拷贝数分析导出了完整曲线,拟合分数也很高,是否就可以直接解释肿瘤纯度和倍性?在参数与技术平台不匹配时,程序仍可能找到一个看起来不错的解。它是在给定模型下解释数据,并不知道研究者是否把信号尺度设置正确。因此,结果有没有出来与结果是否回答了正确问题,需要分别核查。
本文实际安装 ASCAT 3.2.0,用原创模拟对数比值和等位频率执行原生分段与拟合。两次拟合使用相同输入、同一份分段,只改变技术参数 gamma。与生成条件一致时,输出纯度为零点六,倍性约为二点二七。改用另一尺度后,纯度变成零点七六,倍性约为一点五五,部分原本中性的区域也被叫成丢失。

gamma在本例中改变了什么
对数覆盖比值与实际拷贝数变化之间,需要一个信号响应关系。某些测量技术可能使幅度相对理想状态压缩,模型必须考虑这种尺度。ASCAT 的技术参数用于描述这一关系,并不是一个可以凭结果好看就任意调整的平滑旋钮。
官方当前说明要求高通量测序数据使用一,函数默认值仍体现历史芯片场景的设置。平台要求与默认参数之间存在这个区别,所以直接调用函数而不检查参数,并不等于自动选择了适合当前输入的模型。相关说明见 固定源码版本的官方指南。
我们的模拟信号按理想对数混合关系生成,因此使用一与生成机制一致。另一个条件采用零点五五,目的是观察尺度不匹配的影响。这不表示零点五五在所有场景都错误,也不表示真实测序结果只要设置为一就必然正确。参数是否合适,必须回到数据来源与预处理定义。
两份信号为什么要一起看
总量对数比值主要提供一个区域相对于参考的信号强度,等位频率则反映两侧组成。以二倍体正常细胞混入肿瘤为例,总数为二且两侧各一份,与总数仍为二但一侧为零,可能具有相近总量信号,却有不同的等位频率分布。联合观察能够区分一些只看覆盖看不到的状态。
但联合信号也不自动保证唯一答案。纯度、整体倍性和局部整数状态可能彼此补偿。若模型认为同一高度对应另一种实际幅度,就可能改变纯度和基线,再用另一组整数解释数据。因此,看到输出之间差异时,不能只比较纯度一个数,还需要检查它如何连带改变整条拷贝数曲线。
本例没有复杂亚克隆,也没有真实正常参考污染。选择简单数据,是为了把尺度变化与其他因素分开。若在这个受控条件下已经能观察到参数改变造成的系统差异,就更应在真实任务中保存参数、输入阶段与候选解,而不是只留下最后一张图片。
原创输入的生成条件
我们生成二十二条模拟常染色体,每条五百个位点,共一万一千个位点。所有模拟染色体的观察跨度相同,位点间距固定。多数区域为平衡二拷贝,另一些区域设置三拷贝增益、单拷贝丢失、总数二但次要数零,以及四拷贝且两侧不平衡的状态。
模拟肿瘤纯度设为零点六。总量信号根据正常细胞与肿瘤细胞的混合贡献计算,再加入很小的正态扰动。等位频率根据两侧拷贝贡献生成,并让参考与替代方向交替。每五个位点中有一个正常纯合位点,其余为正常杂合位点,使输入同时包含两类标记。
混合总量 = 2 × (1 - p) + 肿瘤总数 × p
LogR = log2(混合总量 / 2)
少数侧比例 = [(1 - p) + 肿瘤次要数 × p] / 混合总量
p = 0.6
正常杂合位点的两侧方向交替出现
正常纯合位点另行设定,不代入杂合比例解释
这里的观察跨度并不是完整人类染色体长度,模拟标记的倍性均值也不等于对真实全基因组各区域做精确长度加权。按照本例相同位点数的生成方式,设定总拷贝数均值为二点二七二七。文章将它称为模拟标记层面的倍性参照,避免把一个教学构造误写成真实肿瘤基因组。
本次没有从比对文件提取等位读数,没有运行原生高通量数据准备步骤,也没有对真实碱基组成和复制时间偏差做校正。输入本来就未包含这些技术偏差,所以不能从本例推导真实数据可以省略相应处理。模拟与真实工作流的区别必须在运行之前明确。
文件组织和安装经验
原生读取使用四个制表符分隔文件,分别保存肿瘤和正常的总量信号与等位频率。每行有唯一位点名称、染色体、位置和样本列。四个文件必须使用一致位点标识与样本名称,数值也必须对应同一位置。文件行数相同并不能排除错位,最好直接检查标识集合和排序。
本次环境为 Ubuntu 22.04.5、R 4.5.3。尝试同名 Conda 软件包时未找到可安装项,随后改为官方源码安装。计算环境直接连接代码仓库超时,因此先下载固定提交的源码归档,再传入环境安装到单独的包目录。已记录提交号与归档哈希,没有把未完成的克隆当作安装成功。
依赖检查确认所需基因组区间与并行支持等包可用,源码安装完成后核对包版本为三点二点零。对于复现而言,记录固定提交比只写安装了最新版更有意义。官方仓库与安装入口见 ASCAT 项目,本次使用的提交为 7072462ddd249a665867ad7a68bd8c1e5f7ed693。
R CMD INSTALL --library=/path/to/Rlib + ascat-7072462ddd249a665867ad7a68bd8c1e5f7ed693/ASCAT
python run.py --rscript /path/to/Rscript + --r-library /path/to/Rlib --work ascat-demo
这个命令片段假定依赖已安装、源码已下载并解压,附件脚本负责生成练习输入与调用流程。输出目录应当尚不存在,防止之前的文件掺入本次比较。我们保留了早期输入只有杂合位点时出现的空集合警告,最终加入正常纯合标记后重新运行,最终日志不再出现该类警告。
分段一次,再做两次拟合
