1004.特征工程-特征降维-t-SNE

t 分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding，t-SNE）是一种非线性、无监督降维与可视化方法。它将高维样本映射到 2D/3D，优先保留局部邻域结构，广泛用于聚类展示、嵌入表征质量初筛与异常诊断。

段末注释：t-SNE 输出坐标主要用于探索性看图，一般不作为下游回归/分类模型的训练特征。

读前说明：配图位于同名目录 1004.特征工程-特征降维-t-SNE/；正文图链写 ./1004.特征工程-特征降维-t-SNE/文件名，便于编辑器预览与 Hexo 部署。系列索引：降维概述 | PCA | UMAP

1. 产生基础：为什么需要 t-SNE

1.1 问题来源

机器学习与组学分析中，原始特征常为高维向量：

蛋白 PLM 嵌入：维度 $D$ 可达 320～1280；
图像 CNN 特征、单细胞表达谱：维度更高。

人眼无法直接观察 $D$ 维空间中的聚类与离群结构。传统线性降维（PCA）对非线性流形（如「瑞士卷」形数据）表现差——展开后相近样本可能被压到一起。

t-SNE 的目标：在二维平面上回答——

相似的样本是否靠得近？不相似的样本是否分开？

1.2 与 PCA 的分工

方法	映射类型	保留什么
PCA	线性	全局方差最大的方向
t-SNE	非线性	局部邻域相似关系

实践中常串联：PCA 粗看方差/批次 → t-SNE 细看作图 → 监督模型定量评估。

2. 演进脉络

图 1　t-SNE 演进脉络（科普示意）

年份	里程碑	要点
2002	SNE（Stochastic Neighbor Embedding）	Hinton & Roweis；用高斯分布建模邻域相似度，梯度下降布局
2008	t-SNE	van der Maaten & Hinton；低维改用 t 分布（重尾），缓解拥挤问题（crowding problem）
2014	Barnes-Hut t-SNE	近似近邻，将复杂度从 $O(N^2)$ 降至约 $O(N \log N)$
2010s	单细胞爆发	scRNA-seq 标准可视化工具之一
2020s	与 UMAP 并存	蛋白 PLM 嵌入、深度学习特征探索；大规模场景更常优先 UMAP

段末注释：拥挤问题指高维中「中等距离」的点过多，挤入低维小区域后难以分辨局部结构；t 分布的长尾有助于拉开这些点。

3. 算法原理

图 2　t-SNE 算法原理（科普示意）

t-SNE 分两步：高维建概率图 → 低维对齐概率图。

3.1 高维：高斯邻域相似度

对样本 $i$，以 $i$ 为中心，定义条件概率（只强调近邻）：

$$
p_{j|i} = \frac{\exp\left(-| \mathbf{x}_i - \mathbf{x}j |^2 / 2\sigma_i^2\right)}{\sum{k \neq i} \exp\left(-| \mathbf{x}_i - \mathbf{x}_k |^2 / 2\sigma_i^2\right)}
$$

对称化：

$$
p_{ij} = \frac{p_{j|i} + p_{i|j}}{2n}
$$

$\sigma_i$ 由 perplexity（困惑度）二分搜索确定，可理解为每个点关注的「有效近邻数」（典型 5～50）。

3.2 低维：t 分布 + KL 散度

低维坐标 $\mathbf{y}i$ 上，用自由度为 1 的 t 分布定义 $q{ij}$（重尾，减轻拥挤）。

优化目标——最小化 KL 散度（Kullback-Leibler divergence）：

$$
C = \mathrm{KL}(P | Q) = \sum_{i \neq j} p_{ij} \log \frac{p_{ij}}{q_{ij}}
$$

梯度下降迭代更新 $\mathbf{y}_i$，使低维分布 $Q$ 逼近高维分布 $P$。

3.3 算法流程（伪代码）

输入: X (n×d), perplexity, n_iter
1. 计算高维成对相似度 → 矩阵 P
2. 随机或 PCA 初始化低维 Y (n×2)
3. for t in 1..n_iter:
       计算低维 q_ij (t分布)
       梯度 ← ∂KL(P||Q)/∂Y
       Y ← Y - lr * 梯度
输出: Y

4. 适用场景

图 3　t-SNE 适用场景（科普示意）

场景	具体用法	期望信号
蛋白/酶变体嵌入质控	ESM 嵌入 → t-SNE → 按 $\log_{10}(\mathrm{activity}/\mathrm{WT})$ 着色	高/低活性分区 → 表征可能含功能信息
单细胞 RNA-seq	细胞表达谱降维展示	细胞类型形成紧簇
深度模型特征探索	CNN/AE 隐层特征可视化	类别边界可辨
批次/异常诊断	按批次、日期、操作者着色	若批次比标签更「整齐」→ 需校正

与酶改造-06 §6.2「预判表征质量」直接对应。

不适用：

需要精确全局距离比较（用 MDS 或 UMAP 更合适）；
需要可解释特征输入回归器（用原始嵌入或 PCA）；
实时在线降维新样本（t-SNE 无简单 transform，新点需重跑或用近似方案）。

5. 局限性

图 4　t-SNE 局限性（科普示意）

局限	说明	应对
全局距离失真	图上两簇间距不代表高维真实差异	不根据簇间远近下生物学结论
计算成本高	朴素实现 $O(N^2)$；$N>10^4$ 很慢	先 PCA→50 维；Barnes-Hut；抽样
不宜作训练特征	2D 坐标语义不稳定、信息损失大	用原始高维嵌入训练模型
超参数敏感	perplexity、学习率、初始化影响形态	固定 `random_state`；`init='pca'`；多组 perplexity 对照
无标准 transform	sklearn 对新样本需 `fit_transform` 全量重算	探索性分析可接受；生产流水线慎用

