El agrupamiento de células individuales facilita la identificación de diferentes tipos de células, especialmente la identificación de células raras. El preprocesamiento y la reducción de dimensionalidad son los dos métodos de procesamiento de datos más comúnmente utilizados y son muy importantes para el agrupamiento de células individuales. Sin embargo, encontramos que diferentes métodos de preprocesamiento y reducción de dimensionalidad tienen efectos muy diferentes en el agrupamiento de células individuales. Además, parece no haber una combinación específica de métodos de preprocesamiento y reducción de dimensionalidad que sea aplicable a todos los conjuntos de datos. En este estudio, desarrollamos un nuevo algoritmo para mejorar los resultados de agrupamiento de células individuales, llamado SCM. Primero buscó automáticamente una combinación óptima que corresponde al mejor agrupamiento de tipos de células de un conjunto de datos dado. Luego definió una medida de distancia flexible de célula a célula con especificidad de datos para el agrupamiento de tipos de células. Experimentos en diez conjuntos de datos de referencia mostraron que SCM funcionó mejor que casi todos los otros siete algoritmos de agrupamiento populares. Por ejemplo, la mejora promedio de ARI de SCM sobre el segundo mejor método SC3 incluso alcanzó el 29.31% en los diez conjuntos de datos, lo que demostró su gran potencial para revelar la heterogeneidad celular, identificar tipos de células, describir estados funcionales de células, inferir dinámicas celulares y otras áreas de investigación relacionadas.