CosMAP：对比流形近似与投影用于组学与家谱数据的降维

组学数据集，特别是单细胞 RNA 测序数据，高度高维、稀疏、嘈杂且零值主导，使得保真的低维表示具有挑战性。现有降维方法可能扭曲局部邻域、全局组织或有意义的群体凝聚力，基因谱数据中也出现类似局限性。我们提出对比流形近似与投影（CosMAP），一种基于图的 unsupervised 降维方法，用于产生保真且可解释的嵌入。CosMAP 扩展了 UMAP 的图基础框架，结合余弦相似度邻域与温度归一化对比亲和力，这些亲和力在嵌入空间中通过吸引-排斥目标优化。此外，它采用两阶段细化策略：首先学习中间高维表示，然后用于重建邻域图并初始化最终低维嵌入。我们在 MNIST 和 USPS 数字数据集、小鼠视网膜和皮层单细胞 RNA 测序数据集，以及来自 BALSAC-CARTaGENE 的大型家谱亲缘关系数据集上评估 CosMAP。与最先进的降维方法相比，CosMAP 产生更一致的视觉表示，改善邻域保持，并提供更清晰的数字类、生物细胞群体和区域家谱模式的全局组织。这些结果表明，CosMAP 为复杂、稀疏、高维数据的探索性分析提供了一个稳健框架。该实现公开发布于 https://github.com/FenosoaRandrianjatovo/CosMAP-dr。