Bayesçi Kopya Sayısı Varyasyonu Analizi
Bayesian Copy Number Variation Analysis · Ayrıca şöyle bilinir: Bayesian CNV analysis, Bayesian CNV calling, probabilistic CNV detection, Bayesian HMM-CNV
Bayesçi kopya sayısı varyasyonu (CNV) analizi, bir bireyin DNA kopya sayısının diploit normdan saptığı genomik segmentlerin tespitine yönelik olasılıksal bir çerçevedir. Kopya-sayısı durumları üzerine önsel dağılımlar yerleştirerek ve bunları array CGH, SNP array veya dizileme okuma-derinliği kanıtlarıyla güncelleyerek, yaklaşım genom boyunca her kopya-sayısı durumu için sonsal olasılıklar üretir ve sıklıkçı segmentasyon yöntemlerinin eksik olduğu istatistiksel olarak temellendirilmiş belirsizlik nicemlemesi sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İstatistiksel olarak temellendirilmiş, belirsizlik farkında olan kopya-sayısı çağrılarına array CGH, SNP dizileri veya tüm genom dizileme verilerinden ihtiyaç duyduğunuzda, özellikle yanlış pozitiflerin maliyetli olduğu klinik genomik, nadir hastalık gen keşfi veya kanser genomik alanlarında Bayesçi CNV analizini kullanın. Özellikle örnek boyutlarının küçük olduğu ve CNV çağrılarındaki güven aralıklarının önemli olduğu durumlarda değerlidir. Hesaplama kaynaklarının ciddi şekilde sınırlı olduğu durumlarda standart işlem hatlarının basit bir yerine geçme yöntemi olarak kullanmayın, çünkü Bayesçi HMM uydurma, dairesel ikili segmentasyondan daha maliyetlidir. Girdi verilerinin kalitesinin çok düşük olduğu (zayıf kapsama, normalleştirme ile düzeltilemeyen yüksek yığın etkileri) durumlarda uygulamaktan kaçının, çünkü iyi tanımlanmış bir önsel bile ciddi şekilde bozulmuş sinyali kurtaramaz.
Güçlü yönler & sınırlılıklar
- Her kopya-sayısı durumu için sonsal olasılıklar sağlar, bu da temellendirilmiş belirsizlik nicemlemesi ve güven dereceli CNV çağrıları sağlar.
- HMM yapısı, genom boyunca uzamsal otokorelasyondan yararlanarak izole gürültülü problardan kaynaklanan yanlış pozitifleri azaltır.
- Önsel dağılımlar, düşük kapsama veya küçük örnek ayarlarında tespiti iyileştirerek CNV sıklığı ve uzunluğu hakkındaki biyolojik bilgileri kodlayabilir.
- Nesnel Bayes formülasyonları (örn. QuantiSNP), öznel önsel belirleme ihtiyacını ortadan kaldırırken olasılıksal kalibrasyonu korur.
- Çıktılar doğrudan olasılık olarak yorumlanabilir, bu da sonraki Bayesçi meta-analizleri ve çoklu örnek ortak çağrılarını kolaylaştırır.
- Sıklıkçı segmentasyon algoritmalarından (örn. CBS) hesaplama açısından daha talepkardır; paralelleştirme olmadan binlerce örneğe iyi ölçeklenmez.
- Model yanlış belirtimi - örneğin, çok az kopya-sayısı durumu seçmek veya uygun olmayan bir emisyon dağılımı - sistematik olarak yanlı çağrılara neden olabilir.
- Önsel seçimi, özellikle seyrek veri bölgelerinde sonuçları etkiler; biyolojik bilgi mevcut olduğunda bilgilendirici olmayan önseler, bilgilendirici önselerden daha düşük performans gösterebilir.
- Standart HMM tabanlı uygulamalar durağanlığı varsayar ve karmaşık yapısal varyantları (ters çevirmeler, translokasyonlar) veya yüksek derecede anöploid kanser genomlarını iyi idare edemeyebilir.
SSS
Bayesçi CNV analizi, dairesel ikili segmentasyondan (CBS) nasıl farklıdır?