图好看 ≠ 模型准：必须结合 Spearman、RMSE、交叉验证与湿实验。

6. 主要超参数

参数	含义	建议
perplexity	局部邻域尺度	样本少 5～15；样本多 30～50；须 $< n_{\mathrm{samples}}$
n_iter	迭代次数	≥1000（默认常 1000）
learning_rate	步长	`'auto'` 或 10～1000
init	初始化	推荐 `'pca'` 更稳定
random_state	随机种子	必须固定

7. 示例展示与代码

7.1 合成数据演示（可直接运行）

下面用 sklearn 自带 digits 数据集（64 维手写数字 → 2D），展示 t-SNE 如何把不同数字分开：

"""t-SNE 合成示例：digits 数据集可视化"""
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_digits
from sklearn.manifold import TSNE
from sklearn.preprocessing import StandardScaler

# 1. 加载数据（1797 样本 × 64 特征）
digits = load_digits()
X = StandardScaler().fit_transform(digits.data)
y = digits.target  # 0-9 标签

# 2. t-SNE 降维
tsne = TSNE(
    n_components=2,
    perplexity=30,
    n_iter=1000,
    init="pca",
    random_state=42,
)
Z = tsne.fit_transform(X)

# 3. 作图
fig, ax = plt.subplots(figsize=(8, 6))
scatter = ax.scatter(Z[:, 0], Z[:, 1], c=y, cmap="tab10", s=12, alpha=0.8)
ax.set_xlabel("t-SNE 1")
ax.set_ylabel("t-SNE 2")
ax.set_title("sklearn digits — t-SNE (perplexity=30)")
plt.colorbar(scatter, ax=ax, label="digit")
plt.tight_layout()
plt.savefig("tsne_digits_demo.png", dpi=150)
print("KL divergence (final):", tsne.kl_divergence_)

预期结果：0～9 十个数字在 2D 上形成 10 个相对独立的簇，说明 64 维像素特征中的类别信息在局部邻域中得到保留。

7.2 蛋白变体嵌入质控示例

"""蛋白变体 PLM 嵌入 + t-SNE 质控（示意）"""
import numpy as np
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE
from sklearn.decomposition import PCA

# embeddings.npy: (N, D) 来自 ESM-2 mean pooling
# labels.npy: log10(activity/WT)，或 0/1 高/低活性
X = np.load("embeddings.npy")
y = np.load("labels.npy")

# 大规模先 PCA 预降维（可选，N>5000 时推荐）
if X.shape[0] > 5000:
    X = PCA(n_components=50, random_state=42).fit_transform(X)

perplexity = min(30, max(5, X.shape[0] // 10))  # 自适应

Z = TSNE(
    n_components=2,
    perplexity=perplexity,
    init="pca",
    random_state=42,
).fit_transform(X)

fig, axes = plt.subplots(1, 2, figsize=(12, 5))

# 左：连续活性着色
sc0 = axes[0].scatter(Z[:, 0], Z[:, 1], c=y, cmap="viridis", s=15, alpha=0.75)
plt.colorbar(sc0, ax=axes[0], label="log10(activity/WT)")
axes[0].set_title("按活性着色")

# 右：二分类高/低活性（中位数切分）
binary = (y > np.median(y)).astype(int)
sc1 = axes[1].scatter(Z[:, 0], Z[:, 1], c=binary, cmap="coolwarm", s=15, alpha=0.75)
plt.colorbar(sc1, ax=axes[1], label="high(1)/low(0)")
axes[1].set_title("高/低活性二分")

for ax in axes:
    ax.set_xlabel("t-SNE 1")
    ax.set_ylabel("t-SNE 2")

plt.tight_layout()
plt.savefig("tsne_protein_qc.png", dpi=150)

7.3 perplexity 敏感性对照

"""同一数据，不同 perplexity 对比"""
fig, axes = plt.subplots(1, 3, figsize=(15, 4))
for ax, perp in zip(axes, [5, 30, 50]):
    Z = TSNE(n_components=2, perplexity=perp, init="pca", random_state=42).fit_transform(X)
    ax.scatter(Z[:, 0], Z[:, 1], c=y, cmap="viridis", s=8, alpha=0.7)
    ax.set_title(f"perplexity={perp}")
plt.savefig("tsne_perplexity_sweep.png", dpi=150)

8. 与 PCA、UMAP 对比

方法	线性/非线性	保留结构	速度	典型用途
PCA	线性	全局方差	快	预处理、建模降维
t-SNE	非线性	局部邻域	慢	紧簇边界可视化
UMAP	非线性	局部 + 部分全局	较快	大规模流形探索

建议流程：PCA 粗看 → t-SNE/UMAP 细看作图 → 监督模型评估。

9. 小结

t-SNE 源于 SNE，核心创新是低维 t 分布 + KL 散度，解决拥挤问题。
强项是局部聚类可视化与嵌入质控初筛；弱项是全局距离不可信、慢、不宜当特征。
蛋白工程中与酶改造-06 配合：看图后仍需定量指标与湿实验验证。

参考文献

van der Maaten L., Hinton G. Visualizing Data using t-SNE. JMLR 2008, 9, 2579–2605.
van der Maaten L. Accelerating t-SNE using Tree-Based Algorithms. JMLR 2014, 15, 3221–3245.
sklearn.manifold.TSNE
特征降维算法比较综述