一段区域的总拷贝数为二,能否直接标注为没有变化?如果目标是判断等位基因状态,这个结论并不充分。两个拷贝可能来自两个不同的等位来源,也可能都来自同一个来源。后一种情况即使总覆盖没有明显改变,仍可能具有杂合性丢失。只看总拷贝数表,就容易把这两类状态混在一起。
本文实际安装 FACETS 0.6.2,用原创配对读数运行预处理、分段和等位基因拷贝数拟合。我们只在一个区段减少可提供等位信息的正常样本杂合位点,同时保留各位点的总深度。原生结果显示,总拷贝数仍为二,次要等位基因拷贝数却从零变成缺失值。这个差别直接影响后续能否判断杂合性丢失。

两种信号分别回答什么问题
肿瘤与配对正常样本的总读数比值,主要提供总量变化信息。正常样本中的杂合位点则提供另一个观察角度,如果正常样本两个等位来源相对平衡,而肿瘤样本明显偏向一侧,就提示等位不平衡。两类证据联合起来,才能区分某些总量相同但组成不同的状态。
这里的正常样本杂合,指的是位点在配对正常样本中有两个可观察的等位来源。不能把肿瘤里的低频变异都当成这种信息,也不能仅因为一个位点覆盖很高,就认为它对等位组成有充分贡献。一个高深度纯合位点可以帮助观察总量,却不能像正常杂合位点那样提供两侧比例的参照。
FACETS 使用配对计数形成总量比值与等位比值信息,再进行联合分析。本例关注的是输出解释和信息量变化,不包含比对文件到计数表的生成。官方对方法范围、输入和输出的说明见 FACETS 仓库。读者应把已运行阶段与尚未运行阶段明确分开。
输入表中正常与肿瘤的顺序不能交换
本次输入采用原生读取函数支持的计数表结构,前面是染色体、位置与两种碱基,随后是每个样本的参考、替代、错误和缺失读数。第一组样本列在这个流程中表示正常,第二组表示肿瘤。交换顺序不仅改变总读数比值,还改变哪些位点被识别为正常杂合,后果并不限于把信号符号反过来。
Chromosome,Position,Ref,Alt,
File1R,File1A,File1E,File1D,
File2R,File2A,File2E,File2D
File1 = normal
File2 = tumor
R/A = reference/alternate read counts
E/D = error/deletion read counts
表头写对也不代表数据已经可靠。真实分析还需要核对配对关系、参考版本、位点集合、比对质量及碱基质量设置。如果样本身份不匹配,模型仍可能导出分段,但等位差异的来源就不再是我们假设的肿瘤变化。正式处理前,应将这些输入约束写入检查记录。
本例直接生成计数,不调用原生比对计数程序,也不模拟真实碱基错误和比对偏差。表里的错误、缺失读数设为零,这只是为了把练习集中在杂合位点支持度上,不能据此认为真实任务可以忽略这些字段。输入格式与正常优先的顺序可查 官方示例说明。
六条模拟常染色体怎样构造
我们在六条模拟常染色体上各生成一千二百个位点,每条染色体先设置六百个正常杂合位点,其余设置为近似纯合。正常深度均值为二百,肿瘤深度根据混合模型生成,两者都含抽样波动。肿瘤细胞比例固定为零点六,所有区域采用同一整体混合比例。
六条染色体分别安排平衡二拷贝、三拷贝增益、单拷贝丢失、总数二但次要来源为零、四拷贝增益,以及另一段平衡二拷贝。设计多个状态是为了让拟合有不同类型的信号可用。它们不是六位患者,也不是六个独立生物学重复,不能把它们当成样本量来计算群体显著性。
其中第四条模拟染色体是观察重点。肿瘤细胞中总数为二,两个拷贝来自同一等位来源,正常细胞仍各有一份。混入百分之四十正常细胞后,两侧信号比例约为零点二与零点八,而总量仍接近二倍体。这个设计使总覆盖无法单独区分它与平衡二拷贝区域。
| 模拟染色体 | 肿瘤总数 | 肿瘤次要数 | 教学用途 |
|---|---|---|---|
| 1与6 | 2 | 1 | 平衡参照 |
| 2 | 3 | 1 | 总量增益 |
| 3 | 1 | 0 | 总量丢失 |
| 4 | 2 | 0 | 总量不变但等位丢失 |
| 5 | 4 | 1 | 增益与等位不平衡 |
为了与原创计数的生成条件一致,我们还生成了独立的模拟碱基组成协变量,并使用用户定义的协变量输入方式。没有给这些模拟坐标硬套某个人类基因组版本的真实组成值。这个选择影响预处理,不是为了跳过校正,附件保留了生成方式和实际校正输入。
从一次不合适的预处理得到的经验
初次试验曾把合成计数放到真实参考的局部坐标上,使用相应的碱基组成数据进行校正。由于合成计数并没有按这些真实局部特征生成,各染色体状态又与局部协变量分布混在一起,结果出现异常基线和拟合警告,部分原设定二拷贝区域被叫成四拷贝。我们保留了该次输出,没有把它当成成功恢复真值。
随后将协变量也纳入模拟设计,保持它与拷贝状态独立,原生拟合才得到下文使用的结果。这个过程说明,模拟输入不能只做一个外观像真实文件的表格,还要检查预处理所需的信息是否与生成机制相容。也不能把修正后的成功结果反过来解释成真实数据无需碱基组成校正。
实际队列通常面对相反的问题,真实覆盖的确可能存在组成相关偏差,需要相应参考和合理校正。要检查的是校正前后信号的变化、协变量来源和基线稳定性。如果不理解这些变化,只根据最终拷贝数是否符合期待决定保留哪个参数,会使分析缺乏独立判断依据。
原生运行与对照方式
本次环境为 Ubuntu 22.04.5、R 4.4.3,通过独立环境安装 FACETS 和结果导出依赖。安装后核对包版本,再固定预处理随机种子。由于预处理会涉及位点抽样,保存随机种子能帮助区分输入变化与抽样变化,不应仅记录分段参数。
