software

CNVkit 同一段信号为什么能叫出3、4、6个拷贝?从纯度参数到输出列的实跑拆解

作者:发布于 2026-11-18约 11 分钟阅读
CNVkit原生调用中同一增益段随传入纯度1、0.5、0.25分别得到3、4、6拷贝。

拿到拷贝数结果后,最容易被忽略的一步是检查整数从哪里来。一段测序覆盖信号没有变化,重新运行时却从三个拷贝变成四个,甚至六个。看到这种变化,直接判断程序不稳定往往过早。覆盖度描述的是混合样本的相对信号,而我们想回答的是肿瘤细胞内有多少拷贝,中间需要关于正常细胞混入比例和基线的假设。

本文实际安装 CNVkit 0.9.14,用原创模拟分箱数据执行原生分段和拷贝数调用。我们固定输入文件、分段结果与二倍体基线,只改变传入的肿瘤纯度,观察整数拷贝数和输出信号怎样变化。这个小实验不涉及患者数据,也没有从测序比对文件开始,适合用来检查结果解释中的关键逻辑。

CNVkit原生调用中同一增益段随传入纯度1、0.5、0.25分别得到3、4、6拷贝。
1200个原创模拟分箱,实际运行Haar分段与clonal调用。仅改变传入纯度,没有运行纯度估计或从比对文件开始的完整流程。

先把测到的信号与希望得到的状态分开

假设正常细胞在某常染色体区域有两个拷贝,肿瘤细胞有四个拷贝,样本中两类细胞各占一半。在忽略其他偏差的简单混合模型下,平均每个细胞对这个位置的贡献是三个拷贝。相对于二倍体参考,覆盖比值是一点五,对数比值约为零点五八五。这个信号并不表示肿瘤细胞只有三个拷贝,它还包含正常细胞的贡献。

反过来,如果只看这个相对信号,不知道正常细胞比例,就无法仅凭一个区段确定唯一的肿瘤拷贝数。纯肿瘤样本中三个拷贝、半数肿瘤细胞中四个拷贝,以及四分之一肿瘤细胞中六个拷贝,都可以给出相同的混合平均值。这是信息不足产生的多种解释,并非修改参数后新增了测序证据。

下面的式子只针对本例的二倍体正常细胞、固定二倍体参考和单一肿瘤克隆。真实样本的整体倍性、参考建立方式、性染色体以及亚克隆结构会增加复杂性,不能把这个简化等式当作所有分析场景的统一模型。

R = 2^L
R = [2 × (1 - p) + C × p] / 2
C = [2 × R - 2 × (1 - p)] / p

L 为混合样本相对二倍体参考的 log2 比值
p 为传入的肿瘤细胞比例
C 为本例希望恢复的肿瘤总拷贝数

从公式还可以看出,同样大小的覆盖误差,在较低纯度下会被更明显地放大。纯度越低,正常细胞占据的比例越大,肿瘤状态对整体信号的影响越小。因此,输入一个更低的纯度并不是让结果更精细,而是对信号提出更强的解释要求,需要相应证据支持。

三类文件各自保存什么

常见工作流中,覆盖与参考数据、分箱相对比值和分段结果属于不同阶段。分箱文件中的每一行对应一个区间,保留局部波动。分段文件把相邻、相似的信号概括成较长区段。整数调用是在此基础上进一步解释状态,不能用最后一张整数表替代全部中间结果。

CNVkit 的常规入口可以从比对文件计算覆盖、建立参考、校正信号,再做分段和调用。本文只运行最后两步,输入已经由作者构造为相对二倍体参考的分箱比值。完整流程与文件关系见 官方分析流程。没有执行的覆盖提取和参考校正,不应因为最终文件后缀正确就被算作已经验证。

文件或字段 在本例中的用途 解释时要核对
synthetic.cnr 1200个分箱的输入信号 坐标、比值、权重
synthetic.cns 原生Haar分段输出 断点与每段探针数
purity-*.cns 不同纯度下的调用输出 调用方法、纯度、基线
log2 所处阶段的对数信号 是否已经纯度重标度
cn 原生整数调用 不能脱离假设解释

