scATAC分析神器ArchR初探-單細(xì)胞嵌入（6）

6-單單元嵌入

在ArchR中衡招，嵌入（例如統(tǒng)一流形近似和投影（UMAP）或t分布的隨機(jī)鄰居嵌入（t-SNE））用于可視化縮小維度空間中的單個(gè)單元弧哎。這些嵌入都有各自的優(yōu)點(diǎn)和缺點(diǎn)。我們之所以稱它們?yōu)椤扒度搿蹦痈幔且驗(yàn)樗鼈儑?yán)格用于可視化集群岩喷，而不是用于識別集群（如前幾章所述）是在LSI子空間中完成的。UMAP和t-SNE之間的主要區(qū)別是細(xì)胞或簇之間距離的解釋蝇恶。t-SNE旨在保留數(shù)據(jù)中的本地結(jié)構(gòu)渤闷，而UMAP旨在保留本地和大部分全局?jǐn)?shù)據(jù)數(shù)據(jù)中的結(jié)構(gòu)。從理論上講含潘，這意味著兩個(gè)聚類之間的距離在t-SNE中不提供信息吊履，而在UMAP中提供信息。例如调鬓，基于觀察到群集A在t-SNE上比群集C更靠近群集B艇炎，因此t-SNE不允許您說群集A與群集B相比，群集A與群集B更相似腾窝。另一方面缀踪，UMAP旨在允許進(jìn)行這種類型的比較，盡管值得注意的是虹脯，UMAP是一種足夠新的方法驴娃，至今仍在文獻(xiàn)中被淘汰。
重要的是要注意循集，t-SNE和UMAP都不是自然確定性的（相同的輸入總是提供完全相同的輸出）唇敞。但是，與UMAP相比咒彤，t-SNE在同一輸入的多個(gè)重復(fù)之間顯示出更多的隨機(jī)性疆柔。此外，uwot當(dāng)使用相同的random時(shí)镶柱，在包中實(shí)現(xiàn)的UMAP 是有效的確定性seed旷档。選擇使用UMAP還是使用t-SNE的選擇很細(xì)微，但是在我們看來歇拆，UMAP對于各種應(yīng)用程序都非常有效鞋屈，這是我們針對scATAC-seq數(shù)據(jù)的標(biāo)準(zhǔn)選擇范咨。UMAP的性能也比t-SNE快。也許最重要的是厂庇，使用UMAP可以創(chuàng)建嵌入并將新樣本投影到該嵌入中渠啊，而t-SNE則無法實(shí)現(xiàn)，因?yàn)閿?shù)據(jù)的擬合和預(yù)測同時(shí)發(fā)生权旷。
無論選擇哪種方法昭抒，輸入?yún)?shù)都可能對生成的嵌入產(chǎn)生巨大影響。因此炼杖，重要的是要了解各種輸入?yún)?shù)，并進(jìn)行調(diào)整以最好地滿足您自己數(shù)據(jù)的需求盗迟。ArchR實(shí)現(xiàn)了適用于大多數(shù)應(yīng)用程序的默認(rèn)輸入?yún)?shù)集坤邪，但實(shí)際上，沒有單個(gè)參數(shù)集可以為單元格數(shù)量罚缕，復(fù)雜性和質(zhì)量差異很大的數(shù)據(jù)集產(chǎn)生所需的結(jié)果艇纺。

6.1均勻流形逼近和投影（UMAP）

要在ArchR中運(yùn)行UMAP，請使用以下addUMAP()功能：

projHeme2 <- addUMAP(
    ArchRProj = projHeme2, 
    reducedDims = "IterativeLSI", 
    name = "UMAP", 
    nNeighbors = 30, 
    minDist = 0.5, 
    metric = "cosine"
)

您可以使用插槽提取運(yùn)算符embeddings在中列出可用的對象：ArchRProject``@

為了繪制UMAP結(jié)果邮弹，我們使用plotEmbedding()函數(shù)并傳遞剛剛生成的UMAP嵌入的名稱（“ UMAP”）黔衡。我們可以通過結(jié)合使用colorBy哪種組合來告訴ArchR如何使用哪種矩陣來查找提供給的指定元數(shù)據(jù)列，從而告訴ArchR如何為單元著色name腌乡。

p1 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Sample", embedding = "UMAP")

代替上面的“樣本”進(jìn)行著色盟劫，我們可以使用上一章中確定的“簇”進(jìn)行著色。

p2 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Clusters", embedding = "UMAP")

