t-SNE und hierarchische Clustering-Verfahren sind beliebte Methoden der explorativen Datenanalyse, insbesondere in der Biologie. Aufbauend auf jüngsten Fortschritten zur Beschleunigung von t-SNE und zur Gewinnung feinere struktureller Informationen kombinieren wir beide Ansätze, um tree-SNE zu entwickeln – einen hierarchischen Clustering- und Visualisierungsalgorithmus, der auf gestapelten eindimensionalen t-SNE-Embeddings basiert. Außerdem führen wir alpha-Clustering ein, welches die optimale Clustereinteilung vorschlägt, ohne dass die Anzahl der Cluster im Voraus bekannt sein muss, basierend auf der Stabilität der Cluster über mehrere Skalen hinweg. Wir demonstrieren die Wirksamkeit von tree-SNE und alpha-Clustering anhand von Bildern handschriftlicher Ziffern, Massenzytometrie-(CyTOF-)Daten von Blutzellen sowie Einzelzell-RNA-Sequenzierungs-(scRNA-seq-)Daten von Netzhautzellen. Darüber hinaus nutzen wir alpha-Clustering, um auf mehreren Bild-Datensätzen unsupervisierte Clustering-Ergebnisse zu erzielen, die mit den besten aktuellen Methoden konkurrieren, und somit die Validität der Visualisierung zu untermauern. Die Software ist unter https://github.com/isaacrob/treesne verfügbar.