计算机应用研究

作者：靳志成,张奕,李玉茹,苏辰,田野,王银,冯茜,

单位：1.桂林理工大学计算机科学与工程学院,广西桂林541000；2.广西嵌入式技术与智能系统重点实验室,广西桂林541004；3.中南大学计算机学院,长沙410083；4.重庆邮电大学计算机科学与技术学院,重庆400065；

关键词：多尺度融合,多组学聚类,对比学习,对齐,协同策略,

基金：国家自然科学基金资助项目(62166014)；广西自然科学基金面上项目(2025GXNSFAA069627)；；

单细胞聚类分析是解析细胞异质性的关键步骤，但现有单细胞聚类方法在整合多组学数据时仍面临跨组学局部和全局关联建模不足、特征冗余与噪声干扰、以及共识聚类空间构建困难的问题。针对上述问题，提出了一种新颖的单细胞多组学聚类方法——多尺度双对齐深度聚类（scMDDC）。scMDDC首先通过多尺度融合策略捕获细胞间的局部和全局关系，有效地提取了细胞间的复杂交互模式；其次，通过对比对齐和细胞对齐减少了组间冗余信息，突出了组间特异性信息；最后，通过多组学协同聚类策略迭代式地将不同组学数据视为锚点指导其他组学的聚类过程，实现了组间信息的互补和增强共识。在多个真实数据集上的实验结果表明，相较于八个基准模型，scMDDC 在聚类准确性、调整兰德指数等多个聚类评价指标上均取得了显著的性能提升。scMDDC 不仅为单细胞多组学数据分析提供了一种新的有效方法，也进一步提升了细胞类型识别的精度。

来源：2026年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第1期