首先，這是兩種降維的scRNA-seq的降維圖
那麽它們有什麽區別呢？
首先，在高維空間內，描述兩個點（兩個細胞）的距離不壹樣，tSNE采取的是“概率算法”，即把兩個點的距離轉換成概率，若 i 與 j 這兩個點距離比較近的話，它所對應的概率較大；而UMAP采取的是傳統的歐式距離。
這裏的x表示的高維空間的距離
在計算σ的時候（計算距離所需）
在此之前，我們先簡單介紹下perplexity和香農熵
perplexity反應的是細胞的臨近個數，當perplexity越大，細胞分布越緊密，壹般perplexity = （細胞數-1）/ 3
香農熵是用於描述細胞的混亂程度的物理量，什麽意思呢？
每兩個細胞之間都會存在壹定的距離，香農熵描述的是細胞間的距離層差不齊的程度
那麽回到我們這幅圖
最後就是降維以後，在低維空間的距離校正方法不同，tSNE采用的是t分布進行校正，而UMAP采用的是與最小距離比較，從而確定表達式
這裏的y指的是低維空間的兩點（兩個細胞）間的距離，
通過高維空間的距離到低維空間的映射，那麽低維距離就可以進行可視化