📚 课程目录第4章深度对拷贝数变异分析的影响

第四讲：深度对拷贝数变异分析的影响

拷贝数变异（CNV）分析，说白了就是找基因组上多了几份或少了几份的区域。这东西对深度特别敏感——深度不够，信号被噪声淹掉；深度过高，成本直线上升，还得处理一堆假阳性。我刚开始做CNV时，总以为深度越高越好，结果跑一个60x的全基因组，花了三天，最后发现一半的候选CNV都是GC偏好搞出来的鬼。嗯，这件事让我重新思考：到底多深才算够？

深度如何影响CNV的检测能力

CNV检测的核心逻辑很简单：某个区域的read count显著偏离期望值，就是拷贝数异常。但“显著”这个词很关键，它依赖两个因素——区域的绝对深度和背景噪声。我个人的习惯是把深度的影响分成三个维度来讲：

灵敏度：深度越高，低比例嵌合体CNV、小片段CNV（< 10kb）越容易被发现。你在30x的数据里，要找到一个2kb的杂合缺失，几乎不可能；但换到100x，信号就冒出来了。
特异性：深度不足时，零覆盖区域和低覆盖区域容易被误判为纯合缺失。我曾经接手过一个项目，全基因组平均深度只有8x，结果跑出来的“缺失”位点里，有一半其实只是测序死区。
断点精度：深度越均匀，CNV起始和结束的边界就越清晰。当深度低于15x时，大部分工具的断点分辨率会退化到50kb以上，这对临床级分析来说基本是不可用的。

来看一张我常用的对比表，直观感受一下不同深度下的CNV分析表现：

平均深度	可检测最小片段（杂合缺失）	断点精度中位数	常见工具推荐值
10x	~50 kb	±200 kb	CNVnator 默认不支持 <15x
30x	~10 kb	±50 kb	Control-FREEC 要求 ≥20x
60x	~3 kb	±20 kb	GATK-gCNV 推荐 30-60x

实战技巧：如果你拿到的是肿瘤-正常配对样本，肿瘤库的深度至少要达到正常库的2倍，否则亚克隆CNV基本无法检出。我习惯在60x/30x的组合下跑，性价比最高。

深度不均带来的麻烦

光看平均深度是不够的，你想想看，一个区域50x，旁边区域5x，这种不均匀程度会把CNV分析搞得一塌糊涂。为什么会这样？因为几乎所有的read count类工具都假设覆盖度在基因组上是平滑变化的——如果这个假设不成立，你就得疯狂做GC校正和重复区域屏蔽。

我记得有一次，一个客户送来的数据平均深度40x，我顺手就跑了。结果在着丝粒和端粒附近爆出几百个“CNV”，仔细一看，全是GC含量异常导致的人为信号。后来我加了这两行预处理：

# 用samtools统计每个窗口的GC含量
samtools depth -a sample.bam | awk 'BEGIN{OFS="\t"}{
  chr=$1; pos=$2; depth=$3
  # 模拟GC校正（实际会用更复杂的模型）
  gc = getGC(chr, pos)
  corrected_depth = depth / (gc / 0.41)
  print chr, pos, corrected_depth
}' > corrected_depth.txt

