Zaman Serisi Varyant Çağrısı — Boylamsal Somatik Mutasyon Tespiti
Time-series Variant Calling · Ayrıca şöyle bilinir: longitudinal variant calling, temporal somatic mutation detection, serial variant calling, time-course variant detection
Zaman serisi varyant çağrısı, aynı denekten farklı zaman noktalarında toplanan birden fazla dizileme örneği boyunca genetik varyantları — tipik olarak somatik mutasyonları — tanımlayan ve izleyen bir biyoenformatik işlem hattıdır. Tümör evrimini yeniden yapılandırmak, minimal artık hastalığı izlemek ve tedaviye dirençli klonların ortaya çıkmasını tespit etmek için en yaygın olarak kanser genomiklerinde uygulanır. Zamansal boyut boyunca varyant allel frekanslarını ortaklaşa modelleyerek, yöntem gerçek somatik değişiklikleri dizileme gürültüsünden ayırır ve zaman içindeki klonal dinamikleri tahmin 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
Aynı bireyden iki veya daha fazla farklı zaman noktasında dizileme verileriniz olduğunda ve sorunuz varyant manzarasının zamanla nasıl değiştiğiyle ilgili olduğunda — en yaygın olarak kanserde (tümör evrimi, tedavi direnci, minimal artık hastalık izleme) ancak aynı zamanda bulaşıcı hastalıkta (konak içindeki viral veya bakteriyel evrim) ve evrimsel biyoloji deneylerinde — zaman serisi varyant çağrısını kullanın. Yaklaşım, tek zaman noktası verilerinin yeni bir mutasyonu daha önce mevcut ancak tespit edilmemiş bir mutasyondan ayıramadığı durumlarda esastır. Yalnızca tek bir zaman noktası mevcut olduğunda standart somatik varyant çağrısının yerini alması olarak KULLANMAYIN — boylamsal ortak modelin çalışması için en az iki zaman noktası gerekir. Farklı zaman noktalarından alınan örnekler dizileme derinliği veya platform açısından önemli ölçüde farklılık gösteriyorsa bundan kaçının, çünkü bu, düzeltilmesi zor sistematik yanlılıklar getirir; bu gibi durumlarda, bağımsız zaman noktası başına analiz çalıştırın ve muhafazakar bir şekilde yorumlayın.
Güçlü yönler & sınırlılıklar
- Zaman serisi boyunca istatistiksel gücü ödünç alarak tek zaman noktası çağrı eşiklerinin altına düşen düşük frekanslı varyantları tespit eder.
- Kurucu (klonal gövde) mutasyonları altklonal veya yeni kazanılmış mutasyonlardan ayırarak tümör filogeni yeniden yapılandırmasını sağlar.
- Klonall dinamikleri — hücre popülasyonlarının genişlemesi, daralması veya yok olması — doğrudan ölçer, genetik değişimi klinik olaylarla ilişkilendirir.
- Sıvı biyopsi seri verilerini kullanarak minimal artık hastalığı veya erken nüksü izlemek için hassastır.
- Her zaman noktasındaki tümör saflığı ve kopya sayısı değişikliklerini ortaklaşa modeller, ploidi kaymalarından kaynaklanan yanlış pozitifleri azaltır.
- Aynı denekten en az iki eşleştirilmiş, yüksek kaliteli dizileme örneği gerektirir; herhangi bir zaman noktasında örnek kaybı veya kalite hatası analizi bozar.
- Hesaplama açısından yoğundur: birçok zaman noktası ve binlerce varyant üzerindeki ortak modeller bellek ve CPU açısından talepkardır.
- Tümör heterojenliği ve mekansal örnekleme yanlılığı (biyopsi yalnızca bir bölgeyi yakalar), mükemmel zamansal kapsama olsa bile klonal çıkarımı yanıltabilir.
- Çok düşük tümör fraksiyonlarında (<%0.1) sıvı biyopsi zaman serileri, gürültünün sinyale hakim olmasını önlemek için ultra-derin dizileme (>10.000×) ve hata düzeltme protokolleri (örn. UMI'ler) gerektirir.
