科研有捷径，输入代码，一键获取科研成果！就是这么省事，来具体看下有多方便！

搜索http://985.so/a9kb查看全部代码（目前共计50+持续新增中），也可以点击右侧【目录】，可以看到更多有趣的代码；真香提示：文末可以知道如何获取代码~ 

生信分析中降维聚类方法众多，当我们的数据各特征间存在高度的线性相关，这时你可能首先会想到使用 PCA 对数据进行降维处理，但是PCA 是一种线性算法，它不能解释特征之间的复杂多项式关系，而t-SNE (t-distributed stochastic neighbor embedding)是一种用于挖掘高维数据的非线性降维算法，是用于降维的一种机器学习算法，是由 Laurens van der Maaten 等在08年提出来。它能够将多维数据映射到二维或三维空间中，因此 t-NSE非常适用于高维数据的可视化操作。今天我们来介绍其中的一种方法：tSNE。相较其他降维算法，对于数据可视化而言tSNE的效果无疑是最好的，我们也会在文中使用PCA来对比两者的效果。

下面我们一起来看下 tSNE如何分析，本文展示做一组tSNE聚类分析与PCA可视化结果进行比较。代码相关文件见如下3个文件夹。

1. 加载相应R依赖包

library("Rtsne")

2. 数据导入

输入数据共2个文件，一个矩阵文件，每一行是一个样品，每一列是一个基因，另一个是分组信息文件，包含2列，一列是与矩阵文件对应的样品名称，第二列是分组信息，具体见下图。

3. tSNE分析

接下来我们对读取的数据进行分析，第一步设定种子，第二步去除重复数据，如果没有重复数据可跳过这一步，第三步将数据转成矩阵类型。

之后使用Rtsne函数进行tSNE降维分析，参数perplexity设置为20，该值表示混乱度，混乱度越高，t-SNE将考虑越多的邻近点，更关注全局，设置范围是5-50，因为我们使用的数据较简单，所以这里使用20就行，越复杂的数据建议该值越高。

最后使用ggplot2包进行可视化。

同时我们使用PCA分析来对比一下。

tSNE

PCA

由两者的对比结果可见tSNE的效果明显比PCA要好，因为tSNE算法考虑因素多所以计算时间会更长，尤其在特征较多时更为明显，这也是它的一个不可避免的槽点。不过能获得符合预期结果的美图，还是很值得一试的呦。

如需代码及示例数据等文件，请扫码聊天框回复 “B34”领取！ 

写在文末：

如果您近期想做生信方面的文章而苦于没有思路，或者不知道如何来入手生信分析，或者兑具体的某一个图有作图需求，都可以扫码咨询小云，我们有专业的技术团队，生信热点思路设计、生信分析、热点方向生信挖掘等，如有需要，可扫码下方二维码了解详情：