UMAP
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。
数据格式
210421_2
注：示例数据仅作展示用，无实际意义！
绘制
很显然，重点在于umap分析，可视化只是常见的散点图。
#------ title: "UMAP" author: "MZBJ" date: "2020/4/22" #----- # 初次使用需要安装 #install.packages("uamp") rm(list = ls()) setwd("F:/~/mzbj/cell/2021.4.22") # 载 library(umap) library(ggplot2) #导入数据，首列为行名 df <- read.csv(file = "df_umap.csv",row.names = 1) #生成一个不含lable列的新数据集 df_umap <- df[,colnames(df)!='label'] #按行进行标准化 df_umap <- data.frame(t(apply(df_umap,1,function(v){(v-mean(v,na.rm=T))/sd(v,na.rm=T)})),stringsAsFactors=F) #替换NA为0 df_umap[is.na(df_umap)] <- 0 #UMAP分析 umap <- umap(df_umap,method='naive',n_neighbors = 10) #n_neighbors 用似的局部邻域的大小(根据邻域采样点的数量)。数值越大，流形的全局视图就越多，而数值越小，保留的局部数据就越多。通常值应该在2到100的范围内。 #method 可用的方法是“naive”(用纯R编写的实现)和“umap-learn”(需要python包“umap-learn”) # 查看降维后的结果 head(umap$layout) #提取umap值作图用 df1 <- data.frame(umap$layout) df1$label <- df$label #加入lavle列 colnames(df1) <- c('X','Y','label') #改个列名 不改也行 p <- ggplot(df1, aes(x=X, y=Y, colour=label)) + geom_point(size=4)+ xlab(NULL)+ #不添加x y轴名称 ylab(NULL) p <- p + theme( panel.grid.major = element_blank(), panel.grid.minor = element_blank(), legend.title=element_blank(), #图例标签隐藏 panel.border = element_blank(), axis.line.x = element_line(color="black", size = 0.5), axis.line.y = element_line(color="black", size = 0.5), panel.background = element_blank()) #按文章的配色改个颜色 p <- p + scale_colour_manual(values=c("#D58F25","#882424","#7DA92E","#5A7EB3")) p #保存为svg格式图片 ggsave(p,filename = "umap.svg",width = 5,height = 4)【
出图：
210422_3
又是一模一样哈哈~
写在后面：
本系列重在复现，所以有些细节可能讲的不是很详细。大家有问题可以后台私信，或者在我的B站：木舟笔记进行互动！制作不易，希望大家多多支持！
参考
https://github.com/lmcinnes/umap
https://cran.r-project.org/web/packages/umap/vignettes/umap.html
