具体数据Rdata数据可通过下方网盘链接获取：
链接: https://pan.baidu.com/s/1a1X-AsA1aVUvZIL0orD-rQ?pwd=vw63 提取码: vw63
1. PCA降维代码
merged_rna <- RunPCA(merged_rna,
npcs = 50, #纬度选择
seed.use = 42,
verbose = FALSE)
注意我们的输入数据是scale.data，因为使用scale.data才能避免某个原始高表达基因在后续降维聚类中占据主导，具体原理可以看往期推送“单细胞必须理解的三步走”。
之前运行完毕RunPCA以及IntegrateLayers后的降维结果储存在reductions中。
2. 选择纬度策略
生物信息学实践中需要平衡：
推荐采用以下方法确定最佳PC数：方法一：ElbowPlot （最常用）
ElbowPlot(demo_obj, ndims = 30)
结果解读：
方法二：JackStrawPlot()
# 执行JackStraw分析
merged_rna <- JackStraw(merged_rna, num.replicate = 100,dims = 1:20) #可以更多，只是示例；这一步运行时间较长
merged_rna <- ScoreJackStraw(merged_rna, dims = 1:20)
# 可视化分析结果
JackStrawPlot(
merged_rna,
dims = 1:20, # 检验前20个主成分
reduction = "pca", # 指定降维方法
xmax = 1, # p值上限
ymax = 1 # 统计量上限
)
DimHeatmap(merged_rna,
dims = 15:20, # 查看PC15-20
cells = 500, # 显示500个细胞
balanced = TRUE) # 平衡正负负荷基因
可以看到，PC1的正向调节基因与免疫明显相关，在后面UMAP图可视化的时候应该可以看出PC1区分出了免疫相关细胞和其他细胞。merged_rna <- merged_rna %>%
FindNeighbors(reduction = "integrated.cca", dims = 1:20) %>%
RunUMAP(reduction = "integrated.cca", dims = 1:20) %>%
RunTSNE(reduction = "integrated.cca", dims = 1:20) %>%
identity() #这里的dims 的意思是从 reduction 参数指定的降维结果（如 "integrated.cca"）中选择哪些维度（这里是1:20）作为 RunUMAP 的输入。
运行之前可以看到reduction中只有pca和integrated.cca两个。
运行完毕之后可以看到多了刚刚使用“integrated.cca”跑出来的umap和tsne两个reduction。
RunUMAP重要参数（一般默认即可）：
- 小值（如5-15）：强调局部结构，可能导致簇内细节更清晰，但全局结构（如簇之间的相对位置）可能丢失。
- 大值（如50-200）：强调全局结构，簇之间的分隔更明显，但可能牺牲局部细节。
- 控制嵌入点压缩的紧密程度。较小的值使嵌入更关注局部结构（更紧密），较大的值使点分布更均匀、分散，更凸显全局结构。
- 范围: 通常在 0.001 到0.5 之间。默认值: 0.3，一般这个大小即可。
