--- name: cnv-caller-plotter description: 从全基因组测序数据中检测拷贝数变异，并生成可用于发表的全基因组 CNV 图。支持癌症基因组学和罕见病分析中的 CNV 检出、分段和可视化。 allowed-tools: [Read, Write, Bash, Edit, Grep] license: MIT metadata: skill-author: AIPOCH displayName: "CNV 检测可视化" version: "1.0.1" slug: cnv-caller-plotter --- # CNV 检测与绘图工具 从全基因组测序（WGS）数据中检测拷贝数变异（CNV），并为癌症基因组学、罕见病分析和群体遗传学研究生成全基因组可视化图表。提供 CNV 检出、分段分析和可发表级别的可视化。 **核心能力：** - **从 WGS 检测 CNV**：从已比对的测序数据中识别拷贝数增加和缺失 - **基因组分段**：将基因组划分为区间/窗口以进行拷贝数估计 - **灵活的输入支持**：处理 BAM、VCF 及其他标准基因组学格式 - **可发表级别的图表**：生成 PNG、PDF 或 SVG 格式的全基因组 CNV 概览图 - **标准输出格式**：以 BED 格式导出 CNV 检出结果，便于下游分析 --- ## 何时使用 **✅ 适用场景：** - 分析**癌症基因组**以识别体细胞拷贝数变异（SCNA） - 研究疑似由拷贝数变异引起的**罕见病**病因 - 进行**群体遗传学**研究，比较不同组间的 CNV 频率 - 为出版物或报告生成**全基因组 CNV 可视化**图表 - 创建**BED 格式的 CNV 检出结果**以与其他分析流程集成 - 对肿瘤和正常样本进行**CNV 比较分析** - 用测序数据验证**来自 SNP 芯片的 CNV 检出结果** **❌ 不适用场景：** - 处理**靶向测序面板**（外显子组/靶向捕获）→ 使用 CNVkit 或 ExomeDepth 等专用工具 - 检测涉及易位或倒位的**结构变异**→ 使用 `structural-variant-caller` - 分析**单细胞 RNA-seq 数据**→ 使用单细胞专用 CNV 工具（如 inferCNV） - 检测**小片段插入缺失**（<50bp）→ 使用 `variant-caller` 进行小变异检测 - 出于诊断目的需要**临床级 CNV 检测**→ 使用经过适当质控验证的临床流程 - 处理**低覆盖度数据**（<10x）→ 结果可能不可靠，建议考虑基于 SNP 芯片的方法 **相关技能：** - **上游 (Upstream)**：`fastqc-report-interpreter`、`alignment-quality-checker`、`variant-caller` - **下游 (Downstream)**：`circos-plot-generator`、`go-kegg-enrichment`、`heatmap-beautifier` --- ## 与其他技能的集成 **上游技能：** - `fastqc-report-interpreter`：在 CNV 检出前评估测序质量；低质量数据可能产生不可靠的 CNV - `alignment-quality-checker`：核查 BAM 文件质量和覆盖均匀性；覆盖不均会导致 CNV 假象 - `variant-caller`：生成 SNV/indel 检出结果，用于癌症样本的 CNV-SNV 联合分析 **下游技能：** - `circos-plot-generator`：创建整合 CNV 与其他基因组特征的环形基因组图 - `go-kegg-enrichment`：对 CNV 区域内的基因进行通路富集分析 - `heatmap-beautifier`：可视化多个样本间的 CNV 概览 **完整工作流：** ``` Raw WGS Data → fastqc-report-interpreter → alignment-quality-checker → cnv-caller-plotter → circos-plot-generator → Publication Figures ``` --- ## 核心功能 ### 1. 拷贝数变异检测 通过分析读段深度模式，从 WGS 数据中识别存在拷贝数增加（扩增）或缺失（缺失）的基因组区域。 ```python from scripts.main import CNVCaller # Initialize CNV caller with bin size caller = CNVCaller(bin_size=1000) # Call CNVs from BAM file cnv_calls = caller.call_cnvs( input_file="sample.bam", reference="hg38.fa" ) # Review detected CNVs for cnv in cnv_calls: print(f"{cnv['chrom']}:{cnv['start']}-{cnv['end']}") print(f" Copy Number: {cnv['cn']}") if cnv['cn'] > 2: print(f" Type: Amplification (gain)") elif cnv['cn'] < 2: print(f" Type: Deletion (loss)") ``` **参数：** | Parameter | Type | Required | Description | Default | |-----------|------|----------|-------------|---------| | `input_file` | str | Yes | 输入 BAM 或 VCF 文件路径 | None | | `reference` | str | Yes | 参考基因组 FASTA 路径 | None | | `bin_size` | int | No | 用于分段的基因组区间大小（bp） | 1000 | **CNV 检出策略：** | Approach | Best For | Sensitivity | Specificity | |----------|----------|-------------|-------------| | **读段深度分析** | 大型 CNV（>10kb） | 高 | 中 | | **双端配对定位** | 中等 CNV（1-10kb） | 中 | 高 | | **拆分读段分析** | 小型 CNV（<1kb） | 中 | 高 | | **联合方法** | 综合检测 | 高 | 高 | **最佳实践：** - ✅ **使用合适的区间大小**：WGS 使用 1000bp，靶向分析可用更小的区间 - ✅ **确保足够的覆盖度**：可靠的 CNV 检测至少需要 15-20x - ✅ **匹配参考基因组**：使用与比对时相同的参考基因组（hg19 与 hg38） - ✅ **检查覆盖均匀性**：GC 偏倚可导致假阳性 CNV **常见问题及解决方案：** **问题：重复区域中出现假阳性 CNV** - 症状：在中心粒、端粒或片段重复区域检出大量 CNV - 解决方案：过滤与已知问题区域重叠的 CNV；使用可映射性过滤器 **问题：小型 CNV 灵敏度低** - 症状：即使覆盖度充足，仍漏检 <5kb 的 CNV - 解决方案：减小区间大小；除深度信号外，同时使用拆分读段或双端配对信号 ### 2. 基因组分段与分箱 将基因组划分为窗口/区间以进行拷贝数估计，从而对整个基因组进行系统性分析。 ```python from scripts.main import CNVCaller # Different bin sizes for different applications bin_configs = { "high_resolution": 100, # For small CNV detection "standard": 1000, # Default for WGS "low_resolution": 10000 # For large-scale alterations } for config_name, bin_size in bin_configs.items(): caller = CNVCaller(bin_size=bin_size) print(f"\n{config_name} (bin_size={bin_size}bp):") # Calculate approximate number of bins for human genome genome_size = 3_000_000_000 # 3 Gb num_bins = genome_size // bin_size print(f" Estimated bins: ~{num_bins:,}") print(f" Resolution: {bin_size}bp") ``` **区间大小选择指南：** | Bin Size | Resolution | Use Case | Coverage Required | |----------|------------|----------|-------------------| | **100 bp** | 高 | 小型 CNV（<5kb） | >30x | | **1000 bp** | 标准 | 通用 WGS 分析 | >15x | | **10000 bp** | 低 | 大型染色体畸变 | >5x | | **可变** | 自适应 | 混合分辨率 | >20x | **最佳实践：** - ✅ **区间大小与预期 CNV 大小匹配**：检测小型 CNV 时使用更小的区间 - ✅ **考虑覆盖深度**：更高的覆盖度可支持更小的区间 - ✅ **排除不可映射区域**：过滤映射率为零或极低的区间 - ✅ **对 GC 含量归一化**：富含 GC 的区域覆盖模式不同 **常见问题及解决方案：** **问题：区间过小导致分段结果噪声大** - 症状：拷贝数估计不稳定，方差很高 - 解决方案：增大区间大小；应用平滑算法；用更大的区间作为基线 **问题：区间过大导致遗漏大型 CNV** - 症状：跨越多个区间的大型缺失/扩增未被检出 - 解决方案：使用统计分段方法（CBS、PSCBS）合并相邻的变异区间 ### 3. 全基因组可视化 生成展示所有染色体拷贝数概览的可发表级别图表，便于视觉解读和展示。 ```python from scripts.main import CNVCaller caller = CNVCaller(bin_size=1000) # Example CNV calls for plotting cnv_calls = [ {"chrom": "chr1", "start": 1000000, "end": 2000000, "cn": 3}, # Gain {"chrom": "chr7", "start": 50000000, "end": 55000000, "cn": 1}, # Loss {"chrom": "chr17", "start": 35000000, "end": 36000000, "cn": 4} # High-level amplification ] # Generate plots in different formats output_dir = "./cnv_results" for fmt in ["png", "pdf", "svg"]: plot_file = caller.plot_genome_wide( cnv_calls=cnv_calls, output_path=output_dir, fmt=fmt ) print(f"Generated: {plot_file}") # Plot features: # - Genome-wide view with all chromosomes # - Copy number on Y-axis (0-6 typical range) # - Chromosomal position on X-axis # - Color coding: red=loss, blue=gain, black=neutral ``` **输出格式：** | Format | Extension | Best For | File Size | |--------|-----------|----------|-----------| | **PNG** | .png | 网页、演示、快速查看 | 中 | | **PDF** | .pdf | 出版物、高质量打印 | 大 | | **SVG** | .svg | 矢量编辑、可缩放图形 | 小 | **最佳实践：** - ✅ **发表使用 PDF**：矢量格式在任意缩放下都能保持质量 - ✅ **包含基线（CN=2）**：参考线有助于解读增加/缺失 - ✅ **使用色盲友好配色**：增加与缺失使用可明显区分的颜色 - ✅ **标注关键区域**：标记已知癌基因或感兴趣区域 **常见问题及解决方案：** **问题：CNV 过多导致图表过于密集** - 症状：重叠的点使图表难以阅读 - 解决方案：使用分段合并相邻检出结果；调整点大小/透明度 **问题：女性样本未显示 ChrY** - 症状：女性受试者图表中缺失该染色体 - 解决方案：根据覆盖度动态检测性别；相应调整图表 ### 4. BED 格式导出 以标准 BED 格式导出 CNV 检出结果，以便与基因组浏览器及下游分析工具兼容。 ```python from scripts.main import CNVCaller caller = CNVCaller() # Example CNV calls cnv_calls = [ {"chrom": "chr1", "start": 1000000, "end": 2000000, "cn": 3}, {"chrom": "chr7", "start": 50000000, "end": 55000000, "cn": 1}, ] # Export to BED format bed_file = caller.save_bed(cnv_calls, "./output") # BED format structure: # chrom start end name score strand # chr1 1000000 2000000 CN=3 . . # chr7 50000000 55000000 CN=1 . . print(f"BED file saved: {bed_file}") # Read and display BED content with open(bed_file, 'r') as f: print("\nBED file content:") for line in f: print(line.strip()) ``` **BED 格式规范：** | Column | Field | Description | Example | |--------|-------|-------------|---------| | 1 | chrom | 染色体名称 | chr1, chrX | | 2 | start | 起始位置（从 0 开始） | 1000000 | | 3 | end | 结束位置（从 1 开始） | 2000000 | | 4 | name | CNV 注释 | CN=3 | | 5 | score | 可选质量分数 | . | | 6 | strand | 链信息（通常为 .） | . | **最佳实践：** - ✅ **使用从 0 开始的坐标**：标准 BED 格式起始位置从 0 开始，结束位置从 1 开始 - ✅ **在名称中包含拷贝数**：使 CNV 状态一目了然 - ✅ **按染色体和位置排序**：许多工具（bedtools、IGV）需要此项 - ✅ **验证格式**：分发前用 `bedtools` 或基因组浏览器进行检查 **常见问题及解决方案：** **问题：基因组浏览器拒绝加载 BED 文件** - 症状：IGV 或 UCSC 基因组浏览器加载 BED 时报错 - 解决方案：确保染色体命名正确（chr1 与 1）；对文件排序；检查是使用 tab 还是空格 **问题：坐标系统混淆** - 症状：在不同工具中 CNV 位置出现 1bp 的偏移 - 解决方案：BED 从 0 开始计数，GFF/VCF 从 1 开始计数；必要时进行转换 ### 5. 肿瘤-正常样本对比 将肿瘤样本与配对正常样本的 CNV 概览进行对比，以识别体细胞拷贝数变异（SCNA）。 ```python from scripts.main import CNVCaller caller = CNVCaller(bin_size=1000) # Call CNVs in tumor and normal samples tumor_cnvs = caller.call_cnvs("tumor.bam", "hg38.fa") normal_cnvs = caller.call_cnvs("normal.bam", "hg38.fa") # Identify somatic CNVs (present in tumor, not in normal) def find_somatic_cnvs(tumor_calls, normal_calls): """Identify CNVs present in tumor but not normal.""" somatic_cnvs = [] for t_cnv in tumor_calls: is_somatic = True # Check if similar CNV exists in normal for n_cnv in normal_calls: if (t_cnv['chrom'] == n_cnv['chrom'] and abs(t_cnv['start'] - n_cnv['start']) < 10000 and abs(t_cnv['end'] - n_cnv['end']) < 10000 and t_cnv['cn'] == n_cnv['cn']): is_somatic = False break if is_somatic: somatic_cnvs.append(t_cnv) return somatic_cnvs somatic_cnvs = find_somatic_cnvs(tumor_cnvs, normal_cnvs) print(f"Total tumor CNVs: {len(tumor_cnvs)}") print(f"Somatic CNVs: {len(somatic_cnvs)}") # Categorize somatic alterations