RunUMAP 函数在 Seurat 中可以使用不同的数据进行计算，具体取决于您传递给它的参数。即使没有显式地运行 FindNeighbors，RunUMAP 仍然可以计算 UMAP，因为它会自动构建邻居图（neighbor graph）。以下是详细解释：

数据来源

1. PCA 结果：

   • 如果您指定了 dims 参数（例如 dims = 1:30），RunUMAP 将使用 PCA 降维后的数据来计算 UMAP。
   • 这是默认行为，如果您没有提供邻居图，Seurat 会使用 PCA 的结果来构建邻居图。

2. 邻居图：

   • 如果您已经运行了 FindNeighbors 并生成了一个邻居图，RunUMAP 可以直接使用这个邻居图来进行 UMAP 计算。
   • 您可以通过 graph 参数传递邻居图对象，或者 nn.name 参数指定邻居图的名称。

3. 原始数据或特定特征：

   • 您也可以选择使用原始数据或特定特征集来计算 UMAP。通过 features 参数指定要使用的特征。

为什么没有经过 FindNeighbors 也能计算 UMAP

RunUMAP 在没有显式调用 FindNeighbors 的情况下，会自动调用 FindNeighbors 来构建邻居图。这是通过以下方式实现的：

• 自动构建邻居图：如果 RunUMAP 没有检测到现有的邻居图，它会自动调用 FindNeighbors 使用指定的维度（例如 PCA 维度）来构建邻居图。
• 默认参数：如果没有提供 n.neighbors 等参数，RunUMAP 会使用默认值来构建邻居图。

示例代码

以下是一个示例代码，展示了如何在没有显式调用 FindNeighbors 的情况下运行 RunUMAP：

library(Seurat)# 假设 sce.all.filt 是已经加载好的 Seurat 对象# 标准化数据
sce.all.filt <- ScaleData(sce.all.filt, features = rownames(sce.all.filt))# 运行 PCA
sce.all.filt <- RunPCA(sce.all.filt, features = VariableFeatures(object = sce.all.filt))# 运行 UMAP
sce.all.filt <- RunUMAP(sce.all.filt, dims = 1:30)# 可视化 UMAP 结果
DimPlot(sce.all.filt, reduction = "umap", label = TRUE)

在这个例子中，RunUMAP 会自动调用 FindNeighbors 使用 PCA 的前 30 个主成分来构建邻居图，并基于这个邻居图计算 UMAP。

显式调用 FindNeighbors 的好处

虽然 RunUMAP 可以自动处理邻居图的构建，但显式调用 FindNeighbors 有以下几个好处：

1. 控制参数：您可以更精细地控制邻居图的参数，例如 n.neighbors 和 k.param。
2. 一致性：确保 UMAP 和其他分析步骤（如聚类）使用相同的邻居图，从而保持分析的一致性。
3. 性能优化：显式构建邻居图后，后续的 UMAP 计算可能会更快，因为不需要重复构建邻居图。

完整代码示例

以下是一个完整的代码示例，包括 FindNeighbors 和 FindClusters，以确保 UMAP 的计算基于一致的邻居图：

library(Seurat)# 假设 sce.all.filt 是已经加载好的 Seurat 对象# 标准化数据
sce.all.filt <- ScaleData(sce.all.filt, features = rownames(sce.all.filt))# 运行 PCA
sce.all.filt <- RunPCA(sce.all.filt, features = VariableFeatures(object = sce.all.filt))# 找到邻居
sce.all.filt <- FindNeighbors(sce.all.filt, dims = 1:30)# 找到聚类
sce.all.filt <- FindClusters(sce.all.filt, resolution = c(0.5, 0.6, 0.8, 1, 1.2, 1.5, 1.8, 2, 2.5, 3))# 运行 UMAP
sce.all.filt <- RunUMAP(sce.all.filt, dims = 1:30)# 运行 t-SNE
sce.all.filt <- RunTSNE(sce.all.filt, dims = 1:30)# 可视化 UMAP 结果
DimPlot(sce.all.filt, reduction = "umap", label = TRUE, group.by = "seurat_clusters")

通过这种方式，您可以确保 UMAP 的计算基于一致的邻居图，并且可以在后续分析中更好地利用聚类信息。