用途：为高维组学数据（如单细胞、bulk RNA-seq）生成并严谨解读降维投影图，帮助选择与问题匹配的方法，并说明二维嵌入的局限。
主要能力：覆盖 PCA、t-SNE、UMAP、PHATE、扩散映射、MDS、Isomap、力导向布局等方法，给出各方法保留的信息、关键超参数、优势与失效场景，并提供按场景选择方法的决策表。
必要用法：Python 可用 sklearn.decomposition.PCA、openTSNE、umap-learn、phate、scanpy.tl.umap/tsne/pca；R 可用 prcomp、PCAtools::pca、Seurat::RunPCA/RunUMAP/RunTSNE、phateR。示例包括 PCA 双标图与碎石图、Kobak-Berens 版 t-SNE（PCA 初始化、learning_rate=n/12、early exaggeration）、UMAP（n_neighbors、min_dist、random_state）及 PHATE 轨迹图。
关键限制：二维嵌入会丢失超过 95% 的高维几何，簇间距离、密度和全局拓扑不可靠，簇形状是嵌入伪影而非生物学信号；t-SNE/UMAP 需固定随机种子以保证可复现；PCA 需先做标准化或 vst/rlog，否则 PC1 可能反映文库大小；scanpy 的 save 参数会写入 figdir 并加前缀，默认 DPI 150 低于期刊要求。报告时应列出全部超参数并声明解释边界，轨迹类结论需用 RNA 速度、拟时序或 PHATE 验证。
适用场景：bulk 样本 QC、单细胞簇概览、连续轨迹、多组学整合投影、空间转录组、批次效应诊断等。