1.一种基于生成对抗网络的单细胞数据关系测序聚类方法，其特征在于所述方法包括如下步骤：步骤1、数据获取：

从公开数据库中下载单细胞RNA测序数据；

步骤2、数据处理：

步骤2-1、过滤稀疏基因和细胞：删除表达比例低于整个数据集中1%的基因，以及表达比例低于整个数据集中1%的细胞；

步骤2-2、选取关键基因：从剩余的基因中选择表现最为显著的2000个基因；

步骤2-3、构建基因表达矩阵：对所有基因进行筛选，去除表达比例不到设定的基因，构建新的基因表达矩阵DF；

步骤3、图构建：

步骤3-1、归一化处理：对初始的基因表达矩阵DF进行归一化操作，构建归一化矩阵B；

步骤3-2、PCA降维：对归一化后矩阵B每行的基因利用PCA降维成基因特征表达矩阵X2，利用基因特征表达矩阵X2获取细胞新特征表达矩阵X1；

步骤3-3、细胞间距离矩阵：对细胞新特征表达矩阵X1进行PCA，得到降维后的细胞新特征表达矩阵X3，通过计算降维后的细胞新特征表达矩阵X3中各细胞之间的欧氏距离，得到细胞间距离矩阵P；

步骤3-4、细胞间邻接矩阵：根据KNN算法，利用细胞间距离矩阵 P构建细胞间邻接矩阵，并对行归一化，得到新的细胞间邻接矩阵A1；

步骤3-5、细胞基因间邻接矩阵：根据归一化矩阵B和公式，得到细胞与基因之间的邻接矩阵，再对行归一化，得到新的细胞基因间邻接矩阵W，其中：B表示数据矩阵，B[k,j]表示第k个基因在第j个细胞中的表达量，表示图神经网络中的权重矩阵元素，m代表基因总数减1；

步骤3-6、构建完整邻接矩阵：将细胞间邻接矩阵A1、细胞基因间邻接矩阵W、零矩阵及单位矩阵合并为整体的邻接矩阵A，并构建相应细胞-基因连接图；

步骤4、图自编码器训练：

构建包含多层图卷积层和线性层的GCN编码器-解码器模型作为图自编码器，将细胞新特征表达矩阵X1和基因特征表达矩阵X2合并形成特征矩阵X，将特征矩阵X和邻接矩阵A输入到GCN编码器-解码器模型中进行训练，生成初步的细胞聚类标签；

步骤5、选点与深度模型聚类：

步骤5-1、选择代表性样本：获取初始聚类标签后，通过Kmeans获取每个聚类的质心坐标，再利用Norm函数计算每个细胞距离质心的距离，在每个类别中选取距离质心最近的前30~50%的细胞样本作为代表性样本；

步骤5-2、对抗网络训练：

（1）数据准备：加载基因表达数据和聚类标签数据，并对代表性样本进行标准化处理；

（2）定义生成器和判别器：

生成器：用于生成与真实细胞嵌入相似的假嵌入表示，结构包括多层线性层和LeakyReLU激活函数，输出层使用Tanh激活函数以适应特征值范围；

判别器：用于区分真实样本和假样本，结构包括多层线性层和LeakyReLU激活函数，输出层使用Softmax激活函数进行多分类；

（3）训练判别器：输入真实细胞样本，计算真实样本的损失；生成假细胞样本，计算假样本的损失；判别器的总损失为真实样本损失和假样本损失之和；

（4）训练生成器：生成假细胞样本，通过判别器计算假样本的输出；生成器的损失为欺骗判别器的损失，即希望假样本被判别器认为是真样本；通过对抗训练，优化生成器，使其生成的嵌入表示更加逼近真实数据的分布；

步骤6、重新聚类：

步骤6-1、训练完成后，使用判别器对所有细胞样本进行分类，计算每个样本属于各个真实类别的概率，最终得到每个细胞的聚类标签；

步骤6-2、使用标签一致性算法，确保所有细胞样本的聚类标签数量与预期一致，从而完成重新聚类。

2.根据权利要求1所述的基于生成对抗网络的单细胞数据关系测序聚类方法，其特征在于所述步骤3-3中，细胞间距离矩阵P的计算公式如下：式中，表示细胞距离矩阵P中细胞i和细胞j之间的欧氏距离，表示降维后的细胞新特征表达矩阵X1中细胞i在第k个维度上的值，表示降维后的细胞新特征表达矩阵X1中细胞j在第k个维度上的值。

3.根据权利要求1所述的基于生成对抗网络的单细胞数据关系测序聚类方法，其特征在于所述步骤4具体步骤如下：步骤4-1、编码：使用多层图卷积层对输入特征进行编码；

步骤4-2、解码：使用线性层对编码后的特征进行解码，重构邻接矩阵，解码器通过多层线性层逐步还原编码信息，最后使用Sigmoid函数输出重建的邻接矩阵；

步骤4-3、训练：通过最小化重建误差优化模型参数，训练过程中，模型不断调整权重以减少实际邻接矩阵与重建邻接矩阵之间的差异；

步骤4-4、潜在变量生成：训练完成后，模型输出降维后的潜在变量Z，Z包含细胞和基因的嵌入表示，其中前n维代表细胞的特征表达；

步骤4-5、初步聚类：使用K-Means算法对细胞的特征表示进行聚类，生成初步的细胞聚类标签。

4.根据权利要求3所述的基于生成对抗网络的单细胞数据关系测序聚类方法，其特征在于所述步骤4-1的具体步骤如下：每一层图卷积层通过邻接矩阵A传播信息，提取更高阶的特征表示，每层图卷积层后应用LeakyReLU激活函数和批量归一化，以提高模型的表达能力和稳定性，图卷积层完整公式如下：式中，A是邻接矩阵，X是节点特征矩阵，，是传播后的节点特征，，W是可学习的权重矩阵，为非线性激活函数，，BatchNorm是批量归一化操作，用于加速训练和提高模型性能。