Python 机器学习 基础 之 无监督学习 【主成分分析（PCA） / 非负矩阵分解（NMF）/ t-SNE 流形学习】在单细胞转录组分析中的应用：PCA、NMF与t-SNE

无监督学习在单细胞转录组分析中的应用：PCA、NMF与t-SNE

一、主成分分析（PCA）

基本原理：
PCA是一种线性降维方法，通过将高维数据投影到正交的主成分轴上，保留数据的主要方差。其核心是通过特征值分解或奇异值分解（SVD），找到最能代表原始数据变异的低维空间。

文献中的应用场景

1. 第一篇文献（ESCC研究）：

   • 用于量化上皮细胞的肿瘤内和肿瘤间异质性，通过主成分计算细胞与全局/患者平均的距离，评估异质性水平（图2d,e）。
   • 对单细胞转录组数据降维，作为t-SNE可视化的预处理步骤（如CD45+和CD45-细胞的聚类分析）。

2. 第二篇文献（胰腺癌研究）：

   • 对单细胞基因表达矩阵降维，减少计算复杂度，为后续聚类和可视化做准备。

Python实现示例

import numpy as np
from sklearn.decomposition import PCA
import scanpy as sc

# 假设data为单细胞基因表达矩阵（细胞×基因）
pca = PCA(n_components=50)  # 保留50个主成分
reduced_data = pca.fit_transform(data)

# 计算主成分解释的方差比例
explained_variance = pca.explained_variance_ratio_

# 使用scanpy进行PCA分析（单细胞数据常用流程）
adata = sc.AnnData(data)
sc.tl.pca(adata, n_comps=50)
sc.pl.pca_variance_ratio(adata, log=True)

二、非负矩阵分解（NMF）

基本原理：
NMF将非负矩阵分解为两个非负矩阵的乘积（$\mathbf{V}\approx \mathbf{W}\times \mathbf{H}$），其中$\mathbf{W}$表示样本在各组分上的权重，$\mathbf{H}$表示组分的特征基因表达模式。非负约束使结果更符合生物学解释（如基因表达量非负、分子亚型的组合性）。

文献中的应用场景

1. 第二篇文献（胰腺癌研究）：
   • 对bulk转录组数据分解，识别经典型、基底样型等分子亚型，与单细胞亚簇（如Ep_TRIM54、Ep_KRT6A）的功能注释关联（图2G, 5F）。
   • 通过NMFSignature 10验证单细胞亚簇Ep_PIFO的纤毛功能特征（补充图S9I-J）。

Python实现示例

from sklearn.decomposition import NMF
import pandas as pd

# 假设expression_matrix为bulk基因表达矩阵（基因×样本）
nmf = NMF(n_components=2, init='nndsvd', random_state=42)
W = nmf.fit_transform(expression_matrix.T)  # 样本×亚型权重
H = nmf.components_  # 亚型×基因特征

# 识别各亚型的标记基因
def get_subtype_markers(H, gene_names, n_top=20):
    markers = {}
    for i in range(H.shape[0]):
        top_indices = np.argsort(H[i])[::-1][:n_top]
        markers[f"Subtype{i+1}"] = gene_names[top_indices]
    return markers

gene_names = expression_matrix.index.values
subtype_markers = get_subtype_markers(H, gene_names)

三、t-SNE流形学习

基本原理：
t-SNE（t-分布随机邻域嵌入）将高维数据映射到二维空间，通过保持数据点的局部邻域关系实现可视化。它将高维距离转换为概率分布，再用t-分布拟合低维空间的分布，突出数据的局部结构。

文献中的应用场景

1. 第一篇文献（ESCC研究）：

   • 可视化CD45+和CD45-细胞的聚类结果，展示上皮细胞、免疫细胞等群体的分布（图1b,c, 图2a）。
   • 分析上皮细胞亚簇的异质性，区分Group1和Group2簇（图2a,b）。

2. 第二篇文献（胰腺癌研究）：

   • 对单细胞亚簇降维可视化，展示癌细胞（如Ep_VGLL1）和成纤维细胞的分布（图1D,F, 图4C）。

Python实现示例

from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

# 假设reduced_data为PCA降维后的数据（n_samples × n_components）
tsne = TSNE(n_components=2, perplexity=30, learning_rate=200, n_iter=1000)
tsne_results = tsne.fit_transform(reduced_data)

# 可视化（结合细胞簇标签）
plt.figure(figsize=(8, 6))
plt.scatter(tsne_results[:, 0], tsne_results[:, 1], c=cell_labels, cmap='viridis')
plt.title('t-SNE Visualization of Single-Cell Clusters')
plt.show()

# 使用scanpy进行t-SNE分析（单细胞数据常用流程）
sc.tl.tsne(adata, n_pcs=50)
sc.pl.tsne(adata, color=['cell_type', 'patient_id'])

三种方法的对比与选择

在单细胞转录组分析中，通常先通过PCA降维减少噪声，再用NMF识别生物学亚型，最后用t-SNE可视化细胞分布，三者结合可全面解析肿瘤微环境的异质性。