摘要单细胞转录组测序(single-cell transcriptome sequencing,scRNA-seq)通过高通量获取单细胞转录丰度数据,能够深入揭示细胞类型、亚型组成、特异性基因标记及功能差异,广泛应用于动植物发育生物学和重要性状解析等领域.然而,scRNA-seq数据常伴随高噪声、高维度和批次效应等问题,导致大量低表达基因和变异的出现,严重影响数据分析的准确性和可靠性.这不仅增加了数据处理的复杂性,还制约了特征选择和下游分析的效果.尽管已有多种统计推断和机器学习方法用于应对这些挑战,但在细胞类型识别、特征选择以及批次效应校正等方面,现有方法仍存在着局限性,难以满足复杂生物学研究的需求.因此本研究提出了一种创新的单细胞分类方法scIC(single-cell image classification),将scRNA-seq数据转换为图像形式,并结合深度学习技术进行细胞分类.通过这种图像转换的方式能够更有效地捕捉数据中的复杂模式,进而利用卷积神经网络(convolutional neural networks,CNN)和残差网络(residual network,ResNet)构建高效的分类模型.在测试 4 种细胞类型(小鼠皮肤基底细胞、小鼠淋巴细胞、人类神经元细胞和小鼠脊髓细胞)的scRNA-seq数据后,分类模型的准确率均超过94％,其中小鼠皮肤基底细胞数据集使用ResNet50模型时的分类准确率高达99.8％.这些结果表明,将scRNA-seq数据进行图像转换并与深度学习技术结合,能够显著提高分类准确性,为解决单细胞数据分析中的关键挑战提供了新思路和有效工具.本研究代码已公开于:https://github.com/Bingxi-Gao/SCImageClassify.