越来越多的多视图数据正在通过几个领域的研究发布。这种类型的数据对应于多个数据视图，每个数据视图表示相同的样本集的不同方面。我们最近提出了多SNE，T-SNE的扩展，产生了多视图数据的单一可视化。多SNE方法提供样本的低维嵌入，通过通过不同的数据视图进行迭代地更新。在这里，我们进一步扩展了多个SNE以半监督方法，通过将未标记的样本视为标记信息作为额外的数据视图来分类。我们通过在不同挑战上应用各种多视图数据集的两种方法，我们更深入地进入多SNE及其扩展，S-Multi-SNE的性能，限制和优势。我们表明，通过包括标签信息，样品的投影急剧改善，并伴随着强大的分类性能。

非线性维度降低可以通过\纺织{歧管学习}方法来执行，例如随机邻居嵌入（SNE），局部线性嵌入（LLE）和等距特征映射（ISOMAP）。这些方法旨在产生两个或三个潜在嵌入的嵌入，主要用于可视化可理解的表示数据。此稿件提出了学生的T分布式SNE（T-SNE），LLE和ISOMAP的扩展，以实现多维数量和多视图数据的可视化。多视图数据是指从相同样本生成的多种类型的数据。与通过单独可视化所获得的数据，所提出的多视图方法提供了比较通过可视化所获得的多个数据的更可理解的预测。通常可视化用于识别样本内的底层模式。通过将获得的低维嵌入从多视图歧管中的方法结合到K-Means聚类算法中，示出了准确地识别出样品的簇。通过对实际和合成数据的分析，发现所提出的多SNE方法具有最佳性能。我们进一步说明了多SNE方法对分析多OMICS单细胞数据的适用性，目的是在与健康和疾病相关的生物组织中可视化和识别细胞异质性和细胞类型。