openTSNE基础使用教程：从数据加载到可视化分析

前言

t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种强大的降维可视化技术，特别适合高维数据的可视化分析。openTSNE是该算法的一个高效实现，提供了丰富的功能和灵活的接口。本文将详细介绍如何使用openTSNE进行基础的数据降维和可视化。

环境准备与数据加载

首先需要确保已安装必要的Python库，包括openTSNE、numpy、scikit-learn和matplotlib等。我们将使用Macosko 2015小鼠视网膜数据集作为示例，这是一个在单细胞RNA测序研究中广泛使用的基准数据集。

from openTSNE import TSNE
import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

加载数据时，我们使用PCA降维后的50维特征作为输入：

import gzip
import pickle

with gzip.open("data/macosko_2015.pkl.gz", "rb") as f:
    data = pickle.load(f)

x = data["pca_50"]  # 50维PCA特征
y = data["CellType1"].astype(str)  # 细胞类型标签

该数据集包含44,808个样本，每个样本有50个特征。为了评估模型的泛化能力，我们将其划分为训练集和测试集：

x_train, x_test, y_train, y_test = train_test_split(
    x, y, 
    test_size=0.33,  # 33%作为测试集
    random_state=42   # 固定随机种子保证可重复性
)

t-SNE模型训练

openTSNE的核心是TSNE类，我们可以通过调整多个参数来优化降维效果：

tsne = TSNE(
    perplexity=30,      # 控制局部邻域大小的参数
    metric="euclidean", # 距离度量方式
    n_jobs=8,          # 并行计算使用的CPU核心数
    random_state=42,    # 随机种子
    verbose=True,       # 显示详细日志
)

训练过程分为两个阶段：

1. 早期夸张阶段（exaggeration=12）：增强类间距离，帮助逃离局部最优
2. 常规优化阶段（exaggeration=1）：精细调整嵌入位置

embedding_train = tsne.fit(x_train)

从输出日志可以看到，算法首先使用近似最近邻搜索（Annoy）计算邻域关系，然后通过优化KL散度逐步调整嵌入位置。整个过程耗时约2分钟（使用8核CPU），最终得到的KL散度为2.4950。

结果可视化

训练完成后，我们可以将高维数据可视化在2D平面上：

utils.plot(embedding_train, y_train, colors=utils.MACOSKO_COLORS)

图中不同颜色代表不同的细胞类型，可以看到t-SNE成功地将相似细胞聚集在一起，形成了清晰的簇结构。

新数据转换

openTSNE的一个重要特性是能够将新数据点嵌入到已有的t-SNE空间中：

embedding_test = embedding_train.transform(x_test)

转换过程首先在原始嵌入空间中寻找测试点的最近邻，然后通过优化保持这些邻域关系。最终我们可以将测试集和训练集一起可视化：

fig, ax = plt.subplots(figsize=(8, 8))
utils.plot(embedding_train, y_train, colors=utils.MACOSKO_COLORS, alpha=0.25, ax=ax)
utils.plot(embedding_test, y_test, colors=utils.MACOSKO_COLORS, alpha=0.75, ax=ax)

图中半透明点代表训练集，实心点代表测试集。可以看到测试集数据很好地融入了训练集形成的结构中，说明模型具有良好的泛化能力。

参数调优建议

1. Perplexity：控制平衡局部和全局结构的权衡。通常设置在5-50之间，对于大型数据集可能需要更大值。
2. 学习率：默认值通常表现良好，但若出现"拥挤问题"（所有点挤在一起）可尝试增大学习率。
3. 迭代次数：默认750次通常足够，可通过观察KL散度是否收敛来判断。
4. 初始化：openTSNE默认使用PCA初始化，比随机初始化通常能获得更好的结果。

结语

本教程展示了openTSNE的基础使用方法，从数据准备、模型训练到结果可视化的完整流程。openTSNE不仅提供了高效的t-SNE实现，还支持新数据的转换功能，这在许多实际应用中非常有用。通过调整参数和深入分析可视化结果，研究者可以获得对高维数据结构的深刻理解。