micromamba create -n facets-demo -c conda-forge -c bioconda + r-facets=0.6.2 r-jsonlite
python run.py --rscript /path/to/facets-demo/bin/Rscript --work facets-demo-output
set.seed(1234)
rc <- readSnpMatrix("dense.csv")
xx <- preProcSample(rc, gbuild="udef", ugcpct=gc)
oo <- procSample(xx, cval=150)
fit <- emcncf(oo)
第二组输入仅改变第四条染色体,保留八个正常杂合位点,其余原杂合位点改为纯合形式,同时保持正常和肿瘤各自的总深度。两组都保留全部七千二百个输入位点。这样可以检查,为什么总量信息依旧存在,而等位组成的可用支持已经显著减少。
这不是随机减少整个测序量,也不是所有位点统一降深度。若把实验说成深度降低,就会错过关键区别。真实数据中,稀疏靶区、可用多态位点少或过滤后杂合支持不足,都可能使一个覆盖充分的区段仍然缺少可靠等位信息。
读懂第四条染色体的输出
在杂合支持充足的输入中,第四条染色体的原生结果为总数二、次要数零,与模拟设定一致。在稀疏输入中,总数依然为二,但次要数为空,事件细胞比例也没有给出数值。两组该段的总量对数中位数相同,说明造成区别的不是覆盖幅度变化。
| 第四条染色体指标 | 充足支持 | 稀疏支持 |
|---|---|---|
| 输入位点数 | 1200 | 1200 |
| nhet | 600 | 8 |
| cnlr.median | -0.127351 | -0.127351 |
| tcn.em | 2 | 2 |
| lcn.em | 0 | NA |
| cf.em | 约0.585764 | NA |
官方示例说明,默认条件下杂合位点少于十五的区段只给总拷贝数。我们的八个位点落在这个信息不足范围内,不能把缺失值填成零来延续原先的杂合性丢失结论。零是一个具体的等位状态估计,缺失则表示这一步没有提供相应判定,两者在生物学含义和统计处理中都不同。
同样,不能因为总数二保持稳定,就把稀疏结果写成恢复正常。我们在模拟中知道真实状态没有改变,但真实任务通常没有这种额外答案。对稀疏结果最合适的描述是总量估计仍存在,次要等位组成未得到充分支持,而不是任意选择有或没有杂合性丢失。
全局纯度接近,不代表每段都可解释
两组原生纯度估计分别约为零点五九四八和零点六零一二,都接近设定的零点六。它们的全局指标看起来相似,但第四条染色体的局部信息完整性已经不同。这个对照说明,整体拟合通过并不能替代逐段检查,尤其不能用一个全局纯度值填补局部缺失。
结果里的事件细胞比例也不能逐行当作样本纯度使用。在本次平衡二拷贝区域,该列出现一,而全局纯度仍接近零点六。这是输出定义与状态约定造成的,不能据此声称那些区域来自百分之百肿瘤细胞。查看字段时应同时核对总数、次要数、是否异常以及对应的模型阶段。
对照中的拟合警告列表为空,也不表示分析已经获得生物学认证。本例信号干净、结构简单、配对正确,故意没有加入污染、测序批次或复杂亚克隆。空警告只能说明程序没有报告相应内部问题,不能替代样本身份检查、覆盖审查和独立验证。
缺失状态会怎样影响队列统计
假设要计算一个基因附近杂合性丢失的发生比例,分母不能不加区分地使用所有入组样本。至少要明确哪些样本在该区域有足够信息可供判定,哪些只有总拷贝数而缺少等位状态。若把后一类全部按阴性计算,得到的比例会同时反映生物学事件和数据可判定程度。
一个实用的整理方式是保留事件、可判定阴性和无法判定三类状态,再分别报告各类数量。基因跨越多个区段时,还要说明采用哪个范围判定,不能取任意一行就代表整个基因。对于缺失较多的区域,优先检查位点覆盖与过滤原因,通常比直接更换统计检验更有价值。
这种记录方式并不要求所有研究采用同一阈值,而是要求阈值、缺失规则和统计分母可以追溯。只有先把可判定范围讲清楚,不同样本之间的事件比例才具有明确的比较含义。
如何把优点用在真正的结果审查中
FACETS 的价值在于将总量与等位信息结合,使某些覆盖近似中性的事件仍有机会被识别,并提供局部支持度和不同层次的拟合结果。代价是分析需要可信的配对输入、足够杂合信息,以及合理的基线解释。只有总覆盖良好,并不能保证每段等位拷贝数都可用。
实际整理结果时,建议保留缺失状态,单独标注杂合支持不足的区段。对关注基因,应回查覆盖、正常杂合位点数和相邻分段,而不是只抽取一列整数。做样本间统计时,还应区分真正未检出事件与无法判定,避免把两者混合后制造看似统一的阴性组。
附件提供两套输入生成、原生调用和实际结果,工作目录必须是新目录,以免旧输出混入比较。本例验证的是计数输入后的教学流程,没有运行真实比对计数,也没有估计临床检测灵敏度。读者可以先复查同一段的两种信息如何分离,再决定真实项目还缺少哪一层证据。
下载原创输入生成脚本、原生调用与实际结果(ZIP)。三个工具分目录保存,按说明准备相应版本和依赖后,在新工作目录复跑,输入与日志会由脚本生成。
若准备把配对分析扩展到队列,可带上样本对数、测序类型和已有环境问题,向云生信生物分析服务器业务咨询运行环境与资源安排。
