단일세포 RNA 시퀀싱(scRNA-seq)은 세포 간 이질성을 밝혀내며, 세포 클러스터링이 세포 유형 및 마커 유전자 식별에 핵심적인 역할을 한다. 최근 그래프 신경망(GNN) 기반의 방법들이 등장하면서 클러스터링 성능이 크게 향상되었으나, 노이즈, 희소성, 고차원성 등의 문제로 인해 scRNA-seq 데이터 분석은 여전히 도전 과제로 남아 있다. 이러한 문제를 더욱 악화시키는 것은 GNN이 흔히 과도한 평활화(over-smoothing) 현상을 겪어 복잡한 생물학적 정보를 효과적으로 포착하지 못한다는 점이다. 이에 대응하여, 우리는 단일세포 RNA-seq 데이터 해석을 위한 새로운 Siamese 클러스터링 프레임워크인 scSiameseClu를 제안한다. 본 프레임워크는 다음과 같은 세 가지 핵심 단계로 구성된다: (1) 이중 증강 모듈(Dual Augmentation Module): 생물학적으로 의미 있는 변형을 유전자 발현 행렬과 세포 그래프 간 관계에 적용하여 표현의 강건성(robustness)을 향상시킨다; (2) Siamese 융합 모듈(Siamese Fusion Module): 교차상관(refinement) 개선과 적응형 정보 융합을 결합하여 복잡한 세포 간 관계를 포착하면서도 과도한 평활화를 완화한다; (3) 최적 운반 클러스터링(Optimal Transport Clustering): Sinkhorn 거리(Sinkhorn distance)를 활용하여 사전 정의된 비율과 일치하는 클러스터 할당을 효율적으로 정렬하면서도 균형을 유지한다. 실제 데이터셋 7개에 대한 종합적인 평가 결과, \methodname는 최신 기술 대비 단일세포 클러스터링, 세포 유형 주석화, 세포 유형 분류 성능에서 우수한 성능을 보였으며, scRNA-seq 데이터 해석을 위한 강력한 도구로 기능함을 입증하였다.