第4章：CNV数据质控与标准化流程
CNV分析的成败，数据质量说了算。这一点我在多个项目中反复验证过——样本质量差的WES数据，就算你算法再好，结果也是一团浆糊。这章咱们就聊聊怎么给CNV数据做“体检”，把不合格的样本提前剔出去，再统一做标准化处理。
4.1 为什么非要折腾质控？
你想想看，测序仪出来的原始数据，里面全是噪声：GC偏好、测序深度波动、批次效应……这些都会让你把正常的变异当成致病CNV。我个人习惯在跑任何算法之前，先过一遍质控流水线。不然后面你花几小时调参数，发现全是假阳性，那就太亏了。
举个例子，我经手的一个自闭症家系项目，一开始跑了100个样本，质控后发现8个样本的测序深度中位数只有15X，远低于30X的阈值。如果不管它们，后续的拷贝数分析会漏掉很多小片段缺失。嗯，这8个样本直接重做了，省了后面一堆麻烦。
4.2 原始数据检查——从FASTQ开始
FASTQ文件是第一步，主要看两个维度：碱基质量和read数量。
| 检查项 | 阈值（WGS） | 阈值（WES） | 说明 |
|---|---|---|---|
| 总read数 | > 300M | > 50M | 太低会导致覆盖不均 |
| Q20比例 | > 85% | > 80% | 质量值20以上占比例 |
| GC偏差 | 40%–60% | 40%–60% | 偏离太多可能有污染 |
| 重复率 | < 30% | < 15% | PCR重复率过高会引入偏差 |
| 污染率 | < 3% | < 5% | 利用contamCheck或Freemix |
我的小习惯：不要只看平均值，得画分布图。有一次样本平均质量Q30居然有90%，但分布图显示一条尾巴掉到Q10以下，是文库末端降解了。要是不看分布，你就错过了。
4.3 标准化流程——让不同样本站到同一起跑线
标准化就是要消除那些跟生物学变异无关的技术噪声。说白了，你不能把GC偏好造成的波动当成真正的CNV。我建议的流程分四步：
- GC校正：根据每个bin的GC含量，对read depth做Loess平滑修正。
- 深度归一化：把样本中对数比值中位数拉到0（参考样本池）。
- 主成分校正：用PCA去除批次、文库制备等因素。
- 染色体归一化：对每条染色体单独做中位数中心化，消除性别差异和染色体拷贝数差异。
具体用哪些工具？我个人常用这套组合拳：
# 1. 用CNVnator做GC校正（以50kb窗口为例）
cnvnator -root sample.root -tree sample.bam -chroms chr1 chr2 ... chr22 chrX chrY
cnvnator -root sample.root -his 50000 -d /path/to/ref.fasta
cnvnator -root sample.root -stat 50000
cnvnator -root sample.root -partition 50000
cnvnator -root sample.root -call 50000 > sample.cnvnator
# 2. 用PennCNV做深度归一化
perl detect_cnv.pl -hmm lib/hmm.hmm -pfb lib/pfb.txt -log sample.log -out sample.rawcnv
# 3. 如果有多批次，用R的CNVtools包做PCA校正
Rscript pca_correction.R --input sample.rawcnv --output sample.pca_corrected
注意：千万不要把不同批次的样本放一起直接跑CNV calling。我曾经在合并两家医院的数据时没做批次校正，结果所有样本在某个区域都出现了假性纯合缺失。后来发现是两家医院用的捕获试剂盒不同，GC偏好不一样。
4.4 常用的质控指标——选对阈值才靠谱
标准化之后还要再做一轮质控。下面是我在项目中会检查的核心指标：
| 指标 | 定义 | 通过标准 | 为什么重要 |
|---|---|---|---|
| LRR SD | 对数比值标准差 | < 0.35 | 反映噪声水平，过高提示数据质量差 |
| BAF漂移 | B等位基因频率的中位数绝对偏差 | < 0.05 | 偏离0.5说明等位基因失衡 |
| GC偏差斜率 | GC含量 vs LRR的线性回归斜率 | |slope| < 0.05 | 尚存GC偏好未校正 |
| 性别准确性 | X染色体LRR中位数 | 男 < -0.3, 女 > -0.1 | 可发现样本混样或性别错误 |
| Call rate | 探针通过过滤的比例 | > 95% | 缺失太多探针的样本不可靠 |
为什么要盯SD？我遇到过一家合作单位，他们的LRR SD平均0.45，结果call出来的CNV全是片段极长（>10Mb）的“大块头”，后来发现是因为文库制备时扩增不均衡。调低SD阈值到0.35后，大部分长片段都消失了——那才是真实情况。
4.5 实战避坑清单
- 样本量太小别做PCA校正。少于20例时PCA会过度拟合，把生物学差异也校正掉了。我建议至少50例以上再用。
- 把性别染色体单独处理。女样本的X染色体LRR和男样本完全不同，混在一起归一化会出问题。我曾经忘了按性别分层，结果男样本的X染色体LRR中位数被拉到0附近，后来才发现是归一化时用的参考包含两种性别。
- 保留原始BAM文件做备查。标准化后的文件虽然漂亮，但遇到离群样本时，还得回头去翻原始比对情况。我有一次发现某个样本在某个基因区域的LRR异常低，后来验证是那个区域有重复序列导致比对质量差。
- 批次效应必须可视化。光看统计指标不够，画个PCA散点图，不同batch如果分开太远，说明校正还不够彻底。
核心总结：质控不是走过场，它是CNV分析的第一道防火墙。前面省的时间，后面会加倍还回去。标准化流程要自动化，但要保留手动核查的出口——机器判断不了的边界情况，还得靠人眼。
这张图把整个流程串起来了：从原始数据到最终可用数据，每一步都有关卡。我记得有一次在流程里忘了加性别校验步骤，结果男样本的X染色体LRR被归一化到女样本水平，最后call出来的CNV全是假的。从那以后我把性别校验往前提，在标准化之前就做。嗯，流程这种东西，得经过自己踩坑才能真正完善。