随着单细胞测序技术的发展,目前在生物学上出现了一种能够同时测得一个细胞内不同模态数据的技术——单细胞多模态测序技术。单细胞多模态测序技术得到的数据提供了对细胞不同视角的刻画,能够进一步完善对细胞状态和功能的认知。CITE-seq技术是一种能够同时测得一个细胞内转录组数据和蛋白组数据的单细胞多模态测序技术。由于测序难度以及测序成本等因素的限制,目前能够得到的CITE-seq测序数据还比较少。然而单细胞转录组测序技术已经相对成熟,现有的测序数据已经相对较多。通过机器学习模型在现有的CITE-seq测序数据中学习两个模态间的映射关系,并利用此映射关系,从单细胞转录组测序数据推算出其对应的蛋白组数据就成为了单细胞多模态数据分析中的一大热点课题。本文在CITE-seq测序数据中使用图卷积神经网络学习得到转录组数据和蛋白组数据间的映射关系,并利用此映射关系,对细胞的蛋白组数据进行大量扩充。在进行模型预测效果评估时,本文不仅考虑了预测值的精度,还考虑了预测值对原有细胞结构的保持情况,因此选取了皮尔逊相关系数、相关系数矩阵距离以及调整的兰德指数等评估指标。本文在多组数据集上进行了实验,评估结果表明本文所提出的基于图卷积神经网络的方法能够较好地克服转录组数据间存在的批次效应问题。与其他相关研究方法相比,在绝大多数试验场景下,本方法所得到的蛋白组数据预测结果,不仅具有良好的预测精度,并且能够较好地保持细胞间原有的结构关系。本方法使用细胞的基因表达数据预测其对应的蛋白表达数据,利用统计学、生物信息学等方法,部分缓解了目前生物学实验上数据获取困难的问题。大量扩充出的细胞蛋白表达数据,将有助于细胞类型和状态的识别,进而对于诸如癌症等重大疾病的发病机理探索、亚型区分以及诊疗手段完善有积极意义。