在生物信息学领域，数据可视化始终是一个核心议题。面对高维、高通量的复杂数据，降维可视化方法已成为探索性分析不可或缺的工具。虽然 t-SNE、UMAP、Isomap 等无监督算法表现出色，但它们仅能反映数据中最突出的结构。然而，这些结构并不一定是我们真正关注的目标。
换句话说，无监督方法并不了解研究的具体目标。在生物医学研究中，我们通常掌握大量标签信息——例如临床结局、疾病分型、实验条件或连续表型——这些元数据背后蕴含着丰富的专家知识。如果能够将这些信息融入降维过程，使可视化结果主动突出与标签相关的结构，同时过滤掉无关噪声和变异，分析效率将显著提升。研究者提出的 RF-PHATE 方法正是为了实现这一目标而设计的。
当然，监督式降维并非全新概念。过去已有一些方法尝试将标签直接嵌入距离度量，但效果并不理想。这种做法容易人为放大类别间的差异，破坏数据原有的几何关系，导致最终可视化中样本被过度分离，反而可能产生误导。更棘手的是，这类方法往往难以处理连续标签，也无法有效应对未标注的样本。RF-PHATE 的解决策略是：先通过随机森林学习特征与标签之间的关系，然后从训练好的森林中提取与监督任务相关的近邻相似性结构，再借助 PHATE 的扩散式框架将数据嵌入低维空间。简而言之，它首先识别出对标签真正重要的特征，然后基于这些"重要特征"构建低维图，使预测行为相似的样本自然聚类。
具体而言，RF-PHATE 巧妙结合了随机森林的几何保持近邻关系（RF-GAP）与 PHATE 的扩散框架。模型首先利用带标签数据训练随机森林，从中提取 RF-GAP 近邻相似性——这种相似性能准确反映随机森林实际学到的预测结构，且不易过拟合。随后，这些相似性被转化为扩散概率，通过模拟随机游走过程学习全局结构，同时平滑噪声。最后，使用多维尺度分析将数据映射到二维或三维空间。整个流程的核心逻辑是：并非简单按标签将样本分离，而是在监督任务相关的特征维度上尽可能真实地恢复数据结构。
图1｜RF-PHATE 算法流程概览。
结果
RF-PHATE 算法特性
RF-PHATE 的独特之处在于，它致力于在监督目标下还原数据结构，而非生硬地制造类别分离。它通过随机森林捕捉特征与标签之间的关联，利用 RF-GAP 相似性构建自适应核，以编码局部与监督信息；扩散过程则用于学习全局结构。最终得到的嵌入既能体现与标签相关的结构，又能避免许多监督方法常见的人工分离假象。与传统的随机森林近邻度量相比，RF-GAP 更贴近随机森林实际学到的预测逻辑；而与无监督 PHATE 相比，RF-PHATE 能更有针对性地凸显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
研究团队首先应用 RF-PHATE 分析多发性硬化患者的纵向临床和影像数据。多发性硬化通常分为复发缓解型和继发进展型，传统上主要依据扩展残疾状态量表等指标进行区分。然而，疾病轨迹往往更为复杂。分析发现，复发缓解型患者并非完全同质，而是存在两个轨迹差异明显的亚群：一个较为稳定，另一个变异性更高，且在临床指标上更接近继发进展型患者。进一步研究表明，较不稳定的亚群残疾评分更高、步行功能异常更明显、年化复发率也更高，提示这可能是"非良性"的复发缓解型多发性硬化；而稳定亚群中良性患者比例显著更高。换言之，RF-PHATE 通过整合多维纵向特征，帮助研究者发现了疾病进展连续谱中更精细的分型。
图2｜利用 RF-PHATE 探索多发性硬化随访数据。
拉曼光谱可视化揭示抗氧化剂对 A549 细胞的保护作用
另一个案例来自拉曼光谱数据。研究团队以柴油排放颗粒暴露水平作为监督标签，评估了两种抗氧化剂（cannabidiol 和 resveratrol）对 A549 肺上皮细胞的保护或修复效果。拉曼光谱虽能检测细胞内细微分子变化，但数据本身噪声较大。在未添加抗氧化剂的情况下，RF-PHATE 能够清晰区分不同暴露水平的细胞光谱变化；加入抗氧化剂后，不同暴露水平的样本在嵌入空间中变得难以区分，说明抗氧化剂确实在一定程度上缓解了暴露造成的分子损伤，但并未完全恢复到未暴露状态。相比之下，无监督 PHATE 难以捕捉到这种变化。对于噪声较高的光谱数据，RF-PHATE 更适合突出与实验条件相关的结构信息。
