設 A 細胞有 2,000 個基因，需繪製 2,000D 的高維度圖，才能完整呈現 A 細胞在空間的定位，顯然這不是我們三維生物可以理解的~
為將相似功能細胞分群在一塊，需要進行降維處理，如同先前曾介紹過菌相 PCA 分析，但基因上下游調控多為複雜非線性關係，且單用 PCA 不適合注重上千顆細胞間相似距離的單細胞，會讓 PCA 圖能解釋的比例甚低。
所以在生資分析時，會先將資料先 PCA 降到 20D，再以 UMAP 與 t-SNE 進行計算~
t-SNE 於 2008 年問世，在適合處理高度非線性資料情況下，能保留局部細胞間的臨近距離，但分析中最常調整參數—困惑度 (Perplexity) 只要一動，會讓全域細胞點間相對距離變化很大，使圖截然不同。
也因此 2018 年 UMAP 被發明，其局部跟全域細胞點的位置更容易維持：藉由調整超參數 (Hyperparameters)，下圖中的長毛象甚至可以變成俯視圖，也因此 UMAP 成為近代新寵兒。
結論是兩者藉調整參數是有機會變成教授滿意的結果，但可惜多數人沒有這個 sense QQ
Reference:
YouTube: Latent Space Visualisation: PCA, t-SNE, UMAP | Deep Learning Animated
想看超淺白 PCA 介紹可以看先前發的脆文，本篇同步刊載於 Threads:
PetSci 毛怪實驗紀錄簿 (petsci_note)
