В статье представлен новый метод анализа данных одноядерной РНК-секвенирования (scRNA-seq), названный c-TSNE и c-UMAP, который решает проблему неинтерпретируемости стандартных методов снижения размерности, таких как t-SNE и UMAP, основанных на евклидовой геометрии. Авторы предлагают фреймворк «слияния информации, управляемый клетками» (cell-driven information fusion), который строит матрицу аффинности напрямую из сырых счетных данных, интегрируя три биологических сигнала: паттерны обнаружения генов, величину экспрессии доминирующих транскриптов и глобальную корреляцию профилей. Метод использует оператор, адаптированный к разреженности данных, и диагностический инструмент для отслеживания того, какой именно биологический компонент определяет границы локальных кластеров, обеспечивая тем самым объяснимость результатов. Оценка проводилась на 29 наборах данных и двух протоколах против 11 базовых методов; c-UMAP показал наивысшие средние значения нормализованного и скорректированного индексов взаимной информации (NMI и AMI) во всех условиях, причем улучшения оставались статистически значимыми после поправки Бонферрони. Важным преимуществом является использование единого фиксированного вектора весов для всех наборов данных, что доказывает внутреннюю устойчивость алгоритма без необходимости подбора гиперпараметров под конкретный датасет. Метод масштабируется до 1,14 миллиона клеток, работая в 22 раза быстрее ведущих аналогов, и, что критически важно, избегает потери до 46,9% ключевых дифференциально экспрессируемых генов (таких как IAPP и FOXP3), характерной для методов, требующих отбора генов по дисперсии. Результаты демонстрируют совместимость атласного масштаба, сохранения сырых данных и механистической интерпретируемости в задачах клеточной биологии.