tSNE和UMAP在单小区多模数据中的推广
testJvis-learn的Python项目详细描述
新兴的单细胞基因组学技术描述了多种类型的分子 在一个牢房里。分析产生的高能量的基本步骤 维度数据是使用降维技术实现的可视化 比如t-SNE和UMAP。我们开发了一个降维框架Jvis 这自然地将t-SNE和UMAP推广到 多模态组学数据。我们的方法会自动学习个体的权重 数据中的模式促进了区分特征,但抑制了 随机噪音。在5种不同技术的8个单单元多模数据集上, Jvis制作了一个统一的嵌入物,更好地符合已知的细胞状态和RNA 与单峰表示法相比,蛋白质速度图。在
基础数学的细节可以在 在此处插入链接。在
Van Hoan Do,Stefan Canzar,tSNE和UMAP对单细胞多模的推广 数据,xxx。在
安装
要求:
- Python 3.6或更高版本
- numpy公司
- 神经质的
- scikit学习
- 麻木
安装选项
PyPI安装,假设您有numba和sklearn及其所有要求 (numpy和scipy)已安装:
pip install testJvis-learn
如果您对pip安装有问题,那么我们建议您安装 使用anaconda手动处理依赖关系,然后从pip中提取umap:
^{pr2}$如何使用Jvis
Jvis包继承了sklearn TSNE和UMAP。因此,所有参数 tSNE和UMAP自然扩展到Jvis。在
使用这些选项的示例:
fromJvisimportJUMAP,JTSNEimportnumpyasnp# Create a toy example from a random distribution (n_cells = 500)rna_rand=np.random.rand(500,100)adt_rand=np.random.rand(500,15)data={'rna':rna_rand,'adt':adt_rand}# create a dictionary of modalities.# Run joint TSNE of the two "random" modalities.embedding_jtsne=JTSNE(n_components=2).fit_transform(data)# Run joint UMAP of the two "random" modalities.embedding_jumap=JUMAP(n_neighbors=20,min_dist=0.3,metric='correlation').fit_transform(data)
以获得更真实的示例和Python脚本来重现结果 我们的文章可在GitHub:xxx获取
t-SNE和UMAP的调谐参数如下: https://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html
许可证
JVis包是三条款BSD许可的。在
请注意,Jvis包继承自scikit learn和UMAP 根据三条款BSD许可证打包。在
- 项目
标签: