[发明专利]基于测序数据的肿瘤纯度及绝对拷贝数预测方法及系统

说明书

本发明属于基因组测序技术领域，公开了一种基于测序数据的肿瘤纯度及绝对拷贝数预测方法及系统；利用bwa和samtools生信软件对原始fastq测序数列生成样本的readepth文件；使用拷贝数变异检测方法对预处理好的数据样本进行实验，产生检测结果；根据拷贝数检测结果，提取出其中变异为Loss类型的结果，使用聚类方法分析各个Loss情况的倍体，倍体情况记录作为下一步预测肿瘤纯度的输入；采用无监督的机器学习方法进行肿瘤纯度的预测；利用预测到的肿瘤纯度和拷贝数检测得到的样本readcounts值，计算出癌细胞的readcounts值，根据样本倍体计算出绝对拷贝数。本发明通过仿真数据的测试，可以发现本发明的测试结果相对于其它方法来说更为准确。

技术领域

本发明属于基因组测序技术领域，尤其涉及一种基于测序数据的肿瘤纯度及绝对拷贝数预测方法。

背景技术

目前，可以提供肿瘤纯度预测的方法大多局限于SNParray所产生的数据，ABSOLUTE可以从低覆盖度的全基因组测序数据样本中进行肿瘤纯度的预测，可以称之为评估肿瘤纯度最常用的方法之一，也是比较接近本方案的现有方法，其方法同样利用了肿瘤样本的CNV信息来对肿瘤纯度进行估计，但由于肿瘤样本的复杂性，其方法同时结合了SNV的信息去进行肿瘤纯度的估计才能达到一定的准确度，但是本方法仅使用了肿瘤样本的CNV信息就可以达到很高的准确率，从操作难度和数据要求上都降低了一定的难度，在进一步的研究中，本方法还从肿瘤纯度出发进一步还原了样本绝对拷贝数的信息，这也是ABSOLUTE方法所没有涉及的，并且，本方法是采用python语言所编写的，相比ABSOLUTE方法使用R语言编写，适用人群更加广泛，便于理解。

新一代测序(NGS)技术彻底改变了癌症基因组的研究。癌症基因组通常以广泛的体细胞拷贝数变异(CNA)为特征，其中基因组片段被删除或重复一次或多次，目前已经提出了许多方法从测序数据中发现拷贝数变化，其大多数方法旨在鉴定肿瘤基因组中区段的相对拷贝数而非绝对拷贝数；然而，从肿瘤样品获得的reads通常由正常细胞和肿瘤细胞的混合物组成，因此在正确推断绝对拷贝数这项工作中，肿瘤纯度的估计是其所必需的。

拷贝数变异(CNA)是基因组中一种重要的变异现象，是一种大小介于1kb至3Mb的DNA片段的变异，主要表现为Gain和Loss两种状态，是由于在染色体复制过程中，部分基因片段被多复制或者少拷贝几次，并且拷贝数变异与人类的许多疾病都息息相关。

肿瘤纯度不仅影响基因组中不同区段的拷贝数变化，还影响这些区段中等位基因频率的分布。在新一代测序数据中，这两种类型的信息可以根据映射到每个片段的reads总数和在不同位点匹配B-等位基因的reads频率(B-等位基因频率)来概括。根据拷贝数变化情况和B-等位基因频率信息的使用，现有方法可大致分为两类：

1、在体细胞突变位点使用B-等位基因频率(BAF)来估计肿瘤纯度，比如PurityEst和PurBayes方法，假如样本的肿瘤纯度为100％，则其体细胞突变位点的B-等位基因频率(BAF)大概为0.5，正常细胞的混入将会导致这些位点中的B-等位基因频率(BAF)下降；

2、依赖拷贝数变化来估计肿瘤纯度，比如CNAnorm，THetA和ABSOLUTE方法，首先，直接从观察到的相对拷贝数文件中(如果允许的话也可以使用点突变的信息)来联合估计肿瘤纯度和倍体，其次，由于一个单样本无法完全确定这种联合估计，会使用大量的不同样本来帮忙解决这种模糊问题。

基于测序数据(NGS)的CNV检测方法主要分为两类：基于双端映射(PEM)的方法和基于覆盖深度(DOC)的方法。

基于PEM的方法使用双端读段，基因组样本中的双端读段被映射到参考基因组，然后样本和参考序列这两端之间的距离分别被计算出来，如果这两个距离区别很大，就可以证明样本中存在插入(insertion)或者删除(deletion)。