组学数据在生命科学和临床医学的研究上具有广泛的用途和很大的潜力,单细胞转录数据能准确分析每个细胞的基因表达、区分不同细胞群体、发现新的细胞类型。但单细胞转录数据上万维的特征,从直观上难以理解,也带来了计算上的困难,且可能掩盖真正潜在的低维结构。将高维数据投影到低维子空间是挖掘此类数据内在特征的一个有效方法。然而,单细胞转录数据噪声大、覆盖率低且存在大量的dropout事件,直接使用传统的降维方法存在效率低下的问题。为了克服这个问题,本文提出了一种基于网络的单细胞数据降维框架分别包括基于单细胞异构网络的降维流程和基于单细胞同构网络的降维流程,这个框架适用于大部分的降维算法。本文的主要研究如下:第一,单细胞异构网络是由细胞节点和基因节点组成的二部图网络,在单细胞转录数据中,相同类型细胞的基因表达情况应该类似,表现为细胞节点之间的边的组成应该类似,基于此提出了单细胞异构网络的降维流程（SCHeN）。利用LINE和node2vec算法（分别命名为SCHeN＿LN和SCHeN＿NV）根据异构网络细胞节点的二阶相似性进行降维。对这些降维结果用评价指标WB、NMI和ARI及其二维可视化进行综合的评价。基于SCHeN的实验结果显示优于直接聚类和传统的PCA及t-SNE方法,其中SCHeN＿LN在5个单细胞数据集上的表现良好且稳定。第二,在单细胞同构网络的降维流程（SCHoN）中,把每个单细胞转录数据样本看成网络中的一个节点,该节点中的基因表达值看成是节点的特征,通过计算顶点之间的Spearman相似度系数来作为构建边,由此得到单细胞同构网络。利用UMAP、ProNE和DeepWalk（分别命名为SCHoN＿UM、SCHoN＿PN和SCHoN＿DW）对单细胞同构网络进行降维,同时结合GCN和VAE设计了SCHoN＿GCN＿VAE模型。SCHoN＿UM在5个单细胞数据集上的表现良好且稳定,SCHoN＿GCN＿VAE在较大数据集上有一定的优势。第三,将基于网络的单细胞数据降维框架应用在人体脑区的基因表达的蛋白质测序数据降维上,找出急性脑梗数据和健康对照组数据间样本的差异性,并对它们进行功能富集分析,找到了与急性脑梗相关的基因SERPINF2及一些与急性脑梗相关症状有关的信号通路,如补体和凝血级联（Complement and coagulation cascades）和原发性免疫缺陷、血液病、神经系统疾病、血管疾病以及先天性代谢紊乱有关,这与急性脑梗会影响人的神经系统、免疫系统和心血管系统相吻合。