Ayırt Edici Kopya Sayısı Değişim Analizi — Karşılaştırmalı CNV / SCNA Analizi
Differential Copy Number Variation Analysis · Ayrıca şöyle bilinir: dCNV analysis, comparative CNV analysis, somatic copy number alteration analysis, SCNA analysis
Ayırt edici kopya sayısı değişim (dCNV) analizi, iki koşul — örneğin tümör ile normal doku, vaka ile kontrol kohortları veya tedavi edilmiş ile edilmemiş hücreler — arasında DNA kopya sayılarının sistematik olarak farklılaştığı genomik bölgeleri tanımlar. Prob düzeyindeki okuma derinliği veya dizi yoğunluk verilerini istatistiksel segmentasyon ve grup düzeyinde testlerle birleştirerek, hastalığa neden olabilecek somatik amplifikasyonları ve delesyonları belirler ve bir kohort boyunca tekrarlayan sürücü olayları yolcu gürültüsünden ayırt eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
En az iki gruptan — en yaygın olarak tümör ve eşleştirilmiş normal veya hastalık kohortu ve sağlıklı kontroller — kopya sayısı verileriniz olduğunda ve amaç gruplar arasında sistematik olarak farklılık gösteren tekrarlayan şekilde amplifiye edilmiş veya silinmiş lokusları belirlemek olduğunda ayırt edici CNV analizini kullanın. Kanser genomiklerinde somatik kopya sayısı değişikliklerini (SCNA'lar) keşfetmek için standart yaklaşımdır. GISTIC gibi kohort düzeyindeki yöntemler için minimum uygun kohort boyutu yaklaşık olarak grup başına 30 örnektir; daha küçük eşleştirilmiş tasarımlar CBS artı örnek bazında karşılaştırma kullanabilir. Verileriniz prob düzeyinde sinyal olmadan yalnızca nitel varlık/yokluk genotipleme çağrılarından oluştuğunda, örneklerin net grup atamaları olmadığında veya birincil sorunun somatik değişiklikten ziyade fazlama veya kalıtım olduğu durumlarda bu yöntemi kullanmayın — yapısal varyant çağırma veya bağlantı analizi orada daha uygun olacaktır.
Güçlü yönler & sınırlılıklar
- Odak (gen düzeyinde) ve geniş (kol/kromozom düzeyinde) kopya sayısı farklılıklarını tespit ederek genomik instabiliteye kapsamlı bir bakış sunar.
- GISTIC2 ve ilgili araçlar, kohortlar boyunca tekrarlayan sürücü bölgelerinin istatistiksel olarak titiz, FDR kontrollü tanımlanmasını sağlar.
- Tutarlı analitik mantık kullanarak birden fazla veri modalitesine — array CGH, SNP dizileri, tüm genom dizileme ve tüm ekzom dizileme — uygulanabilir.
- Segmentasyon, milyonlarca probdan binlerce yorumlanabilir segmente boyut azaltma sağlayarak verimli aşağı akış analizini mümkün kılar.
- Eşleştirilmiş tümör-normal tasarımları, germline CNV gürültüsünün çoğunu ortadan kaldırarak somatik olaylar için özgüllüğü önemli ölçüde artırır.
- Tümör saflığı ve ploidisi, mutlak kopya sayısı tahminini karıştırır; yüksek derecede anoploid veya düşük saflıkta bir örnek, gerçek değişiklikleri maskeleyebilir veya taklit edebilir.
- Mekansal çözünürlük, prob yoğunluğu (diziler) veya dizileme derinliği ile sınırlıdır; standart derinliklerde ~50 kb'nin altındaki küçük odak olayları kaçırılabilir.
- Kohort tabanlı yöntemler, makul derecede büyük, iyi eşleştirilmiş gruplar gerektirir — küçük veya heterojen kohortlar şişirilmiş yanlış keşif oranları verir.
- Germline CNV'ler dikkatlice filtrelenmelidir; eşleştirilmiş normal örnekler olmadan, somatik ve kalıtsal kopya sayısı değişikliklerini ayırt etmek güvenilmezdir.
