2019年06月25日 - 卷土重来未可知
从最开始的MBSIT，到之前的DPR，到现在新的DPR，感觉想法已经更加成熟，应用场景也更加明确，可以真正开始搞了。
待做事项：
1. DPR的logo；
2. 借鉴SC3的方法和综合方法来寻找单细胞里的核心hub；
3. 根据KNN来连接hub，直至把所有hub包含进去，构建一个无环的tree；
4. 把每个cell映射到backbone上；
5. 距离度量，判断分化的距离；
6. 整个多个数据，多个分化的数据，这是现在的难点；
一个专门讲聚类的网页课程 - Alexander Strehl 2002-05-03
值得借鉴的一个工具：SC3: consensus clustering of single-cell RNA-seq data
1. 如何在一个模型里整合多种距离度量；
2. 方法的数学化；
可行性分析
假设
连续性 - 与clustering的假设正好相反
分支事件
特征的选择；距离的度量；
限定KNN的必要性；
MST构建；
主支的构建和简化；省略中间点；最短路径；
迭代处理所有分支；统计
投射所有细胞；使用longest branch
root the tree；
相对主线的深度的拓展
简化的ggtree；nodes center
下游分析
分支的显著性排列，节点数、深度；
branching driving factor
聚类比较
pseudotime比较
技术细节：
特征选择
drop out处理
outlier处理
拓展：
大规模测序应用，减少算法复杂度；
留好各种接口，便于个性化分析；
方便使用，提高引用率；
敏感性和特异性的平衡；