科学家们数十年来一直延用t分布随机邻域嵌入(t-SNE)方法处理单细胞水平的RNA测序数据(二维scRNA-seq数据)。然而按照计算标准，t-SNE非常慢。研究人员经常在应用t-SNE之前缩小scRNA-seq数据集，从初始样本中取一个较小的样本。因此，t-SNE不太可能捕获到罕见的细胞群，而这往往是研究人员最感兴趣的。 
　　30多年前，耶鲁大学的一个数学家团队开发出了快速多极法(fast multipole method, FMM)，这是一种革命性的数值技术，它加速了n-body问题中的远程力计算。耶鲁大学的另一个研究团队成员认为，FMM背后的原理也可以应用于非线性降维问题，如t-SNE和t-SNE加速，于是诞生了一个新的scRNA-seq数据处理方法：FIt-SNE（fast interpolation-based t-SNE），或基于快速插值的t-SNE。该方法将一百万点单细胞RNA测序(scRNA-seq)数据集的绘制时间从3个多小时缩短至15分钟，该研究成果发表在2019年2月11日《自然-方法》上。利用该方法，研究人员不仅可以更快地分析单细胞RNA测序数据，还可以用它来表征罕见的细胞亚群。研究小组还使用了一种热图可视化方法来显示FIt-SNE结果，使得人们可以很容易同时看到数千个基因在单个细胞水平上的表达模式。 
　　2018年12月，《科学》期刊表示，如果没有基于scRNA-seq数据的可视化技术，一个细胞一个细胞地追踪胚胎细胞的发育是不可能实现的，因此将其列为年度重大突破。研究人员表示，FIt-SNE将加速在发育生物学、神经科学以及癌症研究等领域的进一步工作，单细胞测序已经成为绘制大脑图谱和了解肿瘤的一种宝贵工具。 
　　吴晓燕 编译自https://www.sciencedaily.com/releases/2019/02/190214161142.htm 
　　原文链接：https://www.nature.com/articles/s41592-018-0308-4 
　　原文标题：Fast interpolation-based t-SNE for improved visualization of single-cell RNA-seq data