Motivation: Einzelzellen-RNA-Sequenzierung (scRNA-seq)-Technologien und Analysewerkzeuge haben es Forschern ermöglicht, äußerst detaillierte Einblicke in die Funktionen und Beziehungen zwischen Zellen und Genen zu gewinnen. Konventionelle Distanzmaße wie euklidische, Pearson- und Spearman-Distanz erfüllen jedoch nicht gleichzeitig die Anforderungen hinsichtlich der hohen Dimensionalität, Monotonie und Größenordnung von Genexpressiondaten. Um mehrere Einschränkungen dieser üblicherweise verwendeten Metriken zu überwinden, stellen wir eine auf der Magnitude basierende monoton steigende Korrelationsmetrik vor, die wir Polaratio nennen und speziell für eine Verbesserung der Qualität der scRNA-seq-Datenanalyse entwickelt haben.Ergebnisse: Wir integrieren drei state-of-the-art-Methoden für interpretierbare Clusteranalyse – Single-Cell Consensus Clustering (SC3), Hierarchisches Clustering (HC) und K-Medoids (KM) – über ein Konsens-Zellclustering-Verfahren, das wir an verschiedenen biologischen Datensätzen evaluiert haben, um Polaratio mit mehreren etablierten Metriken zu vergleichen. Unsere Ergebnisse zeigen, dass Polaratio die Genauigkeit der Zellclustering-Analyse auf fünf von sieben öffentlich verfügbaren Datensätzen signifikant verbessert.Verfügbarkeit: https://github.com/dubai03nsr/PolaratioKontakt: pcicalese{at}uh.edu