# 过滤极端GC区域（GC<0.2 或 GC>0.65）
awk '$2>=0.2 && $2<=0.65' gc_bias_regions.bed > valid_regions.bed

这行代码虽简，但在实际项目中至少帮我砍掉了70%的假阳性。记住，深度的均匀度比深度绝对值更重要。如果数据不均匀，就算你堆到100x，CNV结果也是垃圾进垃圾出。

不同工具对深度的要求

我在项目里常用三个工具，它们对深度的脾气完全不同，我总结了一套选择策略：

CNVnator：基于read depth + GC校正，适合WGS全基因组分析。它要求每个窗口（默认100bp）至少有几条read，低于10x的数据基本跑不动。优点是对芯片和非标准库兼容性好，缺点是慢——60x的30x人基因组要跑8小时。
Control-FREEC：可以处理WES和WGS，内置了GC和重复区域校正。它对深度的容忍度比CNVnator高一些，最低能到5x，但此时必须开启-breakPointThreshold参数，否则结果全是碎片。我曾在15x的数据上用过它，效果还行，但要把窗口调到500bp。
GATK-gCNV：最新版GATK4的CNV模块，本质是隐马尔可夫模型。它要求数据深度不低于20x，且最好做到批次内样本深度一致。如果你有100个样本，深度在25x到35x之间，gCNV的灵敏度是三个里面最高的。但它有个坑——对极端GC区域和重复序列完全放弃，所以结果里会漏掉一些真正的CNV。

来看一个典型的工作流配置，我通常这样写配置文件：

# Control-FREEC 配置文件示例，用于30x WGS
[general]
samtools = /usr/bin/samtools
outputDir = ./freec_output
chrFiles = /ref/hg38/chromosomes
chrLenFile = /ref/hg38/hg38.len

[sample]
mateFile = sample.bam
inputFormat = BAM
mateOrientation = FR

[control]
mateFile = normal.bam
inputFormat = BAM
mateOrientation = FR

[BAF]
makePileup = 1
fastaFile = /ref/hg38/hg38.fa
minCoverage = 20

[CNV]
window = 500
step = 100
breakPointThreshold = 0.8
minCNAlength = 3
maxThreads = 8

避坑指南：我曾经在10x的正常对照数据上盲目复用30x的肿瘤参数，结果跑出来的CNV list有60%是假阳性——因为正常对照的深度太低，导致normalization不够稳定。后来我强制要求对照深度不低于肿瘤深度的70%，才把问题解决。

缺失值处理的特殊挑战

深度不足直接导致缺失值——那些被标记为“0覆盖”或“低于阈值”的窗口。在CNV分析里，缺失值不是简单的丢弃，它可能意味着真正的纯合缺失（拷贝数为0），也可能是测序死角。我处理缺失值分三步走：

区分技术性缺失与生物学缺失：如果某个区域在100个样本里都显示0覆盖，那大概率是测序盲区，直接屏蔽掉。如果一个样本独有的0覆盖，而且临近窗口深度正常，才考虑真缺失。
基于邻近窗口插补：用两侧各5个窗口的中位数深度去填补单窗口缺失。这个方法对长度 < 10kb的缺失非常有效，但会丢失小CNV的边界信息。我只有在做群体频率统计时才用这个。
硬性过滤：如果缺失窗口连续超过5个（默认窗口500bp，即2.5kb），我就把这个区域标记为“不可靠CNV”，直接排除。因为连续缺失很可能是比对失败或结构性重复导致的。

下面这个bedtools命令是我日常用来屏蔽低深度区域的：

# 屏蔽所有连续10个窗口深度 < 5的区域，窗口200bp
bedtools makewindows -g hg38.genome -w 200 > windows.bed
samtools bedcov windows.bed sample.bam > window_depth.txt
awk '$4 < 5' window_depth.txt | bedtools merge -d 2000 -i - > low_depth_regions.bed
# 在CNV分析前用这个bed文件过滤掉这些区域

结构图：深度对CNV分析的核心影响路径

我把上面的逻辑整理成一张图，方便你快速回顾。这张图重点标出了深度如何通过均匀度和窗口深度两个通道，最终影响CNV结果的可靠性。

  核心记住一句话：对于CNV分析，深度不是越多越好，均匀才是王道。30x的全基因组已经能覆盖90%以上的致病性CNV（>10kb），而低于15x的数据，我强烈建议你只用它来看大片段缺失（>100kb）。

最后说个老生常谈的教训——不要一上来就调高深度期望。先拿一个小panel定量跑一下，看看GC偏倚和缺失值的分布，摸清数据脾气，再决定要不要加测。我个人做CNV分析超过五年，踩了最深的坑就是“深度越高越好”这句话。现在每一次项目启动，我都会在终端先跑一句samtools depth -a | awk '{print $3}' | sort | uniq -c，看一眼深度直方图，心里才有底。