胶质瘤约占脑组织肿瘤的50%,其特征表现为高死亡率,然而胶质瘤基因标志物的识别仍然有待探索。肿瘤的引发因素包括多类,其中基因表达水平的扰动会直接影响机体功能。单细胞基因表达数据以单细胞为分辨率反映基因表达,有助于更深入地理解潜在的分子变化如何改变细胞行为和疾病过程。转录调控关系的扰动也会影响基因表达水平进而影响肿瘤的发生发展,然而目前很多单细胞基因表达数据的研究中没有考虑调控关系的影响。本文充分利用单细胞基因表达数据的优势,并合理融合转录调控关系,提出一个识别肿瘤基因标志物的算法框架。将该算法框架应用于胶质瘤,为胶质瘤分子机制、药物靶向治疗等提供帮助。算法框架的核心要素包括:共识基因识别、特异调控网络构建、混合聚类识别细胞类型以及肿瘤标志基因识别。首先,考虑到肿瘤恶性细胞在不同样本之间的明显差异性,本文首先通过主成分分析、细胞特异网络构建、Louvain聚类、差异基因识别等探索单个样本内恶性细胞的表达状态,然后根据各个样本之间差异基因的重叠度识别肿瘤共识基因。从基因和样本两个角度分析共识基因的趋同性,结果表明共识基因反映了不同样本间恶性细胞的共表达模式。然后,为全面分析肿瘤特性,本文将多样本合并分析并合理融合转录调控关系进行肿瘤细胞类型识别。首先根据转录因子与靶标基因之间的调控关系构建初始调控网络,然后根据共识基因、整个单细胞基因表达数据和前反馈回路结构不断增加网络特异性构建特异调控网络。接着以该特异调控网络为基础,识别调控元模块并构建特异调控表达矩阵。最后在特异调控表达矩阵中使用一种混合聚类方法识别胶质瘤的细胞类型,并对细胞类型进行基因本体和生物通路富集分析。富集分析表明细胞类型具有明显的功能性,并且细胞类型的标志基因可能与肿瘤有着密切关系。最后,本文将细胞类型的标志基因作为候选基因,提出基于肿瘤特征向量识别肿瘤标志基因方法。为分析肿瘤标志基因的可靠性,本文分析了OS和PFI两种生存数据,以肿瘤标志基因作为分类特征,使用7种二分类算法分别构建风险预后分类模型。14种风险预后分类模型均表现出较好的分类效果,其中以随机森林构建的模型表现最优。同时本文还采用相关性度量、PubMed文献以及Kaplan-Meier生存曲线进一步分析肿瘤标志基因,结果表明这些基因与胶质瘤关系密切。另外结果分析发现肿瘤标志基因中有4个基因(NDUFS5、NDUFA1、NDUFA13和NDUFB8)均属于NADH泛醌氧化还原酶亚基基因家族,这表明该基因家族可能与胶质瘤的相关性较强。实验结果表明了本文算法框架的有效性,揭示了胶质瘤恶性细胞的6种细胞类型状态,预测了20个肿瘤标志基因,对胶质瘤的病理机制和精准治疗具有重要意义。