单细胞测序面临的一个不可忽视的技术问题，就是dropout事件（表达大量的0值，表达矩阵比较稀疏），如何克服这些噪声，研究者开发了一些方法，用以填补这些0值，克服技术噪声。2020年有一篇发表在GB上的方法评测，系统性地评测了18种目前已经发表的单细胞imputation工作，这些方法可以大致分为三类，第一类是基于统计学模型的方法。第二类是基于图的方法。第三类是基于深度学习的方法。在18种方法种，基于统计学模型的SAVER和基于图的MAGIC，KNN-smoothing在评测上优于其他的方法。其中包括与bulk RNA的表达相关性，聚类，基因复现性，拟时序分析等等。
这里介绍KNN-smoothing的方法原理和代码：
KNN-smoothing采取的是k最近邻的方法计算每个细胞k个邻居，在这之前先进行了表达矩阵的标准化，然后将每个细胞的原始count表达量更新为k个邻居细胞的平均表达量。
knn-smoothing github代码
命令行格式：
python3 knn_smooth.py -k 15 -f expression.tsv -o expression_smoothed.tsv
-k: 设置邻居k，这里个数应该是log2（k+1）
-f：输入文件
-o：输出文件
