拿到肿瘤队列的拷贝数复发分析结果后,一个常见操作是把显著峰中的基因全部列为驱动基因。这样做跳过了几层不同的问题。这个区域是否在队列中出现值得关注的改变,哪些样本支持它,边界有哪些不确定性,以及区域里究竟哪个基因具有功能作用,并不是同一个判断。
本文介绍 GISTIC2 的输入与主要输出,并运行一套独立编写的读表练习。练习展示两个容易被忽略的影响,重复计入同一患者的样本会改变简单复发比例,采用不同区间边界会改变候选基因集合。这里没有执行 GISTIC2 原生显著性计算,也没有生成它的分数、统计显著性或峰区判定。

它回答的是队列层面的问题
单个样本的拷贝数分析告诉我们哪些区域相对增益或丢失,队列分析进一步关心某些区域是否反复出现值得关注的改变。GISTIC2 将事件的幅度、发生情况与背景模型联系起来,并区分较宽事件与局灶事件的贡献。它需要上游已经得到合理的分段信息,不负责修复原始测序比对或所有单样本调用错误。
原始论文把准确的单样本拷贝数描述、背景建模、显著区域定位和候选基因识别区分为连续但不同的步骤。尤其是一个事件可能覆盖许多基因,区域受到选择并不意味着其中每个基因都发挥驱动作用。GISTIC2 原始方法论文。
这一区分决定了报告写法。如果证据只到区域复发,就应写成候选区域。如果进一步做了基因注释,可以写成区域内候选基因。只有加入相应功能、机制和独立验证证据后,才适合进一步讨论具体驱动作用,不能用一个显著性数字跨越这些层次。
本文为什么采用独立练习
当前源码仓库的根目录许可与旧二进制发行材料附带的条款不同,旧发行材料还包含注册要求。本次没有完成该旧发行包的适用条件确认,因此停止了二进制安装,没有执行原生程序。读者可分别查阅 源码仓库许可 与 发行材料附带条款,并针对具体获取版本核对。
下面的 Python 脚本完全独立,只做样本映射、频率计算、区间交集和理想量纲换算。它不改写 GISTIC2 算法,不近似替代背景模型,也不输出一张看起来像原生显著峰表的伪造结果。练习中的患者、区间与基因名都是作者定义的示意对象。
因此,本文提供的收获是检查输入和解释输出的方法,而不是一份声称已验证的安装教程。读者如果需要正式计算,仍需准备正确软件环境、参考和完整队列,并执行真正的原生分析。独立练习的结果不能冒充那一步的输出。
输入中的每个样本究竟代表谁
原生分段输入通常以样本、染色体、起止位置、支持标记数和区段信号组织。准备表格时,样本标识必须能够回到患者与取样信息。一个患者的重复文库、不同取样部位、治疗前后样本,虽然都可能有独立文件,却不一定适合作为相互独立的队列个体。
在真正统计之前,应先建立样本与患者映射,检查是否存在重复分析或重复纳入。特别是整合公开数据与本地数据时,同一材料可能以不同文件名出现。如果只按照文件名去重,而没有核对生物学身份,就可能在不知情的情况下给一部分患者更高权重。
多区域或纵向研究也不能机械地每人只留一份。应先明确研究问题,决定分析单位与纳入规则,再使用合适的设计。本文的练习只针对技术重复被误当作独立患者这一种情况,不能推广成所有重复取样都应删除。
Sample Chromosome Start End Num_Probes Segment_Mean
P01-A1 1 1 1000000 100 0
P01-A1 1 1000001 2000000 100 1
P01-A1 1 2000001 10000000 100 0
示例的标记数只用于说明字段,没有从真实芯片或测序位置统计。真实任务中应按上游分段的实际支持填写,并保持坐标体系一致。把所有区段支持数统一填成同一个值,可能掩盖长短区段与稀疏覆盖的差异,本例不能被直接拿去作为真实输入模板。
十二位患者怎样变成十六份样本
独立脚本生成十二位模拟患者,其中前四位在同一区域出现增益。每位患者先有一个样本,再给这四位各增加一个内容相同的重复样本。此时文件层面共有十六份样本,但生物学个体仍只有十二位,真实模拟受影响患者也仍是四位。
按患者计数,简单比例为十二分之四,约百分之三十三点三。若按所有样本文件计数,增益样本变成八份,比例为十六分之八,即百分之五十。这个提升没有增加任何独立患者证据,只是重复对象恰好集中在发生事件的人群中。
| 统计口径 | 受影响数量 | 分母 | 简单比例 |
|---|---|---|---|
| 独立患者 | 4 | 12 | 33.33% |
| 含技术重复的样本 | 8 | 16 | 50.00% |
这个结果不是 GISTIC2 的显著性计算,也不能用来推算其统计值会改变多少。它仅证明一个更基础的事实,样本组成已经改变了最简单的复发描述。如果准备修正真实队列中的重复纳入,应重新整理输入并运行完整分析,不能只手动改最后报告里的百分比。
重复集中在无事件患者时,比例也可能朝另一个方向变化。所以需要防范的不是固定的高估方向,而是分析单位与研究问题不一致。把样本清单与纳入规则放在结果旁边,比只在方法中写一个总样本数更有助于他人判断。
区段信号、等级编码和整数拷贝数不能混读
在理想纯二倍体参考条件下,总数四相对于二的线性比值是二,对数比值是一。这个一表示信号变换结果,不能读成一个拷贝。同理,总数三对应约零点五八五,而不是直接将三填入需要相对对数信号的字段。
