单细胞转录组测序技术是一种能在单细胞水平检测出基因表达的测序技术,该技术广泛应用在发育生物学、肿瘤生物学、免疫学、神经生物学等多个生物学分支领域。随着技术的发展,单细胞转录组测序技术的检测细胞数量和测序覆盖率越来越大,为人类细胞图谱计划提供重要的技术支持。由于分离细胞时没有相关的细胞类型标签,需要用无监督聚类方法先将细胞分为几个细胞类群才能进行后续分析。无监督聚类算法没有训练样本集,所以大多数算法的分析结果很容易受到初始参数值设定而改变。因此开发出更加稳定的聚类算法对于单细胞测序数据的分析非常关键。本研究基于对细胞-细胞相似度矩阵的分析,通过对相似度矩阵行向量求夹角余弦重新定义细胞之间的相似度来更新细胞-细胞相似度矩阵。借助统计学大数定律证明了这种操作将会建立起稳定而且有序的统计量来描述细胞之间的相似度关系,并且基于这种关系的有序性与对应的两个细胞是否处于同一类别的关系开发了一种新的聚类算法,命名为切比雪夫大数聚类算法。接下来在模拟数据集中做仿真测试实验来验证该聚类算法的每一步都能达到预期的理想效果,最终完成聚类分析。本研究开发的算法用在真实数据集中进行测试,结果显示该聚类算法能够正确识别小鼠膀胱组织中大多数细胞在小鼠细胞图谱里的细胞状态。在完成聚类之后,将切比雪夫大数聚类算法的参数优化后可在聚类结果的基础上发现一些与多种细胞状态相关的细胞类型,这为细胞分化及命运决定提供了新的研究思路。综上所述,切比雪夫大数聚类算法是一个准确性好,稳定性强,且适用类型广泛的聚类算法,对离散型或连续型的细胞-细胞关系矩阵都能表现出很好的聚类能力。该算法对于细胞之间关系的特征分布有着很强的挖掘能力,能从一般的细胞-细胞相似度关系矩阵出发,不断挖掘出其内部细胞关系规律。不仅体现在实现把大量细胞分类为各个不同的模式,还能提供分析这些模式之间关联性的方案。该算法可为提出胚胎或疾病发生中的单细胞测序数据展现的生理或病理的动态模型提供分析工具。