来源：分析测试百科网

　　2018年12月，《Science》杂志称，如果没有基于scRNA-seq的可视化技术，一个细胞一个细胞地跟踪胚胎发育就不可能实现，因此这是今年最大的突破这一。2019年，研究人员写道，毫无疑问，FIt-SNE将加速发育生物学、神经科学以及癌症研究等领域的进一步工作。

　　就像从针孔相机到偏光片一样，生物信息学数据可视化方法公式也在不断进行数学革新。耶鲁大学的数学家在《Nature Methods》杂志上发表了基于单细胞基因表达快照的创新成果，能够将一百万点单细胞RNA测序（scRNA-seq）数据集的绘制时间从3小时缩短到15分钟。

　　科学家们说，十几年来我们一直用“老掉牙”的方法，即t-分布随机邻域嵌入（t-SNE）处理单细胞水平的RNA测序数据（二维scRNA-seq数据）。“这种方法，t-SNE通过基因表达‘组织’细胞，从而识别新细胞类型和状态，”耶鲁大学应用数学系博士研究生George Linderman说。

　　按照计算标准，t-SNE相当慢。因此，研究人员经常在应用它之前尽量“缩小”scRNA数据集——从最初的样本中提取一个小样本。然而，由于t-SNE不太可能捕捉到罕见的细胞群（通常是研究人员最想鉴定的），因此降低采样率是一个很差的折衷方案。

　　30多年前，耶鲁大学的另一组数学家开发了快速多级方法（fast multipole method，FMM），这是一种革命性的数值技术，它加速了n-body问题中的远程力计算。这项研究，研究人员意识到FMM背后的原理也可以应用在非线性尺寸缩减问题上，如t-SNE和t-SNE加速，于是它获得了一个新名字：FIt-SNE，或称基于快速插值的t-SNE（fast interpolation-based t-SNE）。

　　“使用我们的方法，研究人员不仅可以更快地分析单细胞RNA测序数据，还可以描述罕见的细胞亚群。在过去，如果你在t-SNE之前对数据进行了亚采样，你就无法检测到这些亚群，”文章通讯作者、耶鲁大学病理学教授Yuval Kluger说。此外，研究小组还使用了一种热图式可视化方法来显示其匹配的SNE结果，使得人们更容易地同时看到数千个基因在单细胞水平上的表达模式。

　　研究人员说，2019年是t-SNE变“健康（fit）”的好年份。2018年12月，《Science》杂志称，如果没有基于scRNA-seq的可视化技术，一个细胞一个细胞地跟踪胚胎发育就不可能实现，因此这是今年最大的突破这一。研究人员说，毫无疑问，FIt-SNE将加速发育生物学、神经科学以及癌症研究等领域的进一步工作。在这些领域中，单细胞测序已经成为绘制大脑和了解肿瘤的宝贵工具。