仅用于理想条件的量纲练习
L = log2(C / 2)
C = 2 → L = 0
C = 3 → L ≈ 0.584963
C = 4 → L = 1
C = 6 → L ≈ 1.584963
真实肿瘤还涉及纯度、倍性与归一化方式,因此这组简单换算不能直接用于把所有观察信号反推成肿瘤整数状态。输入之前,应确认上游输出的信号定义与下游要求一致,尤其不要把已经做过纯度调整的值和未调整的相对信号混在同一队列里而不说明。
结果表中的等级编码又是另一层含义。某些区块用零、一、二表达是否超过相应低高幅度阈值,而不是精确总拷贝数。阅读时必须结合该行的幅度说明与所在区块。相同数字出现在不同输出文件里,不能仅凭外观相同就当作同一种测量。
显著区域、峰区和较宽候选区间分别怎样用
一个显著区域可以包含更集中的峰以及带边界不确定性的较宽候选范围。查看结果时,应先确认使用的是哪一种范围,再决定怎样与基因注释求交。否则,同一份结果被两个人整理成不同基因清单,看起来像分析冲突,实际上可能只是取了不同的区间列。
官方输出说明区分区域边界、峰边界、较宽峰边界、统计值及剥离重叠事件后的统计值,也说明样本列在不同区块中的含义。GISTIC2 官方输入输出文档。首次读表时可以先定位这些字段,再处理基因与样本矩阵,不宜跳过区域层面的解释。
本练习手工定义一个较窄区间,从一百二十万到一百五十万,以及一个较宽区间,从一百一十万到一百八十万。它们不是软件推断的峰,只用来演示交集规则。三个示意基因中,一个落在两个区间内,一个只落在较宽区间,第三个与两者都不相交。
| 示意对象 | 坐标范围 | 与较窄区间 | 与较宽区间 |
|---|---|---|---|
| DEMO_A | 125万至135万 | 相交 | 相交 |
| DEMO_B | 155万至160万 | 不相交 | 相交 |
| DEMO_C | 300万至310万 | 不相交 | 不相交 |
改变边界后,候选基因集合从一个变成两个,并没有让第二个基因自动获得功能证据。真实注释时还要记录参考版本、注释版本以及采用基因整体、外显子还是转录本范围求交。若这些条件不一致,即使使用同一个峰,也可能产生不同列表。
统计显著性不等于每个基因的正确概率
队列显著性用于比较观察到的事件与所用背景模型下的预期,涉及多重检验和事件结构。它不是一个基因一定驱动肿瘤的概率,也不是每位患者都带有该事件的比例。将这几种量放在一张结果表里时,应保持字段命名明确,避免把它们都笼统称为可信度。
同样,两个峰的统计值不同,不一定意味着其中一个基因在功能上更重要。队列规模、事件幅度、背景改变负担及事件边界,都可能影响统计结果。进行功能优先级排序时,应把区域统计证据与表达变化、已知生物学、独立队列和实验结果分别列出。
较宽事件与局灶事件也不能只靠绝对长度的一条固定标准跨所有分析比较。原生方法会考虑染色体臂等结构,具体参数应以所用版本和运行记录为准。若不同批次使用了不同定义,先统一分析条件,再比较事件数量与候选峰,而不是直接拼接显著表。
从候选峰走向后续验证
一个实用的候选整理表,可以同时保留峰标识、边界、统计信息、支持样本、基因注释和后续证据。这样读者能看出,一个基因是因为落在区间中被列入,还是还有独立的表达或功能支持。候选数量多时,这种分层比直接给每个基因贴驱动标签更清楚。
表达与拷贝数相关本身也不等于驱动作用,区域内多个基因都可能随剂量变化。后续验证应回到研究假设,考虑干预后是否出现相应表型,以及是否能排除共扩增邻近基因等解释。统计筛选提供的是可检验方向,而不是替实验完成机制判断。
对于不同临床亚组,应先确认样本纳入和事件测量方式可比,再讨论分组分析。把样本不断细分可能减少统计支持,也可能改变背景构成。若确实要比较亚组,报告应说明各组大小和分析策略,不能因为某组不显著就直接断言事件只属于另一组。
独立练习的运行与实际输出
脚本只使用 Python 标准库,本次实际运行版本为三点十四点三。它会生成示意分段、患者映射、基因区间和量纲换算表,并核对四位受影响患者、八份受影响样本以及两个不同基因集合。输出明确标记未进行原生分析,未产生分数、统计值和峰调用。
python run.py --work gistic-reading-demo
使用时需要一个尚不存在的工作目录。可以先查看样本映射,再对照两个比例,最后查看两个区间对应的基因列表。这个顺序对应真实结果审查中三个常见问题,统计的是谁,输入量纲是什么,以及基因列表来自什么边界。
GISTIC2 的价值在于从队列事件中形成可审查的复发区域和候选范围,限制是上游数据、队列单位与背景模型都会影响解释。本文的独立练习不能替代正式计算,但能帮助读者在运行前发现输入问题,并在拿到结果后避免把区域显著性直接升级为基因机制结论。
下载原创读表练习与实际核验结果(ZIP)。合集按工具分目录,Sequenza、PureCN 为原生运行对照,GISTIC2 为独立读表练习。按各自说明准备环境,使用新的输出目录复跑。
若后续需要整理队列环境与分段数据,可带上独立患者数、上游流程和软件版本,向云生信生物分析服务器业务咨询运行环境与资源安排。
