随着单细胞多组学平行测序技术的发展,在单细胞分辨率下多组学信息可以被同时测量到,结合这些信息能更仔细地观察细胞可变性和异质性。分析同一细胞中DNA和RNA测序数据能够观测到基因组变异,更加精确地检测DNA突变。对表观组学和转录组学联合分析可以揭示甲基化和染色质可接近性对基因表达的调控作用,单细胞三组学联合分析能够更清楚地识别特定细胞及其功能,真正解开细胞异质性的含义。肿瘤发生是一个复杂的生物过程,细胞异质性同时存在于基因组、表观组和转录组中,相同基因在同一种肿瘤细胞中可能具有不同的DNA甲基化或基因表达模式,需要结合多组学信息才能明确的将细胞分类为亚群。本文提出了一种基于单细胞三组学数据的联合聚类方法,能够对同一细胞中测量得到的基因组学、转录组学和表观组学数据进行联合分析。单细胞三组学联合聚类是对系统聚类改进后的多维聚类方法,聚类过程中,应用矩阵范数表示两个细胞之间的距离,用离差平方和表示类与类之间的距离,并且在聚类前根据单细胞多组学之间的相关关系进行特征选择。针对实际数据进行三组学联合聚类分析。三组学测序数据类型各异,存在量纲不统一和数据缺失等问题,需要进行质量控制、空缺值填补、数据标准化和特征降维等预处理。本文选用SKNN(Sequential K-Nearest Neighbor)、Linnorm和t-SNE(t-distributed Stochastic Neighbor Embedding)算法分别对多组学数据进行填补空缺值、标准化和降维处理。为了更准确的结合单细胞多组学信息,应用Pearson相关系数、Spearman秩相关系数、Kendall’s tau-b等级相关系数和互信息对不同组学的数据进行相关性分析。三组学联合聚类结果分析和细胞亚型标注。与单组学聚类相比三组学联合聚类提高了聚类的准确度,能够更精确地识别出细胞的亚群。对实际数据进行联合聚类时发现,应用矩阵谱范数聚类效果最好,基因表达和基因体甲基化联合聚类时准确度最高。最后,依据聚类结果识别各簇的差异表达基因并标记细胞亚型,推断单细胞异质性和肿瘤的发病机制,为寻找潜在的疾病机制和治疗靶点提供理论依据。