SSS
CNV tespiti ile ayırt edici CNV analizi arasındaki fark nedir?
CNV tespiti, tek bir örnekte veya popülasyonda referans genoma göre kopya sayısı varyantlarını tanımlar ve germline varyantları içerebilir. Ayırt edici CNV analizi, iki koşulu veya grubu — tipik olarak tümör ve normal veya hastalık ve kontrol — açıkça karşılaştırarak kopya sayısının gruplar arasında sistematik olarak farklılaştığı lokusları bulur. Ayırt edici adım, örnek bazında kopya sayısı çağrılarına ek olarak grup düzeyinde istatistiksel testler ekler.
Eşleştirilmiş normal örneklere ihtiyacım var mı?
Eşleştirilmiş normal örnekler (örn. tümör ile aynı hastadan kan DNA'sı), germline CNV'lerin doğrudan çıkarılmasına izin vererek yalnızca somatik değişiklikleri bıraktığı için şiddetle tercih edilir. Eşleştirilmiş normal örnekler olmadan, yaygın germline varyantlarını filtrelemek için bir normal paneli veya popülasyon CNV veritabanları kullanabilirsiniz, ancak somatik çağrılar için hassasiyet ve özgüllük, özellikle popülasyonda polimorfik olan bölgelerde daha düşük olacaktır.
GISTIC, her lokustaki değiştirilmiş örnekleri saymaktan nasıl farklıdır?
GISTIC, değişiklikleri genliklerine ve frekanslarına göre ağırlıklandırır, böylece bir lokustaki çok yüksek amplifikasyona sahip az sayıda örnek hala yüksek puan alabilir. Ayrıca, kanserde yaygın olan kol düzeyindeki anoploidi dalgasından ziyade odaklanmış, muhtemelen sürücü olayları ayırt etmek için rastgele değişikliklerin beklenen arka plan oranını modeller. Sonuç, ham bir sayıdan ziyade tekrarlayanların istatistiksel anlamlılığını yansıtan bir q-değeridir.
Bu işlem hattını tüm ekzom dizileme verilerine uygulayabilir miyim?
Evet, ancak bazı uyarılarla. Ekzom yakalama, genom boyunca homojen değildir, bu nedenle okuma derinliği normalizasyonu, hedef bölge başına yakalama verimliliğini hesaba katmalıdır. İntergenik ve intronik bölgelerdeki kapsama alanı yoktur, bu da tespiti eksona yakın bölgelerle sınırlar. Tek bir eksondan küçük veya yalnızca intergenik diziyi kapsayan odak olayları kaçırılabilir. Aynı kit üzerinde yakalanan eşleştirilmiş bir normal paneli kullanmak bu artefaktları önemli ölçüde azaltır.
Bir GISTIC analizi için ne kadar örnek boyutuna ihtiyaç vardır?
GISTIC2, tipik olarak 50-500 örnek içeren kanser kohortları üzerinde tasarlanmış ve doğrulanmıştır. Pratikte, anlamlı tekrarlama analizi için genellikle 30 örnek minimum olarak belirtilir, ancak kohortun %10'undan azında bulunan değişiklikleri tespit etmek için istatistiksel güç çok daha büyük sayılar gerektirir. Daha küçük çalışmalar için, örnek bazında CBS segmentasyonu ve segment bazında uygulanan grup düzeyinde Wilcoxon veya Fisher testleri, daha güvenilir bir alternatiftir.
Kaynaklar
- Olshen, A. B., Venkatraman, E. S., Lucito, R., & Wigler, M. (2004). Circular binary segmentation for the analysis of array-based DNA copy number data. Biostatistics, 5(4), 557–572. DOI: 10.1093/biostatistics/kxh008 ↗
- Mermel, C. H., Schumacher, S. E., Hill, B., Meyerson, M. L., Beroukhim, R., & Getz, G. (2011). GISTIC2.0 facilitates sensitive and confident localization of the targets of focal somatic copy-number alteration in human cancers. Genome Biology, 12(4), R41. DOI: 10.1186/gb-2011-12-4-r41 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Differential Copy Number Variation Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/differential-copy-number-variation-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →