Nat. Comput. Sci. | 监督式数据可视化揭示生物学新见解

基于降维的数据可视化是理解复杂生物数据的重要工具。然而，t-SNE、UMAP 和 Isomap 等无监督方法通常只反映数据中的主导结构，而这些结构未必与下游分析目标或专家标注一致。研究人员提出 RF-PHATE，这是一种监督式可视化方法，能够融入专家知识，突出与标签相关的结构，同时抑制无关变异。RF-PHATE 使用随机森林学习特征与标签之间的关系，并将这些信息转化为低维嵌入。该方法可处理大规模数据，适用于分类和回归任务。研究人员通过四个案例展示其应用，包括纵向多发性硬化数据、抗氧化剂作用的拉曼光谱测量、COVID-19 患者结局数据，以及带模拟 dropout 的 RNA 测序数据。结果显示，RF-PHATE 能增强可解释性、管理噪声并揭示有意义的生物结构，具有改进生物数据探索和发现的广泛潜力。

随着高维、高通量生物数据迅速增长，降维可视化已成为探索性数据分析的重要组成部分。常用方法如 t-SNE、UMAP 和 Isomap 多为无监督方法，它们不使用辅助标签信息，因此可视化结果通常保留数据中最强的整体结构，但这些结构不一定与研究人员关心的生物问题相关。在许多生物医学应用中，研究人员往往同时拥有人工标注、临床结局、实验条件、疾病分型或连续表型等元数据，这些标签蕴含专家知识，有助于揭示变量与生物状态之间的关系。因此，需要一种能够将标签信息纳入降维过程的监督式可视化方法。

已有监督式降维方法尝试将标签直接加入距离度量，但这类方法存在局限。它们可能人为放大类别间差异，破坏数据原有几何关系，导致低维图像出现过度分离，从而产生误导性解释。此外，这些方法通常不适合连续标签，也难以处理未标注样本。为解决这些问题，研究人员提出 RF-PHATE。该方法利用随机森林学习特征与标签之间的关系，再从随机森林中提取与监督任务相关的相似性结构，并将其嵌入低维空间。由此得到的可视化结果更关注与标签相关的特征，同时忽略无关噪声和变异。

方法

RF-PHATE 将随机森林的几何和精度保持近邻关系与 PHATE 的扩散式可视化框架结合起来。首先，模型使用带标签数据训练随机森林，以学习哪些特征对预测标签最重要。随后，研究人员从训练好的随机森林中提取 RF-GAP 近邻相似性，用以描述样本之间与标签相关的局部结构。接着，这些相似性被转换为扩散概率，通过模拟随机游走学习数据的全局结构，并平滑噪声。之后，模型根据扩散后的概率计算潜在距离，最后使用多维尺度分析将数据嵌入到二维或三维空间。直观地说，RF-PHATE 先学习哪些特征对标签最有意义，再构建一个低维图，使具有相似预测行为的样本彼此靠近，同时保留数据中更广泛的趋势和结构。

图1｜RF-PHATE 算法流程。

结果

RF-PHATE 算法

RF-PHATE 的核心目标是在监督任务相关特征上恢复数据结构，而不是简单地按标签强行分开样本。它首先通过随机森林捕捉特征与标签之间的关系，再利用 RF-GAP 相似性构建自适应核，编码局部结构和监督信息。随后，扩散过程帮助模型学习全局结构，潜在距离则同时保留局部邻域和远距离趋势。最终得到的低维嵌入既体现标签相关结构，又避免许多监督式方法常见的人工类别分离。

与传统随机森林近邻度量相比，RF-GAP 近邻关系能更好地反映随机森林实际学习到的预测结构，并减少过拟合。与无监督 PHATE 相比，RF-PHATE 能更有针对性地突出与专家标签或研究问题相关的生物差异。

RF-PHATE 揭示良性多发性硬化相关结构

研究人员首先将 RF-PHATE 应用于多发性硬化患者的纵向临床和影像数据。多发性硬化通常包括复发缓解型多发性硬化和继发进展型多发性硬化。传统上，两者主要通过扩展残疾状态量表等进展指标区分，但疾病轨迹本身可能更加复杂。研究人员利用 RF-PHATE 可视化长期患者轨迹，希望找出复发缓解型患者内部是否存在更细分的亚群。

RF-PHATE 显示，复发缓解型患者并非单一群体，而是可以分为两个轨迹明显不同的亚群。一个亚群更稳定，另一个亚群表现出更高的时空变异性，并在临床指标上更接近继发进展型患者。进一步分析显示，较不稳定的复发缓解型亚群具有更高的残疾评分、步行功能异常和更高年化复发率，提示其可能代表非良性复发缓解型多发性硬化。相比之下，稳定亚群中良性多发性硬化患者比例更高。这说明 RF-PHATE 能够通过整合多维纵向特征，帮助重新理解疾病进展连续谱，并支持对复发缓解型多发性硬化进行更精细的分型。

图2｜使用 RF-PHATE 探索多发性硬化随访数据。

拉曼光谱可视化显示抗氧化剂对 A549 细胞的保护作用

研究人员随后将 RF-PHATE 应用于 A549 肺上皮细胞的拉曼光谱数据，以评估抗氧化剂 cannabidiol 和 resveratrol 对柴油排放颗粒暴露损伤的保护或修复作用。拉曼光谱可以检测细胞内细微分子变化，但数据通常含有噪声。研究人员将柴油颗粒暴露水平作为监督标签，比较 RF-PHATE 与无监督 PHATE 的可视化效果。