保存这些层次还能帮助排错。如果某次变化来自分段边界,就需要检查局部噪声、断点与分段方法。如果边界完全一致而整数改变,应先检查调用参数。如果原始分箱已经发生系统偏移,则应回到参考、批次与校正过程,不能在最后一层不断调纯度来抵消上游错误。

安装与输入设计的实际记录

本次在 Ubuntu 22.04.5 上建立独立 Python 3.12 环境,通过包安装工具安装固定版本。起初尝试的未固定版本 Conda 求解持续消耗处理器且没有完成,随后终止了该次求解,改用隔离环境安装。这里记录的是一次环境选择经验,不代表某种安装方式必然更快,也没有据此做性能比较。

实跑版本输出为零点九点十四。在线文档的版本标签可能与安装版本不同,因此本文的命令选项以实际安装程序的帮助为准,发布信息另见 固定版本发布页。尤其不要照搬旧文档对功能范围的概括,新版本帮助已经出现纯度相关入口,但本实验没有调用它们来估计纯度。

python3.12 -m venv cnvkit-env
cnvkit-env/bin/python -m pip install CNVkit==0.9.14
cnvkit-env/bin/cnvkit.py version
python run.py --cnvkit cnvkit-env/bin/cnvkit.py --work cnvkit-demo

附件脚本用固定随机种子生成一千二百个连续分箱,每个分箱宽一千碱基。前五百个和后五百个设为中性,中间两百个设为肿瘤四拷贝,真实混合纯度设为二分之一。对数信号加入很小的随机扰动,使输入不是完全无波动的台阶,但没有模拟比对错误、捕获效率、重复序列或批次偏差。

数据集中只有一个模拟常染色体,不含性染色体。命令显式指定样本性染色体类型,是为了固定调用条件,不能理解为从这份数据推断了性别。我们选择原生 Haar 分段,避免把另一个分段后端的安装需求混进教学对照,也没有比较不同分段算法的优劣。

固定分段,只改变传入的纯度

脚本先生成一次分段结果,随后三次读取同一个文件。调用方法明确指定为克隆模型,基线倍性固定为二。纯度依次为一、二分之一和四分之一。若遗漏方法选项而使用其他调用策略,就不再是本文这个对照,不能把不同方法的输出混进同一张表来解释纯度影响。

cnvkit.py segment synthetic.cnr -m haar -o synthetic.cns
cnvkit.py call synthetic.cns -m clonal --ploidy 2 +  --purity 0.5 --sample-sex female -o purity-0.5.cns

原生分段识别出三段,增益段从五十万到七十万,含两百个分箱。该段调用前的对数比值约为零点五八四七七三,接近设定的零点五八五。三次调用的区间与探针数一致,中性区段也始终被调用为两个拷贝,这说明本次整数变化来自调用条件,而非输入信号或断点改变。

传入纯度 增益段整数cn 调用后log2约值 与模拟设定的关系
1.00 3 0.584773 把混合信号当纯肿瘤
0.50 4 0.999716 与生成时纯度一致
0.25 6 1.584580 更强地扣除正常贡献

这里的四拷贝与模拟设定一致,是因为输入生成模型与调用条件相匹配,并且噪声很小。它不能证明同一参数适合真实队列。真实样本没有附带作者写好的答案,纯度需要通过独立信息、合理的联合推断和结果审查建立依据,而不是挑选最符合期待的整数。

最容易看错的是调用后的对数列

本次输出中,修改纯度不仅改变整数列,也改变了对数列。二分之一纯度下的增益段对数值接近一,四分之一纯度下接近一点五八五。与此同时,保留下来的深度列和探针数并没有随之增加。这个组合说明输出中不同列可以来自不同处理阶段,不能把重标度后的对数值解释成新增测序覆盖。

