単細胞RNAシークエンシング（scRNA-seq）は細胞の異質性を明らかにし、細胞クラスタリングが細胞型やマーカー遺伝子の同定において中心的な役割を果たす。近年、特にグラフニューラルネットワーク（GNN）に基づく手法の進展により、クラスタリングの性能は著しく向上している。しかし、ノイズ、スパース性、高次元性といった課題により、scRNA-seqデータの解析は依然として困難である。さらに、GNNは過剰な平滑化（over-smoothing）の問題に直面しやすく、複雑な生物学的情報を適切に捉える能力が制限されることが課題となっている。こうした問題に対応して、本研究では単細胞RNA-seqデータの解釈を目的とした新しいシアメスクラスタリングフレームワーク「scSiameseClu」を提案する。本フレームワークは以下の3段階から構成される：（1）デュアルオーギュメンテーションモジュール：遺伝子発現行列および細胞グラフの関係に生物学的に意味のある摂動を加えることで、表現の堅牢性を向上させる；（2）シアメス融合モジュール：クロス相関の精緻化と適応的情報統合を組み合わせ、複雑な細胞間関係を捉えつつ、過剰な平滑化を抑制する；（3）最適輸送クラスタリング：Sinkhorn距離を用いて、予め定義された割合に効率的にクラスタ割り当てを整合させつつ、バランスを維持する。7つの実世界データセットを用いた包括的な評価により、本手法（\methodname）は最先端の手法を上回る性能を発揮し、単細胞クラスタリング、細胞型のアノテーション、細胞型分類の各タスクにおいて優れた結果を示した。これにより、scRNA-seqデータ解析における強力なツールとしての実用性が示された。