云生信学生物信息学

inferCNV大数据任务教程:先核对细胞与基因坐标,再分阶段测资源

作者:发布于 2026-11-20更新于 2026-11-15约 8 分钟阅读
先核对输入,再跑inferCNV

先核对输入,再跑inferCNV:对齐count与annotation细胞名;按基因ID核对坐标和组装;小规模预览再跑完整流程;分开记录HMM与资源峰值
本文操作与检查路径示意。

inferCNV从RNA表达模式推断染色体区域的相对变化,不能替代DNA层面的CNV检测。大矩阵运行前,先保证原始计数、细胞注释和基因坐标能一一对应;否则增加内存也不会修复输入错配。下面以10x数据、稀疏dgCMatrix为例,说明如何检查输入、做小规模预览并测量完整运行资源。

准备三类输入并确认参考组

counts.rds保存基因×细胞的原始整数计数;annotations.tsv每行是细胞ID和细胞类型;gene_order.tsv每行含gene ID、染色体、起点和终点,使用与计数矩阵相同的基因ID及同一基因组组装。inferCNV官方要求先做细胞质量控制。参考组应选可信的非肿瘤/正常细胞类型;若无合适参考,不能随意指定其他组代替,需按官方说明评估无参考分析的假设。10x示例cutoff常用0.1,Smart-seq常见示例为1,具体要结合平台和数据稀疏度确认。

输入 必要检查 不一致时的处理
counts.rds 行列名非空唯一,值为非负整数 确认是否为raw counts而非归一化矩阵
annotations.tsv 细胞ID与矩阵列名完全对应 统一条码后再生成文件
gene_order.tsv 基因ID有坐标,染色体和组装一致 重建与表达矩阵对应的坐标表
参考组 注释类别真实存在且生物学可信 查验标签或重新定义分析方案

先验证交集,避免正式任务才报错

文件格式为制表符分隔且无表头。先用R读入并检查细胞ID、基因ID和坐标范围。下例只验证输入结构,不会证明参考组选择或生物学结论正确。基因坐标表中每行四列:gene、chr、start、end。

library(Matrix)
z <- readRDS("counts.rds")
ann <- read.delim("annotations.tsv", header=FALSE, sep="\t")
pos <- read.delim("gene_order.tsv", header=FALSE, sep="\t")
refs <- c("normal")  # 改为注释文件中的真实类别名
stopifnot(inherits(z, "dgCMatrix"), ncol(ann)==2, ncol(pos)==4)
stopifnot(!is.null(rownames(z)), !is.null(colnames(z)))
stopifnot(!anyDuplicated(rownames(z)), !anyDuplicated(colnames(z)))
stopifnot(!anyDuplicated(ann[[1]]), !anyDuplicated(pos[[1]]))
stopifnot(setequal(ann[[1]], colnames(z)), all(refs %in% ann[[2]]))
stopifnot(all(is.finite(z@x)), all(z@x >= 0), all(z@x == floor(z@x)))
stopifnot(all(is.finite(pos[[3]])), all(is.finite(pos[[4]])),
          all(pos[[3]] >= 0), all(pos[[4]] >= pos[[3]]))
overlap <- intersect(rownames(z), pos[[1]])
stopifnot(length(overlap) > 0)
cat("cells", ncol(z), "genes", nrow(z), "position overlap", length(overlap), "\n")

若条码数、重叠基因数或参考类别不符合预期,先停下核对来源和ID格式。只看两个文件行数相近不够;条码前缀、版本后缀和基因ID别名都可能造成错配。

用低负载预览检查流程

安装并锁定inferCNV及R依赖版本后,先从每类抽取少量细胞做预览,固定随机种子,并将预览和正式分析分开目录。预览用于发现输入、绘图或软件问题,不能用其结果替代全量结论。以下为简化的建对象与运行框架,需把抽样逻辑加在counts、annotations同步筛选处,保证细胞列名仍一一对应。

library(infercnv)
obj <- CreateInfercnvObject(
  raw_counts_matrix=z, annotations_file="annotations.tsv",
  gene_order_file="gene_order.tsv", ref_group_names=refs,
  delim="\t", max_cells_per_group=NULL)
set.seed(2026)
out <- "infercnv-full-run1"  # 新目录,勿复用不匹配的旧结果
stopifnot(!dir.exists(out))
ans <- infercnv::run(obj, cutoff=0.1, out_dir=out,
  cluster_by_groups=TRUE, denoise=TRUE, HMM=FALSE,
  num_threads=2, save_rds=TRUE)
writeLines(capture.output(sessionInfo()), "infercnv-session.txt")

正式运行前确认所有细胞的QC过滤已完成;若要预览,可按类别同步抽样矩阵列和注释行,并设置新的输出目录。10x数据的0.1、2线程和HMM关闭只为演示,不能不经确认照搬。达到输入和图形预期后,才按研究方案开启HMM,并单独保存正式参数和输出。

按运行阶段记录峰值与输出

使用/usr/bin/time -v Rscript run.R记录整个进程最大RSS、耗时和退出码,同时保留inferCNV日志、sessionInfo、对象维度和输出目录占用。若正式设置启用HMM或更多绘图,单独记录这一完整配置的资源,不要用预览的峰值代替。R矩阵运算可能产生中间对象,稀疏输入不代表全流程内存一定稀疏;实际峰值受细胞数、基因数、参数和R包版本影响。

检查运行是否正常结束、预期RDS/图表是否生成、细胞组和染色体顺序是否合理;结合已知样本背景与参考组解释大片段模式。inferCNV图形信号是表达推断,不单凭一张热图就宣布CNV事件。记录细胞数、基因数、cutoff、参考组、HMM/denoise设置、线程、内存峰值与磁盘占用。只有输入已验收、流程无错误且峰值持续超出当前额度,才评估增加内存或工作盘;条码不匹配、参考基因组错用或参考组不可靠,应先修分析设计。

下载练习材料

下载教程 PDF · 下载代码与示例数据 ZIP

先核对包内SHA256清单,再在独立目录复现。

需要额外算力时

适用前提:合理细胞选择与分析设置已确认,运行峰值仍超现有容量。如需额外资源,可评估大内存CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。

咨询本任务的服务器配置

咨询本任务的服务器配置

留下手机号,我们会结合本文任务与您沟通服务器配置和报价。

也可联系云生信企业微信客服,说明本文任务。

参考与版本核对

按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