2018.12.28

学习工具

1. 百度学术：用来搜索相关文献，查看引证文章以及被引用文章，被引量，发表期刊等。

2. 谷歌学术：用来搜索百度学术里面搜不到的文章
   链接在这里.

3. LaTeX在线公式编辑器.

相关学习文章

链接1: Reversed graph embedding resolves complex single-cell trajectories–2017（ 《Nature Methods》被引量40）.

链接2: Reconstruction of complex single-cell trajectories using CellRouter–2018（ 《Nature Communications》被引量1）.

链接3: Uncovering pseudotemporal trajectories with covariates from single cell and bulk expression data–2018（被引量0）.

链接4: Mpath maps multi-branching single-cell trajectories revealing progenitor cell progression during development–2017（《Nature Communications》被引量12）.

链接5: Graph abstraction reconciles clustering with trajectory inference through a topology preserving map of single cells–2018（被引量3）.

完整的流程 Python语言: SCANPY: large-scale single-cell gene expression data analysis–2018（python《Genome Biology》被引量3）.

pk t-SNE的降维方法: TCM visualizes trajectories and cell populations from single cell data–2018（ 《Nature Communications》被引量0）.

评判好坏的框架: A comparison of single-cell trajectory inference methods: towards more accurate and robust tools–2018（ 《Nature Communications》被引量2）.

概述性文章: Computational approaches for interpreting scRNA‐seq data–2017（ 《Febs Letters》被引量8）.

可能用到的文章（反转图）: Probabilistic Dimensionality Reduction via Structure Learning.–2016（ 《IEEE Transactions on Pattern Analysis & Machine Intelligence》被引量0）.

学习框架

1. 归一化
2. 降维（重要）
3. 聚类
4. 轨迹重建

1.降维

1. PCA：
   1933年提出，线性降维算法，它不能解释特征之间的复杂多项式关系
2. t-SNE:
   2008年提出，非线性降维算法，计算成对的条件概率，并试图最小化较高和较低维度的概率差的总值。
   同时保留数据的局部和全局结构，局部方法寻求将流型上的附近点映射到低维表示中的附近点， 全局方法试图保留所有尺度的几何形状，即将附近的点映射到附近的点，将远处的点映射到远处的点。
   应用方面：几乎可以用于任何高维数据。不过大部分应用集中在图像处理，自然语言处理，基因数据以及语音处理，它还被用于提高心脑扫描图像的分析。
   t-sne原理解释以及代码示例.

2.轨迹算法

文章解读

一、Monocle2

Reversed graph embedding resolves complex single-cell trajectories.

1.流程