CBS, permütasyon testleri kullanarak eşit ortalama sinyale sahip segmentlere genomu bölen sıklıkçı bir değişim noktası yöntemidir; belirsizlik nicemlemesi olmadan segment ortalamalarının nokta tahminlerini üretir. Bayesçi CNV analizi, kopya-sayısı durumları üzerine olasılık dağılımları yerleştirir ve bunları verilerle güncelleyerek her konumdaki her durum için sonsal olasılıklar üretir. Bu, Bayesçi yöntemlerin her çağrıyı doğal olarak güvenle ifade ettiği, gürültülü verileri daha zarif bir şekilde ele aldığı ve önsel biyolojik bilgileri entegre ettiği anlamına gelir - bu avantajlar daha yüksek hesaplama karmaşıklığı maliyetiyle gelir.
Hangi girdi veri türleri desteklenir?
Çerçeve, DNA dozajını yansıtan herhangi bir sinyale uygulanır: SNP dizilerinden log R oranları ve B-alel frekansları, array CGH platformlarından prob düzeyinde log2 oranları ve tüm genom veya tüm ekzom dizilemesinden okuma-derinliği profilleri. Her veri türü, özel normalleştirme ve HMM içinde uygun bir emisyon dağılımı gerektirir (örn. log-oran verileri için Gauss, alel frekansları için beta-binomiyal).
Bu yöntem tek hücre dizileme verilerine uygulanabilir mi?
Evet, ancak önemli modifikasyonlarla. Tek hücreli tüm genom dizileme verileri tipik olarak çok seyrektir (hücre başına düşük kapsama), bu nedenle segment uzunluğu ve kopya-sayısı durumları üzerindeki önsel daha büyük bir rol oynar. HMMcopy ve SCOPE gibi araçlar, hücreler arasında bilgi toplayarak veya paylaşılan önselerden yararlanarak Bayesçi HMM çerçevelerini tek hücre ortamına uyarlar ve klonal CNV yapısının çıkarımını sağlar.
Güvenilir çağrılar için kaç örneğe ihtiyaç vardır?
Tek bir örnek CNV çağrıları üretebilir, bu da referans panelleri gerektiren yöntemlere göre bir avantajdır. Ancak, aynı deneydeki daha fazla örnekle yığın düzeltme ve normalleştirme önemli ölçüde iyileşir. Popülasyon düzeyinde CNV keşfi için, nadir varyantları teknik artefaktlardan ayırt etmek ve alel frekanslarını doğru bir şekilde tahmin etmek için daha büyük kohortlar (yüzlerce ila binlerce örnek) gereklidir.
Bayesçi CNV analizini hangi yazılımlar uygular?
Bilinen uygulamalar arasında QuantiSNP (SNP dizileri için Nesnel Bayes HMM), PennCNV (Illumina SNP dizileri için HMM tabanlı), HMMcopy (dizileme okuma-derinliği verileri için), BayesCNV ve SCOPE (tek hücre) bulunur. Her araç, önsel seçimi, emisyon modeli ve girdi veri formatı açısından farklılık gösterir; seçim platforma ve çalışma tasarımına göre yönlendirilmelidir.
Kaynaklar
- Colella, S., Yau, C., Taylor, J. M., Mirza, G., Butler, H., Clouston, P., Bassett, A. S., Seller, A., Holmes, C. C., & Ragoussis, J. (2007). QuantiSNP: an Objective Bayes Hidden-Markov Model to detect and accurately map copy number variation using SNP genotyping data. Nucleic Acids Research, 35(6), 2013–2025. DOI: 10.1093/nar/gkm076 ↗
- Fridlyand, J., Snijders, A. M., Pinkel, D., Albertson, D. G., & Jain, A. N. (2004). Hidden Markov models approach to the analysis of array CGH data. Journal of Multivariate Analysis, 90(1), 132–153. DOI: 10.1016/j.jmva.2004.02.008 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Copy Number Variation Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/bayesian-copy-number-variation-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian GWASBiyoenformatik↔ karşılaştır
- Bayesian Varyant ÇağrısıBiyoenformatik↔ karşılaştır
- Kopya Numarası Değişkenliği AnaliziBiyoenformatik↔ karşılaştır
- Genom Çapında İlişkilendirme Çalışması (GWAS)Biyoenformatik↔ karşılaştır
- Variant CallingBiyoenformatik↔ karşılaştır