- Tespit edilen varyantların klinik açıklaması, mevcut literatürün gerisinde kalabilen küratörlü veritabanlarına bağlıdır.
SSS
Anlamlı bir analiz için kaç zaman noktasına ihtiyacım var?
İki zaman noktası, yeni kazanılmış veya kaybedilen varyantların tespitine olanak tanır, ancak filogenetik yeniden yapılandırma ve klonal dinamikler modellemesi ciddi şekilde yetersizdir. Güvenilir klonal çıkarım için genellikle üç ila beş zaman noktası pratik minimum olarak kabul edilir. Daha fazla zaman noktası evrimsel yörüngenin çözünürlüğünü iyileştirir, ancak marjinal kazanç yaklaşık sekiz ila on yoğun örneklenmiş noktanın ötesinde azalır.
Zaman serisi varyant çağrısını tek hücrelu dizileme verileriyle kullanabilir miyim?
Evet, ancak iş akışı önemli ölçüde farklılık gösterir. Toplu boylamsal çağrı, binlerce hücre boyunca VAF'ları toplarken, tek hücreli yaklaşımlar doğrudan hücre başına genotipleri çözer. İki veya daha fazla zaman noktasındaki tek hücreli veriler, mutasyonları bireysel soy hatlarına atayan Cassiopeia veya CARLIN gibi araçlarla yörünge analizi sağlar. İstatistiksel modeller farklıdır; toplu ortak VAF modelleri, seyrek tek hücreli matrislere doğrudan uygulanmamalıdır.
Ortak modelleme adımı için yaygın olarak hangi araçlar kullanılır?
PyClone-VI, zaman noktaları boyunca VAF'ların klonal kümelenmesi için yaygın olarak kullanılır. Mutect2 (GATK), tümör yalnızca veya eşleştirilmiş normal modlarda çoklu örnek ortak çağrıyı destekler. ClonEvol ve Timescape, klonal dinamiklerin filogenetik görselleştirmesini ele alır. Çok düşük tümör fraksiyonlarındaki sıvı biyopsi için, ichorCNA (kopya sayısı) ddPCR veya ctDNA'ya özgü çağırıcılarla (örn. ctSNV) birleştirildiğinde yaygındır. Araç seçimi, dizileme derinliğine ve mevcut eşleştirilmiş normal verilere büyük ölçüde bağlıdır.
Ne kadar dizileme derinliği gereklidir?
30–50× standart WGS, hücrelerin yaklaşık %10'unda veya daha fazlasında bulunan klonları tespit etmek için yeterlidir. 500–1000×'deki hedeflenmiş panel dizilemesi, %1–2 VAF'a kadar tespiti genişletir. ctDNA'nın <%1 tümör fraksiyonundaki sıvı biyopsi izlemesi, hata bastırma için benzersiz moleküler tanımlayıcılar (UMI'ler) ile birlikte 5.000–30.000× derinlik gerektirir. Gerekli derinlik, dizileme başlamadan önce beklenen minimum klon boyutuna göre tahmin edilmelidir.
Zaman noktaları boyunca VAF'ı değiştiren kopya sayısı değişikliklerini nasıl ele alırım?
Görünür VAF değişiklikleri, bir mutasyonu taşıyan hücrelerin fraksiyonundaki değişiklikleri değil, kopya sayısı evrimini yansıtabilir. Tüm zaman serisi analizleri, kopya sayısı profillemesini (örn. FACETS, PURPLE veya CNVKit) içermeli ve her zaman noktasındaki yerel kopya sayısını ve tümör saflığını düzelterek gözlemlenen VAF'ları kanser hücre fraksiyonlarına (CCF) dönüştürmelidir. Bu düzeltmeyi yapmamak, yapay klonal dinamiklerin en yaygın kaynağıdır.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-series Variant Calling. ScholarGate. https://scholargate.app/tr/bioinformatics/time-series-variant-calling
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- RNA-seq Diferansiyel İfadeBiyoenformatik↔ karşılaştır