Single Cell · FIGURE
原创教学重绘 · 模拟数据UMAP
单细胞降维图
高维表达状态在二维表示中形成怎样的局部结构？
数据从哪里来
PCA 空间建立的 neighbor graph
怎么看
每个点代表一个细胞
颜色代表 cluster、cell type 或其他元数据
这张图如何产生
Normalized matrixHVG + PCANeighbor graphUMAP
可以支持什么
展示细胞状态的局部结构与标签分布。
不能证明什么
二维距离不能证明真实空间邻近、谱系或细胞通讯。
HOW TO COMBINE EVIDENCE
不要只列指标：把证据放回一个判断情境
先用类比建立直觉，再把每项观察放回研究问题，最后决定结论应该停在哪里。
01 · 先建立直觉
UMAP 像一张带图例的地图
地图不是目的地本身，它只把位置、方向和比例编码出来。读 UMAP 时，先确认每个视觉元素代表什么，再判断哪些趋势可以支持研究问题。
坐标、颜色、大小和分母分别承担不同信息；把它们合起来，才不会把“看起来分开”误写成“已经证明”。
02 · 教学模拟
这张 UMAP 真正要回答什么？
情境：研究者用 PCA 空间建立的 neighbor graph 生成 UMAP，想回答“高维表达状态在二维表示中形成怎样的局部结构？”。
问题：图中的趋势是否在正确的统计单位、样本和不确定性范围内成立？
观察：先观察整体结构，再核对图例、分母、重复和异常点；任何单一视觉趋势都必须回到生成它的数据对象。
03 · 逐项合并证据
先确认 坐标与图例 编码的是什么
怎么看
确认 坐标与图例 的定义、尺度、分母和是否在不同 panel 中保持一致。
支持时
方向在多个样本中一致
冲突时
把 UMAP 当统计检验，或跨不同运行比较坐标距离。
缺失时
没有 坐标与图例 时，不能判断图形变化是生物学趋势还是编码、分母或样本差异造成的。
在这个案例里
如果 坐标与图例 清楚且与其他层证据方向一致，UMAP 才能回答“高维表达状态在二维表示中形成怎样的局部结构？”的一部分；不要跳过样本层复核。
04 · 合并后的判断
结合规则
先拆解编码，再看趋势，最后把趋势与样本、效应量和不确定性合并；图形美观不能替代统计与实验设计。
案例结论
这张图可以帮助描述 高维表达状态在二维表示中形成怎样的局部结构？，并提出后续验证方向。
证据边界
它不能单独证明机制、因果或真实时间顺序。
06 · STOPPING RULE
什么时候应该停止继续解释？
当趋势由少数点、单一样本、编码差异或不明确分母驱动时，停止把图形升级为强结论。
- 把 UMAP 当统计检验，或跨不同运行比较坐标距离。
- 坐标、分母或颜色编码不清楚
下一步：回到原始数据对象、样本层统计和图例定义，补充重复、不确定性或正交验证后再继续解释。