图3｜A549 细胞拉曼光谱的 PHATE 与 RF-PHATE 二维表示对比。
COVID-19 患者结局与免疫病毒学内型的层级可视化
COVID-19 患者的临床结局差异悬殊，涵盖非危重存活、危重存活以及死亡三种类型。研究者将 RF-PHATE 应用于住院患者的血浆数据，包括病毒 RNA 载量、细胞因子、组织损伤标志物等多种指标。此前无监督 PHATE 和聚类虽能识别出不同的免疫学内型，但由于噪声和类别不平衡，患者结局在无监督嵌入中并不清晰。RF-PHATE 以三类患者结局为监督目标后，在保留原有免疫学结构的同时，更清楚地区分了不同结局：两类存活患者相对靠近，死亡患者则形成更明显的区域。更重要的是，它并未像监督式 UMAP 那样制造近乎完美的类别分离，而是在可分性与原始生物结构保留之间取得了平衡。这种平衡至关重要——过度分离可能会掩盖死亡患者与危重存活患者之间的相似性，也可能掩盖从非危重到危重之间的连续变化。
图4｜RF-PHATE 应用于 COVID-19 血浆样本的分析结果。
RNA-seq dropout 对可视化结果的影响
研究团队还测试了 RF-PHATE 在高维稀疏场景中的鲁棒性。数据来源于癌症 RNA-seq，包含 801 个细胞、20,531 个基因以及 5 种癌症类型。他们模拟了 0%、25%、50% 和 75% 的 dropout 水平。没有 dropout 时，三种方法均能清晰分离细胞类型；随着 dropout 增加，PHATE 和 UMAP 的类别混合逐渐加重；到 75% dropout 时，PHATE 和 UMAP 基本失效，而 RF-PHATE 仍能保持较强的类别分离能力。更值得注意的是，随着 dropout 的增加，RF-PHATE 更容易显示出结肠腺癌和肺腺癌之间的重叠，而 PHATE 和 UMAP 则更倾向于显示乳腺癌和肺腺癌之间的重叠。研究者推测，这可能是因为结肠癌和肺癌的易感基因存在共同的染色体区域或功能关联。RF-PHATE 不仅增强了分类可分性，还可能揭示出具有生物学意义的相似关系。
图5｜RF-PHATE 应用于 RNA-seq 基因表达数据的表现。
讨论
高维生物数据中的标签引导可视化，有望将降维从单纯的探索工具转变为假设生成和决策支持框架。RF-PHATE 提供了一条清晰的路径：如何将专家的辅助信息整合到嵌入几何中，使可视化更突出与科学问题或临床解释相关的关联。它在保留数据内在结构的同时引入监督信息，在预测建模与人类可解释性之间架起了一座桥梁。
从多发性硬化的研究来看，非良性复发缓解型亚群的出现支持了这样一种观点：多发性硬化的进展可能并非简单的阶段转换，而是一个连续谱。这类患者复发活动更高、治疗失败特征更明显，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。更广泛地说，重新细分复发缓解型患者，可能直接改善后续的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，呈现出与领域知识一致的层级结构和关系结构。当然，这类嵌入不应当被视为最终结论，它更像是专家探索复杂数据、验证假设和发现潜在模式的一个可解释界面。
客观来看，RF-PHATE 依赖监督标签，在完全无标签的场景中适用性有限。但大多数生物医学研究通常都有一定程度的注释信息，比如疾病类型、实验条件、时间点或连续表型。当标签部分可用时，RF-PHATE 也可以通过半监督方式将未标注样本投影到已学习结构中。和所有监督式可视化方法一样，解释 RF-PHATE 的结果时需要谨慎——嵌入可能反映标签中的偏差，类别不平衡也会影响局部结构。但总体而言，它为生物医学数据探索提供了一个灵活、可解释且适用性广泛的监督式可视化框架。
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
