scRNA-seq（シングルセルRNAシーケンシング）解析において、**UMAP（Uniform Manifold Approximation and Projection）**は、高次元データ（例：細胞ごとの遺伝子発現プロファイル）を2次元や3次元に縮約（次元削減）して可視化する手法の一つです。主に、細胞の「クラスタリング結果」や「細胞間の類似度」を視覚的に確認するために用いられます。
🔹 UMAPとは？
- 非線形の次元削減法
- 数千の遺伝子の発現情報を、2Dや3D空間にうまく圧縮してプロット
- 似た発現プロファイルを持つ細胞が近くに配置される
- トポロジー（データの構造）を保とうとする点が特徴
- 近年、t-SNEよりも速く、構造も保ちやすいとしてscRNA-seqで広く使われています
🔹 t-SNE（t-distributed Stochastic Neighbor Embedding）との違い
| 特徴 | UMAP | t-SNE |
|---|---|---|
| 距離の保持 | グローバルな構造（大域的関係）もある程度保つ | 局所的構造（局所的な類似性）に特化 |
| 処理速度 | 高速（特に大規模データで有利） | 比較的遅い |
| 解釈性 | クラスター間の距離にもある程度意味がある | クラスター間の距離はあまり意味がない |
| パラメータ | n_neighbors, min_dist など調整可能 |
perplexity など |
| 再現性 | 同じ乱数種子である程度再現可能 | 結果の再現性がやや低い |
| 実装 | scanpy や seurat で標準装備 |
同様に使用可能 |
🔹 どちらを使えばいい？
- UMAPが推奨されることが多い
- 処理が速い
- クラスター間の関係性もある程度表現可能
- t-SNEが優れている点
- ごく近い細胞の局所構造を詳細に表現
- 微細なクラスタ間の違いに敏感（だが誤解も招きやすい）
(ChatGPT 4o)