在未加入抗氧化剂时，RF-PHATE 能清晰显示不同柴油颗粒暴露水平造成的细胞光谱变化。加入 cannabidiol 或 resveratrol 后，不同暴露水平的样本在 RF-PHATE 嵌入中变得不那么可分，说明抗氧化剂处理使细胞在不同暴露剂量下的光谱状态更加相似。这提示两种抗氧化剂可在一定程度上缓冲柴油颗粒暴露造成的分子损伤，但并不能完全恢复到未暴露状态。相比之下，无监督 PHATE 难以捕捉这一变化，说明 RF-PHATE 在噪声较高的光谱数据中更适合突出与实验条件相关的结构。

图3｜A549 细胞拉曼光谱的 PHATE 与 RF-PHATE 二维表示。

COVID-19 患者结局和免疫病毒学内型的层级可视化

COVID-19 患者结局差异很大，从非危重存活到危重存活再到死亡。研究人员将 RF-PHATE 应用于住院 COVID-19 患者的血浆数据，包括病毒 RNA 载量、细胞因子、组织损伤标志物和受体结合域特异性抗体等指标。此前无监督 PHATE 和聚类可识别出不同免疫学内型，但由于噪声和类别不平衡，患者临床结局在无监督嵌入中并不清晰。

RF-PHATE 以三类患者结局作为监督目标后，能够在保留原有免疫学结构的同时，更清楚地区分不同临床结局。两类存活患者在嵌入图中相对靠近，而死亡患者形成更明显的区域。嵌入整体还与病毒载量和平均细胞因子水平相关，局部结构则反映抗体反应异质性。尤其是非危重存活患者群体内部存在抗体反应差异，RF-PHATE 能将这种异质性以可视化形式呈现出来。

与监督式 UMAP 相比，RF-PHATE 没有简单地制造近乎完美的类别分离，而是在类别可分性与原始生物结构保留之间取得平衡。这一点很重要，因为过度分离可能掩盖死亡患者与危重存活患者之间的相似性，也可能掩盖非危重存活到危重存活之间的连续变化。RF-PHATE 因此更适合用于识别具有临床意义的高风险患者群体。

图4｜RF-PHATE 应用于 COVID-19 血浆样本。

RNA-seq dropout 对可视化结果的影响

研究人员还使用癌症 RNA-seq 数据测试 RF-PHATE 在高维稀疏场景中的鲁棒性。该数据包含 801 个细胞、20,531 个基因和 5 种癌症类型，包括乳腺浸润癌、肾透明细胞癌、结肠腺癌、肺腺癌和前列腺腺癌。研究人员模拟了 0%、25%、50% 和 75% 的 dropout，以观察 RF-PHATE、PHATE 和 UMAP 在不同数据稀疏程度下的表现。

在没有 dropout 时，三种方法都能清楚分离细胞类型。随着 dropout 增加，PHATE 和 UMAP 的类别混合逐渐加重。到 75% dropout 时，PHATE 和 UMAP 基本无法区分细胞类型，而 RF-PHATE 仍能保持较强的类别分离。这说明 RF-PHATE 对高维稀疏和噪声数据更稳健。

有趣的是，随着 dropout 增加，RF-PHATE 更容易显示结肠腺癌和肺腺癌之间的重叠，而 PHATE 和 UMAP 更容易显示乳腺癌和肺腺癌之间的重叠。研究人员认为，结肠癌和肺癌相关易感基因可能存在共同染色体区域或功能关联，这可能解释 RF-PHATE 发现的相似性。由此可见，RF-PHATE 不仅增强了分类可分性，也可能揭示具有生物学意义的相似关系。

图5｜RF-PHATE 应用于 RNA-seq 基因表达数据。

讨论

高维生物数据中的标签引导可视化，有望将降维从单纯探索工具转变为假设生成和决策支持框架。RF-PHATE 展示了如何将专家提供的辅助信息整合到嵌入几何中，使可视化更加突出与科学问题或临床解释相关的关系。它在保留数据内在结构的同时引入监督信息，从而在预测建模和人类可解释性之间建立桥梁。

在多发性硬化研究中，RF-PHATE 揭示复发缓解型患者内部存在具有临床意义的异质性。非良性复发缓解型亚群的出现支持一种观点，即多发性硬化进展可能不是从复发缓解型到继发进展型的简单阶段转换，而是一个连续谱。该亚群具有较高复发活动和不同治疗失败特征，提示临床上可能需要更精细的表型划分和更早的干预策略。

在转化应用上，RF-PHATE 可帮助识别病程偏离预期轨迹的患者，从而支持更个体化的监测和治疗决策。未来如果整合脊髓 MRI 等额外模态，可能进一步提高多发性硬化亚型识别能力。更广泛地说，重新细分复发缓解型患者可能改善后续预后模型和疾病进展预测。

跨多个生物案例的应用表明，监督式、几何感知的可视化方法能够在噪声高、维度高或样本稀疏的数据中呈现与领域知识一致的层级结构和关系结构。这类嵌入不应被视为最终结论，而更像是专家探索复杂数据、验证假设和发现潜在模式的可解释界面。

当然，RF-PHATE 依赖监督标签，因此在完全无标签场景中适用性有限。但多数生物医学研究通常都有一定程度的注释信息，例如疾病类型、实验条件、时间点或连续表型。当标签部分可用时，RF-PHATE 也可通过半监督方式将未标注样本投影到已学习结构中。与所有监督式可视化方法一样，RF-PHATE 的解释也需要谨慎，因为嵌入可能反映标签中的偏差，类别不平衡也可能影响局部结构。尽管如此，RF-PHATE 为生物医学数据探索提供了一个灵活、可解释且具有广泛适用性的监督式可视化框架。

整理 | DrugOne团队

参考资料

Rhodes, J.S., Aumon, A., Morin, S. et al. Gaining biological insights through supervised data visualization. Nat Comput Sci (2026).

https://doi.org/10.1038/s43588-026-00999-7