析還有它
【37】基于基因功能注釋信息挖掘關鍵作用基因
【38】基于癌癥分類預測的標志物特征提取的SVM-RFE分析代碼
【39】依據(jù)表型數(shù)據(jù)基于無監(jiān)督聚類算法對研究群體進行分層聚類分析
【40】基于穩(wěn)健排序整合算法對多數(shù)據(jù)集進行整合及可視化
【41】基于基因表達譜估算樣本免疫基質(zhì)評分和腫瘤純度
【42】自動化繪制LASSO算法回歸模型圖
【43】用于臨床診斷和臨床決策影響的DCA分析
【44】基于樣本預后生存信息和臨床因素用于評價不同模型的一致性指數(shù)軟件
【45】用于探索、解釋和評估模型的DALEX殘差分析軟件
【46】基于細菌群落功能豐度結(jié)果進行差異功能分析及可視化
【47】基于基因差異分析結(jié)果繪制其在染色體上的分布
【48】利用逐步回歸法篩選特征基因構(gòu)建Cox風險模型分析
【49】基于Immune Subtype Classifier進行腫瘤免疫亞型分類
【50】不同物種之間的同源基因名稱轉(zhuǎn)換分析
【51】基于逐步多因素cox回歸篩選預后標記基因并構(gòu)建風險評分模型
【52】基于表達信息挖掘與關注基因密切相關的基因
【53】基因組學基因名稱修正分析
【54】基于Spearman算法構(gòu)建關聯(lián)網(wǎng)絡
【55】基于線性建模方法對代謝組和轉(zhuǎn)錄組數(shù)據(jù)整合分析
【56】基于lasso回歸模型方法篩選特征基因
【57】基于線性建模方法對代謝組和轉(zhuǎn)錄組數(shù)據(jù)整合分析
【58】基于參數(shù)型經(jīng)驗貝葉斯算法和支持向量機（SVM）篩選疾病亞型特征基因
【59】基于LDA(線性判別分析)算法的微生物biomarker的篩選
【60】基于R包xCell計算64種免疫細胞相對含量及下游可視化
【61】基于甲基化數(shù)據(jù)評估腫瘤純度及下游可視化
【62】基于DiffCorr包識別不同表型下的差異共表達關系對
【63】基于逆累計分布函數(shù)識別顯著偏差通路
【64】基于差異基因?qū)ν返挠绊懲诰蜿P鍵通路
【65】基于高通量數(shù)據(jù)的樣本相似性分析

需要以上代碼，請私信小果哦！

“生信果”，生信入門、R語言、生信圖解讀與繪制、軟件操作、代碼復現(xiàn)、生信硬核知識技能、服務器、生物信息學的教程，以及基于R的分析和可視化等原創(chuàng)內(nèi)容，一起見證小白和大佬的成長。