.png){kind=icon}
返回
Visualizing stability: a sensitivity analysis framework for t-SNE embeddings
.png){kind=icon}
OA
AI
DOI：10.3389/fbinf.2025.1719516.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
t-分布随机邻域嵌入（t-SNE）是可视化高维生物数据的基础方法；其中每个高维数据点被表示为二维图中的一个点。然而，这种静态图无法提供关于视觉布局稳定性的信息、影响其特征的因子，或输入数据不确定性带来的影响。本研究介绍了一个计算框架，能够通过视觉线索扩展标准t-SNE图以反映t-SNE嵌入的稳定性。首先，我们进行敏感性分析以确定特征影响：通过结合隐函数定理与自动微分，我们的方法计算嵌入相对于输入数据的敏感性，并以雅可比矩阵（包含一阶导数）的形式呈现。该雅可比矩阵的热图可视化或其汇总结果可揭示哪些输入特征对塑造嵌入和识别结构不稳定性区域最具影响力。其次，当输入数据的不确定性已知时，本框架利用该雅可比矩阵传播误差，以概率方式量化每个嵌入点的位置不确定性。这种不确定性通过在图中添加假设性结果进行可视化，以展示各点的位置置信度。我们将该框架应用于三个不同的生物数据集（批量RNA测序、蛋白质组学和单细胞转录组学），展示了其将视觉模式直接关联至底层生物学驱动因素并揭示标准图中不可见模糊性的能力。通过提供评估t-SNE可视化稳健性和可解释性的规范方法，本研究为生物信息学领域提供了更严谨、更具信息量的科学结论。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
430
被引数:
1.0K
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Mesoscopic structure graphs for interpreting uncertainty in non-linear embeddings介观结构图用于解释非线性嵌入中的不确定性
PREAI
分享收藏Massively parallel digital transcriptional profiling of single cells单细胞的大规模并行数字转录谱分析NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Enzyme-Constrained Models and Omics Analysis of Streptomyces coelicolor Reveal Metabolic Changes that Enhance Heterologous ProductioniScienceOAAI
iScienceIF0
OAAI分享收藏分享收藏Data-driven identification of prognostic tumor subpopulations using spatially mapped t-SNE of mass spectrometry imaging data使用质谱成像数据的空间映射t-sne进行数据驱动的预后肿瘤亚群鉴定OAAI
OAAI分享收藏
查看更多内容