amplifications = [c for c in somatic_cnvs if c['cn'] > 2] deletions = [c for c in somatic_cnvs if c['cn'] < 2] print(f" Amplifications: {len(amplifications)}") print(f" Deletions: {len(deletions)}") ``` **体细胞与生殖细胞变异分类：** | Category | Tumor CN | Normal CN | Interpretation | |----------|----------|-----------|----------------| | **体细胞扩增** | >2 | 2 | 肿瘤特异性增加 | | **体细胞缺失** | <2 | 2 | 肿瘤特异性缺失 | | **生殖细胞 CNV** | ≠2 | ≠2 | 遗传性 CNV | | **LOH** | 1 | 2 | 杂合性缺失 | **最佳实践：** - ✅ **尽可能使用配对正常样本**：这对区分体细胞与生殖细胞变异至关重要 - ✅ **考虑肿瘤纯度**：低纯度样本的 CNV 信号会被削弱 - ✅ **验证关键发现**：对重要 CNV 使用正交方法（FISH、qPCR）验证 - ✅ **考虑克隆性**：亚克隆 CNV 可能以较低频率存在 **常见问题及解决方案：** **问题：正常样本混入肿瘤样本** - 症状：CNV 信号弱于预期；出现小数拷贝数 - 解决方案：估计肿瘤纯度；使用纯度校正的 CNV 检出方法 **问题：生殖细胞 CNV 被误判为体细胞变异** - 症状：许多"体细胞"CNV 看起来像常见多态性 - 解决方案：与群体 CNV 数据库（DGV、gnomAD-SV）进行过滤比对 ### 6. 质量控制与过滤 应用质量过滤器以去除假象 CNV 检出结果，提高结果可靠性。 ```python from scripts.main import CNVCaller caller = CNVCaller() # Example raw CNV calls with QC metrics cnv_calls = [ { "chrom": "chr1", "start": 1000000, "end": 2000000, "cn": 3, "quality_score": 50, "supporting_reads": 150 }, { "chrom": "chr7", "start": 50000000, "end": 50001000, "cn": 0, "quality_score": 10, "supporting_reads": 5 # Likely artifact }, ] # Apply quality filters def filter_cnvs(cnv_list, min_quality=20, min_size=1000, min_support=20): """Filter CNVs based on quality metrics.""" filtered = [] for cnv in cnv_list: size = cnv['end'] - cnv['start'] quality = cnv.get('quality_score', 0) support = cnv.get('supporting_reads', 0) # Apply filters if quality < min_quality: continue if size < min_size: continue if support < min_support: continue filtered.append(cnv) return filtered # Filter with different stringencies for min_q in [10, 20, 30]: filtered = filter_cnvs(cnv_calls, min_quality=min_q) print(f"Quality >= {min_q}: {len(filtered)} CNVs retained") # Additional filters to consider: # - Exclude segmental duplications # - Exclude centromeres and telomeres # - Minimum number of supporting bins # - Concordance with paired-end or split-read signals ``` **质量指标：** | Metric | Threshold | Purpose | |--------|-----------|---------| | **质量分数** | >20 | CNV 检出结果的整体置信度 | | **大小** | >1kb | 去除小型假象检出结果 | | **支持读段数** | >20 | 充足的证据深度 | | **Log2 比值** | |0.3| | 与二倍体的显著偏差 | | **可映射性** | >0.8 | 可靠的唯一映射 | **最佳实践：** - ✅ **应用大小过滤**：去除 <1kb 的 CNV（通常为假象） - ✅ **过滤重复区域**：排除已知问题区域 - ✅ **使用多种证据类型**：结合深度、双端配对和拆分读段信号 - ✅ **验证高影响 CNV**：对治疗靶点使用正交方法验证 **常见问题及解决方案：** **问题：低质量 CNV 检出结果过多** - 症状：检出数百甚至数千个 CNV - 解决方案：提高质量阈值；应用群体频率过滤 **问题：真实 CNV 被过滤掉** - 症状：已知的癌症驱动 CNV 缺失于结果中 - 解决方案：使用基因特异性过滤；手动复核感兴趣区域 --- ## 完整工作流示例 **从 WGS 数据到 CNV 可视化：** ```bash # Step 1: Call CNVs from tumor sample python scripts/main.py \ --input tumor_sample.bam \ --reference hg38.fa \ --output tumor_cnv/ \ --bin-size 