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
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。
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。
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。
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。
先确认 坐标与图例 编码的是什么
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。
在 6/8 个预设独立样本中同方向；教学筛查需逐样本报告，在 6/8 个预设独立单位同方向（75.0%）；最大单一样本贡献 <29%。该数值只适用于 read-1 的 teaching-example，正式研究按当前 donor/sample 分布复核。
把 UMAP 当统计检验，或跨不同运行比较坐标距离。
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。
坐标与图例 的教学例为 6/8 个独立单位同方向，效应=0.38（95% CI 0.27–0.54）；若同方向单位 ≤4/8，停止强解释。
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。
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。
它不能单独证明机制、因果或真实时间顺序。
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