1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | dimensionality-reduction-plots-gptomics-bioskills |
| 项目自述名称 | Dimensionality-Reduction Plots（SKILL.md 内部标题） |
| 作者/维护者 | GPTomics Organization |
| 来源链接 | https://github.com/GPTomics/bioSkills/tree/main/data-visualization/dimensionality-reduction-plots |
| 许可证 | MIT（数据来源：GitHub API，仓库级） |
| GitHub Stars / Forks | 所属合集仓库 bioSkills 整体 1,132 / 193（数据来源：GitHub API；⚠️ 为整个合集的数字，不代表本技能自身热度） |
| 最新版本 | 本子技能内容最近一次提交于 2026-07-10（数据来源：GitHub API commits，按该子目录路径查询） |
| 安装方式 | 复制 data-visualization/dimensionality-reduction-plots/ 整个目录（含 SKILL.md、usage-guide.md）到 agent 的 skills 目录 |
2. 功能介绍与亮点
- 面向高维组学数据（bulk RNA-seq、单细胞、多组学整合）的降维可视化，覆盖 PCA、t-SNE、UMAP、PHATE 四种方法，明确给出各自保留的信息类型（线性方差 / 局部邻域 / 流形局部+部分全局 / 连续过渡轨迹）、典型超参数区间与失效场景，并附场景决策表（如“批次效应排查该用 PCA 而非 UMAP”）
- 核心亮点是系统性纠正“过度解读 2D 嵌入图”这一常见误区：引用 Chari & Pachter 2023（PLOS Comp Biol）说明 UMAP/t-SNE 2D 投影会损失 >95% 高维几何信息，簇间距离、密度、拓扑关系均不可直接读作生物学结论；同时给出 Kobak & Berens 2019（Nat Commun）的 t-SNE 现代化默认参数（PCA 初始化、按样本量缩放学习率、早期夸张系数）
- 提供 7 类具体失败模式对照表（UMAP 距离过度解读、随机种子未设置导致结果不可复现、小样本 perplexity 过高导致聚类碎片化、PCA 未标准化导致 PC1 反映文库大小而非生物学变异、UMAP 簇形状被误读为生物学信号、scanpy 保存路径拼接陷阱、默认 DPI 不达期刊要求），逐条给出触发条件、机制、症状与修复方法
- 附带定量阈值表（t-SNE perplexity 30–50、UMAP n_neighbors 15–50 / min_dist 0.1–0.5、期刊发表 DPI ≥300 等）与完整参考文献列表（McInnes 2018、Chari-Pachter 2023、Kobak-Berens 2019 等 7 篇）
- 附带独立的
usage-guide.md，给出可直接对 agent 说的自然语言提示示例
3. 适用场景
所属分类：数据分析与可视化
面向需要对高维组学数据（bulk RNA-seq 样本 QC、单细胞聚类总览、多组学整合投影、发育轨迹研究）做降维可视化的生物信息学研究者与数据分析师。这类图表在论文中极其常见，但方法选型（PCA vs t-SNE vs UMAP vs PHATE）、超参数设置与结果解读的边界极易出错——尤其是把 UMAP/t-SNE 的二维距离直接当作生物学相似度来下结论，是审稿人最常质疑的错误之一。Claude Code / Codex 等 agent 可结合该技能直接描述需求（如“给这批单细胞数据画一个 UMAP，n_neighbors 30，按 Leiden 聚类上色”），产出方法选择合理、超参数明确、且不越界解读的可复现代码。
4. 跨 Agent 兼容性
- Claude Code：✅ 原生支持——标准 SKILL.md（YAML front matter + 指令正文），可直接复制进技能目录使用
- Codex：✅ 遵循同一 Agent Skills 规范格式，可安装使用
- OpenClaw：✅ 同上，格式通用
- Hermes Agent：❓ 未验证——Hermes Agent 官方生物信息学技能网关的「Data Visualization & Reporting」类目未按目录名列出本技能（网关列出的是 ggplot2-fundamentals、heatmaps-clustering、volcano-customization 等 12 项，均不含 dimensionality-reduction-plots）
5. 推荐理由
降维可视化是高维组学数据分析中使用频率最高的图表类型之一，但也是最容易被误读的一种：PCA、t-SNE、UMAP、PHATE 四种方法保留的信息完全不同，二维图上的“距离”含义也各不相同。该技能把方法选型决策树、现代化的超参数默认值（如 Kobak-Berens t-SNE 设置）、以及“UMAP 距离不能读作生物学相似度”这类隐蔽性解读错误系统整理在一起，帮助 agent 一次产出方法选择合理、超参数明确、且附带正确解读边界说明的可复现绘图代码，减少论文投稿阶段被审稿人质疑方法论的风险。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 5 | 所属合集仓库 GPTomics/bioSkills 整体 1,132 stars，该数字属整个合集，不代表本技能自身热度；本技能未被 Hermes Agent 官方生物信息学技能网关按目录名列出，也未查到针对本子技能的独立第三方评价 |