1000 \ --plot-format pdf # Step 2: Call CNVs from matched normal python scripts/main.py \ --input normal_sample.bam \ --reference hg38.fa \ --output normal_cnv/ \ --bin-size 1000 # Step 3: Compare and identify somatic CNVs # (Use Python API for comparison logic) # Step 4: Generate final plots python scripts/main.py \ --input tumor_sample.bam \ --reference hg38.fa \ --output final_results/ \ --plot-format pdf ``` **Python API 用法：** ```python from scripts.main import CNVCaller from pathlib import Path def analyze_cancer_genome( tumor_bam: str, normal_bam: str, reference: str, output_dir: str ) -> dict: """ Complete cancer genome CNV analysis workflow. """ caller = CNVCaller(bin_size=1000) # Create output directory Path(output_dir).mkdir(parents=True, exist_ok=True) # Call CNVs in both samples print("Calling CNVs in tumor sample...") tumor_cnvs = caller.call_cnvs(tumor_bam, reference) print("Calling CNVs in normal sample...") normal_cnvs = caller.call_cnvs(normal_bam, reference) # Identify somatic alterations somatic_cnvs = identify_somatic(tumor_cnvs, normal_cnvs) # Generate outputs tumor_bed = caller.save_bed(tumor_cnvs, output_dir) somatic_bed = caller.save_bed(somatic_cnvs, f"{output_dir}/somatic") plot_file = caller.plot_genome_wide(tumor_cnvs, output_dir, "pdf") # Calculate statistics stats = { "total_tumor_cnvs": len(tumor_cnvs), "somatic_cnvs": len(somatic_cnvs), "amplifications": len([c for c in somatic_cnvs if c['cn'] > 2]), "deletions": len([c for c in somatic_cnvs if c['cn'] < 2]), "output_files": { "tumor_bed": tumor_bed, "somatic_bed": somatic_bed, "genome_plot": plot_file } } return stats # Execute workflow results = analyze_cancer_genome( tumor_bam="tumor.bam", normal_bam="normal.bam", reference="hg38.fa", output_dir="./cnv_analysis" ) print(f"\nAnalysis complete!") print(f"Total tumor CNVs: {results['total_tumor_cnvs']}") print(f"Somatic CNVs: {results['somatic_cnvs']}") print(f" Amplifications: {results['amplifications']}") print(f" Deletions: {results['deletions']}") ``` **预期输出文件：** ``` cnv_analysis/ ├── cnv_calls.bed # All CNV calls in BED format ├── somatic/ │ └── cnv_calls.bed # Somatic CNVs only ├── cnv_plot.pdf # Genome-wide visualization └── analysis_summary.json # Statistics and metadata ``` --- ## 常见模式 ### 模式 1：癌症基因组分析（肿瘤-正常配对） **场景**：与配对正常组织相比，识别癌症样本中的体细胞拷贝数变异。 ```json { "analysis_type": "cancer_genome", "samples": { "tumor": "tumor_wgs.bam", "normal": "blood_normal.bam" }, "reference": "hg38.fa", "parameters": { "bin_size": 1000, "min_cnv_size": 10000, "plot_format": "pdf" }, "expected_outputs": [ "Somatic CNV calls (BED format)", "Genome-wide CNV profile plot", "CNV statistics and summary" ] } ``` **工作流：** 1. 处理肿瘤和正常样本的 BAM 文件 2. 分别对每个样本进行 CNV 检出 3. 对比以识别体细胞变异 4. 