两组对照先共同读取输入并完成一次分段,惩罚参数明确设置为七十,然后把同一对象分别交给两个技术尺度条件。这样就能确认差异来自后续拟合,而不是输入变化或分段边界变化。本例没有调整纯度或倍性的搜索范围,也没有手工指定答案。
obj <- ascat.loadData(
"tumor-logr.tsv", "tumor-baf.tsv",
"normal-logr.tsv", "normal-baf.tsv",
chrs=1:22, gender="XX"
)
obj <- ascat.aspcf(obj, penalty=70)
fit1 <- ascat.runAscat(obj, gamma=1)
fit2 <- ascat.runAscat(obj, gamma=0.55)
输入只有模拟常染色体,性染色体参数只是固定运行条件,不涉及性别推断。若真实分析包含性染色体,特别是男性样本的非假常染色体区域,需要按当前版本说明准备参考信息,不能直接照抄本例省略这些步骤。一个最小练习的简化条件应该随代码一同传递。
全局分数仍然很高,局部解释已经不同
在技术尺度为一时,原生拟合纯度为零点六,标记层面倍性约为二点二七二七,与模拟参照一致。改成零点五五后,纯度为零点七六,倍性约为一点五四五五。两次都给出结果,也都没有失败样本,但这并没有阻止错误尺度产生系统性差异。
| 原生输出 | gamma为1 | gamma为0.55 |
|---|---|---|
| purity | 0.60 | 0.76 |
| ploidy | 约2.272727 | 约1.545455 |
| goodnessOfFit | 约99.999472 | 约95.129272 |
| 第一条染色体主/次数 | 1 / 1 | 1 / 0 |
| 第三条染色体主/次数 | 1 / 0 | 0 / 0 |
| 第四条染色体主/次数 | 2 / 0 | 1 / 0 |
第二组拟合分数仍在九十五以上,如果只用一个很宽松的分数阈值决定是否可信,就可能忽略第一条染色体被叫成单拷贝状态、第三条染色体被叫成双侧零拷贝等变化。这个练习没有校准分数与正确概率之间的关系,因此不能把九十五理解成百分之九十五的判定准确率。
在与生成条件一致的一组中,第四条染色体的主次状态为二与零,总数仍为二,体现了总量中性而等位组成不平衡的设定。在另一组中它被解释为一与零。两者都具有次要数零,但总量含义不同,所以给事件贴上同一个杂合性丢失标签,也不能替代对完整状态的比较。
主次等位基因不能通过列名想当然
整理结果时还遇到了一个值得保留的读表经验。原生对象中的两套等位数组,不能简单地把第一套固定当作主等位、第二套固定当作次等位。在本例中,位点方向交替,如果分别对两列取中位数,三拷贝区域会得到一点五与一点五这样的混合摘要,反而掩盖整数状态。
最终脚本对每个位点先取两侧的较大值和较小值,再做区域汇总,并与原生分段表中的主次数列核对。这样三拷贝区域得到二与一,四拷贝区域得到三与一,与分段输出一致。这个修正发生在作者的结果整理层,不是修改软件拟合,也没有把原始数组改成期望答案。
真实分析中,参考与替代等位、父母来源以及主次等位是不同概念。主次只是按数值大小排序,并不自动告诉我们哪一侧来自父亲或母亲,也不直接表示某个致病变异位于哪一份拷贝。若研究问题涉及具体变异的所在等位,需要额外的相位与变异信息。
候选解搜索范围也属于分析条件
如果拟合结果总是落在预设搜索范围边缘,应检查范围是否限制了合理解,也要检查数据是否支持向外扩展。不能为了得到熟悉的二倍体结果,就先缩窄范围排除其他状态,再把剩下的最优解当作独立证据。改变搜索范围与增加新测量信息,是两个不同操作。
本例保留了默认搜索边界,两个条件的差异来自技术尺度。迁移到真实数据时,应把边界、手工约束和外部依据一起记录。若确实根据病理或其他可靠信息限制了纯度范围,报告应写明这是外部条件参与后的结果,使读者能够区分数据自身支持与先验约束的作用。
怎样判断它适不适合当前任务
ASCAT 的优势是联合总量与等位信息,在同一个框架内给出纯度、倍性和局部状态,适合审查不同解释如何相互关联。它也能帮助我们发现,仅看总量接近中性时仍存在的重要等位变化。代价是输入尺度、预处理和参考条件都必须清楚,否则模型可能用另一组全局参数补偿不合适的信号定义。
面对真实结果,可以先核对平台与技术参数,再检查输入是否已做预期校正,随后看全局候选解与局部状态是否一致。如果大量通常应平衡的区域被解释为单侧丢失,或者出现与覆盖不相称的大范围双零状态,应回到信号与基线审查,而不是仅凭程序未报错继续解释机制。
同时也要保留不确定性。模型给出的最佳解并不排除附近存在其他可行解释,复杂亚克隆、低纯度或标记稀疏都可能增加困难。此时更有价值的是说明哪些结论对合理参数变化稳定,哪些仍需额外证据,而不是只在报告首页保留一个精确到很多小数位的纯度。
本例实际运行了原生读取、分段和两套拟合,附件保存输入生成、实际数值和调用日志所需脚本,没有进行真实样本准确率或队列性能测试。最值得复用的动作,是固定输入与分段后做有理由的单因素比较,并沿着全局参数变化检查局部解释,而不把高拟合分数当作模型条件正确的证明。
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。
需要在真实队列中固定版本并批量运行时,可提供测序平台、样本数量和拟合流程,向云生信生物分析服务器业务咨询环境部署与资源安排。