如果把调用后的文件拿去与另一份未重标度的分箱图比较,看见增益高度不同,并不一定是数据矛盾。比较前应检查两张图绘制的是原始相对信号、校正后信号,还是纯度调整后的状态表达。给图轴写清阶段,比单纯把纵轴标成拷贝数更有帮助。

还要避免把已经做过纯度调整的输出再次当成未调整输入调用。连续两次扣除正常贡献会改变问题定义。复算时应从保留的原始分段文件出发,每个参数条件使用单独输出名,并把完整命令与软件版本一起保存,这样才能确认真正只改变了一个因素。

有了总拷贝数,仍有哪些问题不能回答

总数为两个的区域,可以是两个等位来源各保留一份,也可以在丢失一个来源后由另一来源补足总数。仅靠总覆盖比值,这两种情况可能非常相似。因此,没有等位基因信息的本实验不能判定拷贝数中性杂合性丢失,也没有输出主次等位基因状态。

同样,一个区段的混合信号可以由单一克隆产生,也可能由多个状态不同的细胞群共同形成。把克隆调用结果当成每个肿瘤细胞都具有相同整数,会超出本实验支持的范围。对于亚克隆问题,应进一步检查等位频率、事件细胞比例与其他证据,并明确采用的方法是否真的建模了这些因素。

这个工具的优势是各阶段文件清楚,便于把参考、分段和调用拆开审查,也适合围绕可疑区域做可追溯的参数对照。其使用难点在于每个阶段都可能引入条件依赖,尤其是参考质量、基线定位与纯度假设。清楚地保留中间量,才能发挥可检查的优势,而不是只收集最终整数。

整数边界附近为什么需要额外谨慎

调用表给出一个整数,容易让人误以为区段不存在估计误差。但连续信号转换成整数时,必然会丢掉一部分幅度信息。如果一个区段的连续估计恰好靠近两个整数的分界,小幅噪声或纯度变化就可能改变最后的标签。相反,离分界较远的区段可能在同样扰动下保持标签不变。

因此,比较两次结果时应同时查看连续信号和整数,不宜只统计有多少行改变了拷贝数。两个标签不同的区段,其连续估计可能非常接近,而两个标签相同的区段也可能已经发生明显幅度变化。把这种转换关系说明白,可以避免将离散化效应误读成两个分析流程存在根本冲突。

在做基因注释时也有类似问题。一个基因可能跨越多个分箱或分段,某个短区段的整数不能不加说明地代表整个基因。应保留交叠范围、覆盖比例与各段支持,必要时回到局部图检查断点。若研究的是外显子层面的缺失,还应确认输入区间的分辨率足以支持这一层结论。

本例中性区域很长、增益幅度明显且噪声很小,所以分段边界稳定。它刻意没有检验短事件、低覆盖事件或复杂边界的恢复能力。这些能力需要用相应输入和独立真值另行验证,不能从一次清晰台阶的成功分段推及所有事件类型。

把练习迁移到真实任务时怎样检查

真实数据首先要确认比对参考、区间文件和注释版本一致,正常参考与待分析样本的实验设计能够比较。若大部分区段整体偏移,先检查归一化与整体倍性解释。若少数短区段变化剧烈,应检查支持分箱数量、局部覆盖和重复区域,不宜只凭整数较高就优先认定为可信扩增。

其次,纯度应记录来源和不确定性。来自病理评估的细胞比例与由分子数据估计的有效混合比例,可能受到取样位置、细胞组成及倍性影响,不能自动视为完全相同。存在合理范围时,可以像本例一样固定上游结果做敏感性分析,报告哪些事件稳定、哪些事件随假设改变。

最后,交付表至少要能追溯到原始分段、调用方法、纯度和倍性设置,并保留失败与警告日志。本例没有执行比对文件处理、正常参考建立、真实样本质量控制或准确率评估,运行规模也不足以代表项目性能。读者应带走的操作习惯是先确认整数的条件,再决定能否据此解释生物学现象。

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。

当流程需要扩展到多个真实样本时,可携带数据规模、参考构建方式和软件版本,向云生信生物分析服务器业务咨询环境与资源安排。

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 ↗