我們可以使用ggAlignPlots()函數(shù)并排顯示這兩個(gè)圖与纽，并使用指定水平方向type = "h"侣签。

ggAlignPlots(p1, p2, type = "h")

plotPDF(p1,p2, name = "Plot-UMAP-Sample-Clusters.pdf", ArchRProj = projHeme2, addDOC = FALSE, width = 5, height = 5)

我們還可以使用plotEmbedding()來可視化聚類的結(jié)果scran：

p1 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Sample", embedding = "UMAP")

p2 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "ScranClusters", embedding = "UMAP")
ggAlignPlots(p1, p2, type = "h")

要保存此圖的可編輯矢量化版本，請使用plotPDF()急迂。

plotPDF(p1,p2, name = "Plot-UMAP-Sample-ScranClusters.pdf", ArchRProj = projHeme2, addDOC = FALSE, width = 5, height = 5)

6.2 t-Stocastic鄰居嵌入（t-SNE）

要在ArchR中運(yùn)行t-SNE影所，請使用以下addTSNE()功能：

projHeme2 <- addTSNE(
    ArchRProj = projHeme2, 
    reducedDims = "IterativeLSI", 
    name = "TSNE", 
    perplexity = 30
)

與UMAP類似，我們可以使用繪制t-SNE嵌入plotEmbedding()僚碎。相同的參數(shù)適用于colorBy和name正在被使用的包埋的類型而不管哪個(gè)猴娩。

p1 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Sample", embedding = "TSNE")

p2 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Clusters", embedding = "TSNE")

ggAlignPlots(p1, p2, type = "h")

要保存此圖的可編輯矢量化版本，請使用plotPDF()勺阐。

plotPDF(p1,p2, name = "Plot-TSNE-Sample-Clusters.pdf", ArchRProj = projHeme2, addDOC = FALSE, width = 5, height = 5)

就像我們使用UMAP一樣卷中，我們可以將的聚類結(jié)果Seurat::FindClusters()與clusering的結(jié)果進(jìn)行比較scran：

p1 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Sample", embedding = "TSNE")

p2 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "ScranClusters", embedding = "TSNE")

ggAlignPlots(p1, p2, type = "h")

要保存此圖的可編輯矢量化版本，請使用plotPDF()渊抽。

plotPDF(p1,p2, name = "Plot-tSNE-Sample-ScranClusters.pdf", ArchRProj = projHeme2, addDOC = FALSE, width = 5, height = 5)

6.3調(diào)和后的降維

在上一章中仓坞，我們通過addHarmony()函數(shù)使用Harmony進(jìn)行了批量校正，創(chuàng)建了一個(gè)reducedDims名為“ Harmony” 的對象腰吟。我們可以通過使用UMAP或t-SNE可視化嵌入并將其與之前的LSI迭代可視化嵌入進(jìn)行比較无埃，從而評估Harmony的效果徙瓶。

重復(fù)使用相同參數(shù)但針對“ Harmony” reducedDims對象的UMAP嵌入：

projHeme2 <- addUMAP(
    ArchRProj = projHeme2, 
    reducedDims = "Harmony", 
    name = "UMAPHarmony", 
    nNeighbors = 30, 
    minDist = 0.5, 
    metric = "cosine"
)

p3 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Sample", embedding = "UMAPHarmony")

p4 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Clusters", embedding = "UMAPHarmony")

ggAlignPlots(p3, p4, type = "h")

要保存此圖的可編輯矢量化版本，請使用plotPDF()嫉称。

plotPDF(p1,p2,p3,p4, name = "Plot-UMAP2Harmony-Sample-Clusters.pdf", ArchRProj = projHeme2, addDOC = FALSE, width = 5, height = 5)

對于t-SNE同樣如此：

projHeme2 <- addTSNE(
    ArchRProj = projHeme2, 
    reducedDims = "Harmony", 
    name = "TSNEHarmony", 
    perplexity = 30
)

p3 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Sample", embedding = "TSNEHarmony")

p4 <- plotEmbedding(ArchRProj = projHeme2, colorBy = "cellColData", name = "Clusters", embedding = "TSNEHarmony")

ggAlignPlots(p3, p4, type = "h")

要保存此圖的可編輯矢量化版本侦镇，請使用plotPDF()。

plotPDF(p1,p2,p3,p4, name = "Plot-TSNE2Harmony-Sample-Clusters.pdf", ArchRProj = projHeme2, addDOC = FALSE, width = 5, height = 5)

參考材料：

https://www.archrproject.com/