用群体数据库过滤生殖细胞多态性 5. 对 CNV 区域内的癌基因进行注释 6. 生成可发表级别的可视化图表 7. 用正交方法验证关键驱动变异 **输出示例：** ``` Somatic CNV Summary: Total alterations: 47 Amplifications: 12 (including MYC, EGFR) Deletions: 35 (including TP53, PTEN) High-impact alterations: chr8:128000000-129000000 CN=8 (MYC amplification) chr17:7000000-8000000 CN=0 (TP53 deletion) ``` ### 模式 2：罕见病 CNV 检测 **场景**：检测疑似基因组病患者的致病性 CNV。 ```json { "analysis_type": "rare_disease", "sample": "patient.bam", "reference": "hg38.fa", "parameters": { "bin_size": 500, "min_cnv_size": 1000, "max_frequency": 0.01 }, "annotation": [ "OMIM genes", "ClinVar pathogenic variants", "Decipher syndromes" ] } ``` **工作流：** 1. 使用高灵敏度设置进行 CNV 检出 2. 用常见群体 CNV（DGV、gnomAD）进行过滤 3. 优先关注罕见 CNV（频率 <1%） 4. 用疾病相关基因进行注释 5. 评估遗传模式（如有亲代数据） 6. 与表型/HPO 术语进行交叉参考 7. 生成含优先发现的临床报告 **输出示例：** ``` Rare CNV Findings: chr22:19000000-21000000 CN=1 (22q11.2 deletion syndrome) Size: 2.0 Mb Genes: TBX1, COMT, etc. Frequency: <0.1% in population Phenotype match: Cardiac, thymic, facial anomalies Classification: Pathogenic ``` ### 模式 3：群体 CNV 分析 **场景**：比较多个样本间的 CNV 概览，以识别复发性变异。 ```json { "analysis_type": "population", "samples": [ "sample1.bam", "sample2.bam", "sample3.bam", ... ], "cohorts": { "cases": 50, "controls": 50 }, "parameters": { "bin_size": 1000, "plot_format": "png" }, "analysis": [ "Recurrent CNV detection", "Burden analysis", "Association testing" ] } ``` **工作流：** 1. 在所有样本上使用一致的参数进行 CNV 检出 2. 合并并统一各样本的 CNV 检出结果 3. 识别复发性 CNV 区域 4. 进行负荷分析（总 CNV 负荷） 5. 检验与表型/状态的关联 6. 进行多重检验校正 7. 可视化整个队列的 CNV 图谱 **输出示例：** ``` Population CNV Analysis: Samples analyzed: 100 Total CNVs detected: 2,847 Recurrent alterations: chr1:1000000-2000000: 23% frequency chr16:15000000-16000000: 18% frequency Case vs Control association: Significant enrichment: 3 CNV regions Most significant: chr8:128000000-129000000 (p=0.001) ``` ### 模式 4：细胞系表征 **场景**：为研究或质量控制表征癌细胞系的 CNV 概览。 ```json { "analysis_type": "cell_line", "sample": "mcf7_cell_line.bam", "reference": "hg38.fa", "parameters": { "bin_size": 1000, "plot_format": "pdf" }, "comparison": { "reference_profile": "mcf7_ccle_cnvs.bed", "expected_alterations": ["chr8_MYC_amp", "chr20_ZNF217_amp"] } } ``` **工作流：** 1. 从 WGS 生成高质量 CNV 概览 2. 与参考概览（CCLE、COSMIC）进行比较 3. 验证预期的癌症驱动变异 4. 识别亚克隆群体 5. 评估基因组稳定性指标 6. 生成用于细胞系鉴定的质控报告 7. 记录以确保可重复性 **输出示例：** ``` Cell Line: MCF-7 Identity confirmed: Yes (99.2% match to reference) Expected alterations detected: chr8:128000000-129000000: CN=8 (MYC) ✓ chr20:50000000-52000000: CN=6 (ZNF217) ✓ Additional alterations: chr17:35000000-37000000: CN=3 (ERBB2) ✓ Ploidy: 2.8 (aneuploid) Genome instability score: High ``` --- ## 质量核查清单 **分析前检查：** - [ ] **关键**：核实输入 BAM 文件已正确比对并建立索引 - [ ] 确认参考基因组版本与比对时一致（hg19 与 hg38） - [ ] 检查测序覆盖度是否充足（WGS >15x，高分辨率分析 >30x） - [ ] 评估覆盖均匀性（均匀性低会导致 CNV 假象） - [ ] 复核 FASTQC 报告中的质量问题 - [ ] 确保癌症分析有配对正常样本可用 - [ ] 核实样本身份（检查性染色体是否与元数据一致） - [ ] 确认无样本互换或污染 **分析过程中：** - [ ] 根据预期 CNV 大小和覆盖度选择合适的区间大小 - [ ] 必要时进行 GC 含量归一化 - [ ] 分析多个样本时检查批次效应 - [ ] 监测重复区域中的高假阳性率 - [ ] 用已知性别验证性染色体检出结果 - [ ] 将线粒体 CNV 作为质控指标评估 - [ ] 复核覆盖图以发现技术假象 - [ ] 若有 SNP 芯片数据，检查一致性 **分析后验证：** - [ ] **关键**：过滤已知问题区域（中心粒、端粒）中的 CNV - [ ] 使用群体数据库（DGV、gnomAD）去除常见生殖细胞 CNV - [ ] 在已知基因中验证癌症驱动变异 - [ ] 检查破坏单个外显子的 CNV 检出结果（通常为假象） - [ ] 复核超大型 CNV（>50Mb）是否为技术假象 - [ ] 评估 CNV 负荷相对于群体常态的水平 - [ ] 核实 BED 文件格式是否合规 - [ ] 生成并复核全基因组图表 **用于临床或发表前：** - [ ] **关键**：请经验丰富的分析师复核结果 - [ ] 用正交方法（FISH、qPCR、MLPA）验证致病性 CNV - [ ] 与临床数据库（ClinVar、OMIM、Decipher）交叉参考 - [ ] 记录所应用的所有参数和过滤条件 - [ ] 用不同参数重新运行以评估可重复性 - [ ] 检查多样本分析中的批次效应 - [ ] 用最新基因组构建版本确认 CNV 坐标 - [ ] 归档原始数据和分析脚本以确保可重复性 --- ## 常见陷阱 **输入数据问题：** - ❌ **使用低覆盖度数据** → 产生大量假阳性的噪声 CNV 检出结果 - ✅ 可靠的 WGS CNV 检出至少需要 15-20x 覆盖度 - ❌ **参考基因组不匹配** → CNV 坐标检出错误 - ✅ 核实 BAM 使用的参考基因组与 CNV 检出工具一致（hg19 与 hg38） - ❌ **肿瘤样本未使用配对正常样本** → 无法区分体细胞与生殖细胞变异 - ✅ 尽可能使用配对正常样本；否则使用群体对照 - ❌ **覆盖均匀性差** → GC 偏倚导致假 CNV - ✅ 检查覆盖图；应用 GC 校正算法 **分析参数问题：** - ❌ **区间大小过大** → 漏检小型 CNV（<10kb） - ✅ 高分辨率分析使用 100-500bp 区间；标准 WGS 使用 1000bp - ❌ **区间大小过小** → 低覆盖区域噪声过大 - ✅ 在分辨率与覆盖度之间权衡；若可用则使用自适应分箱 - ❌ **质量过滤不充分** → 假阳性 CNV 过多 - ✅ 应用最低质量分数；按大小和读段支持数过滤 - ❌ **未过滤常见 CNV** → 将常见多态性报告为致病性变异 - ✅ 与 DGV、gnomAD 等群体数据库进行过滤比对 **解读问题：** - ❌ **忽略肿瘤纯度** → 误判亚克隆 CNV - ✅ 估计肿瘤纯度；相应调整 CNV 检出阈值 - ❌ **未验证关键发现** → 报告假阳性驱动变异 - ✅ 用正交方法验证与癌症相关的 CNV - ❌ **过度解读小型 CNV** → 单外显子缺失通常为假象 - ✅ 除非有多种证据类型支持，否则聚焦于较大 CNV（>10kb） - ❌ **忽略亲代数据** → 无法确定罕见病中的遗传模式 - ✅ 纳入亲代样本以区分新生变异与遗传变异 **输出与报告问题：** - ❌ **坐标系统不明确** → 0-based 与 1-based 混淆 - ✅ 清楚记录所用坐标系统；BED 为 0-based，VCF 为 1-based - ❌ **缺失质量指标** → 无法评估 CNV 检出结果的置信度 - ✅ 包含质量分数、支持读段数和 log2 比值 - ❌ **未归档原始数据** → 结果无法重现 - ✅ 保存 BAM 文件、参数设置和分析脚本 - ❌ **文档不充分** → 他人无法解读结果 - ✅ 记录所用的所有过滤器、阈值和数据库 --- ## 故障排查 **问题：未检测到 CNV** - 症状：CNV 检出集为空或几乎为空 - 原因： - 覆盖度过低（<10x） - 区间大小对小型 CNV 过大 - 质量阈值过于严格 - 样本实际为二倍体，本身无 CNV - 解决方案： - 从 BAM 文件核实覆盖深度 - 减小区间大小以提高分辨率 - 暂时放宽质量过滤 - 检查全基因组覆盖均匀性 **问题：CNV 检出结果过多（数百或数千个）** - 症状：CNV 检出数量过多，许多为小型或低质量 - 原因： - 覆盖度低或噪声高 - 区间大小过小 - 未应用质量过滤 - 样本来自高度多态的群体 - 解决方案： - 应用最低质量分数过滤（Q>20） - 按最小大小过滤（>1kb） - 去除片段重复区域中的检出结果 - 与群体 CNV 数据库进行过滤比对 **问题：重复区域中出现假阳性** - 症状：CNV 集中于中心粒、端粒或 SD 区域 - 原因： - 重复区域可映射性低 - 比对问题导致覆盖不均 - 参考基因组存在缺口 - 解决方案： - 过滤与已知问题区域重叠的 CNV - 使用可映射性过滤器（要求可映射性 >0.8） - 从分析中排除中心粒和端粒 - 仅使用高可映射性读段 **问题：肿瘤样本中 CNV 信号过弱** - 症状：已知癌症变异未检出或信号微弱 - 原因： - 肿瘤纯度低（<20%） - 正常细胞污染 - 亚克隆变异频率较低 - 解决方案： - 从 VAF 分布估计肿瘤纯度 - 使用纯度校正的 CNV 检出方法 - 降低检测阈值 - 考虑用单细胞测序进行亚克隆分析 **问题：性染色体拷贝数异常** - 症状：XX 样本 X 染色体显示 CN=1，或 XY 显示 CN=2 - 原因： - 性染色体非整倍体（如 Klinefelter、Turner 综合征） - 样本性别标注错误 - 假常染色体区域误判 - 解决方案： - 从覆盖度比值（X/Y）核实样本性别 - 检查临床记录中已知的性染色体异常 - 从分析中排除假常染色体区域 - 分别分析常染色体和性染色体 **问题：多样本分析中出现批次效应** - 症状：CNV 