| 可用性 | 9 | SKILL.md（19,372 字节）+ 独立 usage-guide.md（5,091 字节），内容含算法分类表、场景决策树、7 类失败模式对照表、定量阈值表与完整参考文献；依赖均为一条命令即可装好的开源包（scanpy/scikit-learn/umap-learn/openTSNE/phate），无付费依赖；本技能所在路径最近一次提交为 2026-07-10 |
| 安全性 | 9 | 纯提示词模板 + 本地绘图代码示例（Python/R），无内嵌 shell 命令执行、无运行时联网外发、无需 API key 或凭据；MIT 许可证明确；通读全文未见混淆逻辑或可疑指令 |
安全检查清单：①无 shell 命令执行，示例仅为 Python/R 绘图代码片段供用户在自有环境运行 ②运行时不联网 ③无需任何凭据 ④SKILL.md 与 usage-guide.md 均为公开的降维方法教程，未见可疑指令 ⑤GPTomics 为持续维护该开源生物信息学技能合集的组织账号，公开仓库活动未见刷星或误导性描述等造假迹象 ⑥MIT 许可证清晰 ⑦本技能所在路径最近一次提交为 2026-07-10
7. 跟同类 Skills 相比的优势
| 维度 | dimensionality-reduction-plots（本技能） | heatmaps-clustering（同合集，聚类热图方案） | UMAP-Learn（mcpmarket.com 上的通用型 Claude Code Skill） |
|---|---|---|---|
| 定位 | 覆盖 PCA/t-SNE/UMAP/PHATE 四种降维方法的选型与可视化，含生物学场景决策树 | 同一高维矩阵的另一种视图——聚类热图，不涉及降维投影 | 仅覆盖 UMAP 单一算法，面向通用机器学习流程（特征工程、HDBSCAN 前置降维） |
| 领域适配 | 深度绑定组学场景：批次效应排查、单细胞聚类总览、发育轨迹等场景各自给出方法建议 | 面向差异表达矩阵、相关性矩阵等场景的聚类可视化 | 通用 scikit-learn 兼容框架，不含基因组学专属的统计出处或失败模式讨论 |
| 解读纠错 | 系统性纠正“UMAP 距离即生物学相似度”等误读，引用 Chari-Pachter 2023 等文献 | 聚焦聚类方法（层次聚类/k-means）与色标选择的常见错误 | 聚焦参数调优（距离度量、metric 学习），未见针对结果误读的纠错内容 |
三者定位互补：需要“高维数据的降维投影图（PCA/UMAP/t-SNE/PHATE）“选本技能；需要”矩阵本身的聚类热图“选 heatmaps-clustering；只需要通用、非生物学场景的 UMAP 调参可参考 UMAP-Learn 一类工具型技能。
8. 用户评价
该技能目前在第三方平台尚无具名用户评价；所属仓库当前公开 Issue 数为 0，未见针对本子技能的具名反馈。
9. 其他补充
SKILL.md 的「Related Skills」交叉引用同合集内的 single-cell/preprocessing（降维前的 PCA / 邻接图计算）、single-cell/clustering（UMAP 上展示的 Leiden/Louvain 聚类结果）、single-cell/trajectory-inference（PHATE、扩散伪时间等轨迹分析）、data-visualization/color-palettes（聚类标签配色）、data-visualization/distribution-plots（单簇基因表达的后续可视化）与 data-visualization/heatmaps-clustering（同一高维矩阵的替代视图），可见本技能在合集内承担“通用降维投影图”的基础角色。
10. 安装使用方式
- 从 GitHub 下载或克隆仓库子目录：
data-visualization/dimensionality-reduction-plots/ - 复制整个目录（含
SKILL.md、usage-guide.md）到所用 agent 的 skills 目录（如 Claude Code 的~/.claude/skills/或项目内.claude/skills/） - 按需安装依赖：Python 侧
pip install scanpy anndata scikit-learn umap-learn openTSNE phate matplotlib；R 侧install.packages(c('Rtsne', 'uwot')); BiocManager::install('PCAtools') - 无需重启 agent，安装后下次对话即可通过自然语言描述需求触发（如“给这批单细胞数据做 PCA 后画 UMAP，n_neighbors=30，按聚类结果上色”）
11. 注意事项
- UMAP/t-SNE 的簇间距离与密度不代表生物学相似度或丰度，仅局部邻域关系可信，跨簇关系需用高维空间指标（相关性、RNA 速率等）验证
- t-SNE、UMAP 均为随机优化，务必显式设置随机种子（
random_state=42或seed=42）以保证结果可复现 - 仓库为社区维护的生物信息学技能合集，非任何厂商官方出品，选用前建议自行核对示例代码与当前环境中的库版本是否匹配