单细胞测序技术的发展,让我们能够以低成本、高精度获得大量的单细胞转录组数据,使其成为揭示细胞间异质性和窥探细胞发育过程的有力工具。在分析细胞发育过程的基因动力学和变异性的复杂性时,使用单细胞基因表达数据重建细胞分化的伪时间轨迹是目前研究的热点和面临的挑战。尽管最近已经开发了许多用于单细胞分析的计算和统计方法,但现存方法都有其局限性和改进的空间,更高效准确的算法仍待提出。细胞分化伪时间轨迹的重建主要由数据处理和细胞排序两部分组成。其中数据处理是算法基础,也是保证细胞排序准确的前提。本文使用的单细胞测序数据是大维稀疏矩阵,并且基因表达数据有着从10^-6到10 ²的量级跨度,这增加了分析的难度,并对算法的适用性提出了挑战。为了解决这个问题,我们需要先对数据进行清洗、归一化和降维。首先,本文利用dpFeature进行基因的特征选择,删除对分化过程作用甚微的基因;为了消除数据的量级跨度,对数据进行对数归一化处理;最后,为了消除数据噪声和方便数据可视化,并且基于基因数据的特点和结构,我们选择修正的局部线形嵌入（Modified Locally Linear Embedding,简称MLLE）降维方法对数据降维。在细胞排序部分,本文先是提出了一种动态半径近邻方法寻找cell-marker并对细胞集群进行聚类;再利用cell-marker构建最小生成树描绘细胞分化轨迹的整体分支框架;最后本文提出了一种基于Apollonius圆的新的细胞伪时间计算方法对细胞进行排序。在验证部分,将本方法应用于人胚胎干细胞数据集和小鼠胚胎单细胞数据集,将实证结果的预测轨迹与实验室分化轨迹结果进行Spearman相关性分析,分别得到了0.872和0.894较好的结果。