模式与测序批次相关而非与生物学相关 - 原因： - 使用不同的测序平台或试剂 - 批次间覆盖度差异 - 比对参数不同 - 解决方案： - 在各批次间对覆盖度归一化 - 所有样本使用相同的比对和处理流程 - 在关联检验中将批次作为协变量纳入 - 应用批次校正算法 **问题：无法安装或运行该工具** - 症状：导入错误、依赖缺失、执行失败 - 原因： - 缺少 Python 包（pysam、numpy、matplotlib） - Python 版本不兼容 - 缺少参考基因组索引文件 - 解决方案： - 安装所需包：`pip install pysam numpy matplotlib pandas` - 使用 Python 3.8 或更高版本 - 创建参考基因组索引：`samtools faidx reference.fa` - 检查 BAM 文件索引是否存在：`sample.bam.bai` --- ## 参考资料 可在 `references/` 目录中获取： - （该技能目前没有可用的参考文件） **外部资源：** - Database of Genomic Variants (DGV)：http://dgv.tcag.ca - gnomAD Structural Variants：https://gnomad.broadinstitute.org - ClinVar：https://www.ncbi.nlm.nih.gov/clinvar - DECIPHER：https://www.deciphergenomics.org - COSMIC：https://cancer.sanger.ac.uk --- ## 脚本 位于 `scripts/` 目录： - `main.py` - 主 CNV 检出与绘图引擎 --- ## CNV 检测方法比较 | Method | Input | Sensitivity | Resolution | Best For | |--------|-------|-------------|------------|----------| | **读段深度（本工具）** | BAM | 中 | 1-10 kb | 大型 CNV、WGS | | **双端配对定位** | BAM | 中 | 100bp-10kb | 缺失、插入 | | **拆分读段分析** | BAM | 高 | 1bp-1kb | 断点检测 | | **SNP 芯片** | CEL/IDAT | 高 | 5-25kb | 经济高效的筛查 | | **光学图谱** | Bionano | 高 | 500bp+ | 超大型结构变异 | ## 参数 | Parameter | Type | Default | Required | Description | |-----------|------|---------|----------|-------------| | `--input`, `-i` | string | - | Yes | 输入 BAM/VCF 文件 | | `--reference`, `-r` | string | - | Yes | 参考基因组 FASTA | | `--output`, `-o` | string | ./cnv_output | No | 输出目录 | | `--bin-size` | int | 1000 | No | 分析用区间大小 | | `--plot-format` | string | png | No | 图表格式（png、pdf、svg） | ## 用法 ### 基本用法 ```bash # Call CNVs from BAM file python scripts/main.py --input sample.bam --reference hg38.fa # Custom output directory and bin size python scripts/main.py --input sample.bam --reference hg38.fa --output ./results --bin-size 500 # Generate PDF plots python scripts/main.py --input sample.bam --reference hg38.fa --plot-format pdf ``` ## 风险评估 | Risk Indicator | Assessment | Level | |----------------|------------|-------| | 代码执行 | 本地执行 Python 脚本 | 低 | | 网络访问 | 无外部 API 调用 | 低 | | 文件系统访问 | 读取 BAM/VCF，写入结果 | 低 | | 数据暴露 | 处理基因组数据 | 中 | | PHI 风险 | 可能处理患者遗传数据 | 高 | ## 安全检查清单 - [x] 无硬编码凭证或 API 密钥 - [x] 无未授权的文件系统访问 - [x] 对文件路径进行输入验证 - [x] 输出目录受限 - [x] 错误消息已清理 - [x] **关键**：处理患者数据需符合 HIPAA 合规要求 ## 前置条件 ```bash # Python 3.7+ # No additional packages required (uses standard library) ``` ## 评估标准 ### 成功指标 - [x] 成功处理 BAM/VCF 文件 - [x] 检测拷贝数变异 - [x] 生成可视化图表 - [x] 以 BED 格式输出结果 ### 测试用例 1. **基本检出**：BAM 输入 → 带坐标的 CNV 检出结果 2. **图表生成**：CNV 检出结果 → 全基因组图表 3. **自定义区间大小**：不同区间大小 → 相应的分辨率 ## 生命周期状态 - **当前阶段**：活跃 - **下次复核日期**：2026-03-09 - **已知问题**：CNV 检出逻辑为占位实现 - **规划中的改进**： - 实现实际的 CNV 检出算法 - 增加肿瘤/正常样本对比功能 - 增强可视化选项 --- **Last Updated**: 2026-02-09 **Skill ID**: 162 **Version**: 2.0 (K-Dense Standard)