单细胞RNA测序技术是在单细胞水平上对转录组高通量数据进行分析的测序手段,能够实现对单个细胞的基因表达测序,准确记录单个细胞的表达水平,这将有助于我们研究细胞间的异质性表达,发现细微的潜在变化,为生物信息学的发展奠定了基础。一个单细胞RNA测序数据集可能会包含成千上万个细胞,如此庞大的数据使得细胞聚类分析成为一个非常重要而又艰巨的任务。本文首先探究了降维对单细胞聚类的影响。用6种降维算法对10个单细胞数据集降维,通过对比降维数据与未降维数据的聚类结果,发现经过降维数据的聚类效果优于未降维的数据,说明降维对聚类有着重要作用。同时对比不同维度下聚类的效果,发现在3维时出现拐点,可以达到最佳的聚类结果。然后,本文提出了一种单细胞聚类模型:D3K算法。该算法通过数据集的相异度密度、候选簇平均相异度和候选簇相异度,计算出权重,得到一组优质的初始中心点,解决了K-means算法在选取初始中心点时的随机性问题。同时,该模型中加入了动态半径参数,相较于传统固定半径的方法,设置动态半径参数可以根据数据特征灵活调整半径,有效消除噪声点的影响,优化聚类结果。通过对比动态半径和固定半径两种方法的聚类结果,发现设置动态半径参数更有利于聚类。最后,我们用10个单细胞数据集验证D3K模型的有效性,发现D3K算法在单细胞数据上表现出较好的聚类效果,其中Pollen数据集的聚类指标可达到0.95以上,Ting数据集聚类指标可达到1。同时,将D3K算法与一些常见的单细胞聚类算法进行比较,D3K算法的各项聚类指标均高于其他算法。这些结果表明,我们提出的D3K算法可作为一个有效的单细胞聚类分析工具。