Motivation : Les technologies de séquençage de l’ARN à l’échelle d’une seule cellule (scRNA-seq) et les outils d’analyse associés ont permis aux chercheurs d’obtenir des compréhensions remarquablement détaillées des rôles et des relations entre cellules et gènes. Toutefois, les métriques de distance classiques, telles que la distance euclidienne, la corrélation de Pearson ou la corrélation de Spearman, ne parviennent pas simultanément à tenir compte de la haute dimensionnalité, de la monotonie et de l’ampleur des données d’expression génique. Pour pallier plusieurs limites de ces métriques couramment utilisées, nous proposons une nouvelle métrique de corrélation monotone conditionnée à l’amplitude, appelée Polaratio, conçue pour améliorer la qualité de l’analyse des données scRNA-seq.Résultats : Nous intégrons trois algorithmes d’agrégation de clustering interprétables de pointe – Single-Cell Consensus Clustering (SC3), Clusterisation hiérarchique (HC) et K-Médoids (KM) – au travers d’une procédure de clustering consensus cellulaire, que nous évaluons sur divers jeux de données biologiques afin de comparer Polaratio à plusieurs métriques bien établies. Nos résultats démontrent que Polaratio améliore la précision du clustering cellulaire sur 5 des 7 jeux de données publiques disponibles.Disponibilité : https://github.com/dubai03nsr/PolaratioContact : pcicalese{at}uh.edu