Genebasierte vs. chromosomale CNV: Verständnis von Auflösung und Grenzen

Die Analyse von Kopienzahlvariationen (CNV) funktioniert nur, wenn die effektive Auflösung zu Ihrer Forschungsfrage und Ihrem Rauschboden passt. Bei großen Kohorten müssen Sie möglicherweise nur konsistent Ereignisse auf Chromosomen- und Chromosomenarmebene kennzeichnen. Aber wenn die Frage lautet: "Ist dieses spezifische Gen amplifiziert oder deletiert?", kann dasselbe Low-Pass-Design, das bei breiten CNAs hervorragend abschneidet, mehrdeutig werden – insbesondere in repetitiven, GC-schiefen oder schwer kartierbaren Regionen.

Diese Ressource erklärt, was CNV "Auflösung" wirklich bedeutet, was sie in Mikroarray-Analysen im Vergleich zur Ganzgenomsequenzierung steuert, warum "Genebene CNV" in Low-Pass-Designs nicht immer ermittelbar ist und wie man die richtigen Plattform- und Pipeline-Einstellungen für RUO-Kohorten-Workflows auswählt.

1. Was "Auflösung" beim CNV-Calling bedeutet

„Auflösung“ ist keine einzelne Zahl. Es ist die kleinste Ereignisgröße, die Sie bei einem akzeptablen Risiko für falsch-positive/falsch-negative Ergebnisse unter Berücksichtigung Ihres Geräuschpegels konsistent erkennen und benennen können. In der Praxis wird die CNV-Auflösung durch Folgendes eingeschränkt:

• Signalstärke: Wie viele unabhängige Beobachtungen unterstützen einen CN-Verschiebung (z. B. Bins, Proben)
• Geräusch: Abdeckungsvarianz, GC-Wellen, Mappability-Ausfälle, Batch-Effekte
• Segmentierungsverhalten: Algorithmen "sehen keine Gene"; sie leiten stückweise konstante Segmente ab, die die Daten am besten erklären.

Eine nützliche Möglichkeit, über die Auflösung in RUO-Kohorten nachzudenken, ist: Was ist die kleinste CNV, die stabil bleibt, wenn Sie dieselbe Probe in einer anderen Charge, Spur oder Woche erneut analysieren? Wenn sich die Antwort ändert, liegen Sie unter der effektiven Auflösung Ihres Workflows.

1.1 Ereignisse auf Gen-, Segment- und Chromosomenebene

Teile deine Absicht in drei "Ereignisskalen" auf:

1. Chromosomenebene Ereignisse
   Ganzchromosomale Gewinne/Verluste (Aneuploidie) oder sehr große CNAs.
2. Segmentebene Ereignisse
   Kontinuierliche CN-Änderungen, die sich über Megabasen bis hin zu Hunderten von Kilobasen erstrecken. Viele Low-Pass-Pipelines befinden sich effektiv in diesem Bereich.
3. Genebezogene Ereignisse (fokale CNVs)
   Kleine Deletionen/Duplikationen, die sich über ein oder wenige Gene erstrecken. Diese können mehrere zehn kb (oder kleiner) sein, manchmal mit komplexen Bruchpunkten und Wiederholungen.

Ein wichtiger praktischer Punkt: Selbst wenn ein CNV ein Gen überlappt, ist der Aufruf normalerweise segmentabgeleitet und nicht wirklich "genau auf das Gen bezogen", es sei denn, der Test bietet eine ausreichende Dichte (Sonden) oder Tiefe/Intervalle (WGS) über dieses Gen.

1.2 Was steuert die Auflösung: Probedichte (Arrays) vs. Tiefe/Größe der Bins (WGS)

• Mikroarray: Die effektive Auflösung wird hauptsächlich durch die Dichte und Platzierung der Sonden begrenzt. Regionen mit spärlichen Sonden (Wiederholungen, segmentale Duplikationen) verringern die nutzbare Auflösung. Hochdichte-Designs können in gut charakterisierten Regionen eine annähernde Exon-/Genabdeckung erreichen, aber die Leistung ist im gesamten Genom ungleichmäßig.
• WGS-Lesetiefen-CNV: Die Auflösung wird durch zwei verbundene Regler gesteuert:

1. Abdeckung (×): höhere Abdeckung reduziert das Stichprobenrauschen
2. Bin-Größe (Fenstergröße): Kleinere Bins erhöhen die räumliche Detailgenauigkeit, erhöhen jedoch das Rauschen pro Bin.

Bin-Größe × Tiefe Intuition (keine Formeln, nur Realität):
Das Verkleinern von Bins ohne Erhöhung der Tiefe neigt dazu, die Varianz in jedem Bin zu erhöhen. Das führt oft zu "unruhigen" Profilen mit vielen kurzen Segmenten – genau dem Muster, das wie fokale CNVs aussieht, aber tatsächlich Instabilität ist. Wenn Sie die Bin-Größe bei niedriger Abdeckung aggressiv reduzieren, tauschen Sie typischerweise scheinbare "Details" gegen eine höhere falsch-positive Rate und schlechtere Reproduzierbarkeit über Chargen hinweg ein. Abbildung 1 ist eine hilfreiche Erinnerung: Auflösung wird durch Signalstärke erzielt, nicht durch wünschenswertes Heranzoomen.

Für kohortenbasierte Workflows streben Teams in der Regel eine stabile Standardisierung von Anfang bis Ende an: ein standardisierter Workflow für die gesamte Genomsequenzierung (WGS) kombiniert mit einem wiederholbare Variantenaufruf-Pipeline und dokumentierte CNV-Parameter (Binning, Masken, Standardwerte für die Segmentierung).

Siehe Abbildung 1, um Ihre Fragen-Skala mit der minimalen Signalstärke abzugleichen, die erforderlich ist, bevor Sie "Genebene"-Ergebnisse interpretieren.

Abbildung 1. CNV-Auflösungsleiter: Was Sie auf jeder Skala benennen können. Chromosom → Arm → Mb-Segment → kb-Segment → Gen; Arrays sind durch die Proben-Dichte eingeschränkt, WGS durch Abdeckung und Bin-Größe.

1.3 Warum "Gen-niveau CNV" nicht immer in Low-Pass-Designs aufrufbar ist

Niedrigpass-Designs sind für Skalierbarkeit optimiert. Aber "Genebene CNV" erfordert hochgradig zuverlässige lokale Beweise über einen kurzen genomischen Bereich.

Häufige Gründe, warum Low-Pass auf Genebene Schwierigkeiten hat:

• Zu wenige informative Bins überlappen das Locus (insbesondere wenn die Bins ≥100 kb sind)
• Mappbarkeitseinschränkungen: Kurze Reads in Wiederholungen/segmentalen Duplikationen erzeugen mehrdeutige Abdeckung
• GC-gesteuerte Wellen: Kleine Loci können von lokalem GC-Bias dominiert werden, anstatt von wahrer CN.
• Segmentierungsglättung: Algorithmen bevorzugen längere, stabile Segmente, wenn das Rauschen hoch ist.

Fazit: In Low-Pass-Settings sollten Genaufrufe auf Genebene oft als Hypothesen betrachtet werden, es sei denn, Sie können starke lokale Unterstützung und stabile Qualitätskontrollen nachweisen.

2. Chromosomale Ereignisse: Worin Low-Pass hervorragend ist

Wenn Ihr Kohortenziel darin besteht, großflächige Kopienzahländerungen zuverlässig zu identifizieren (Chromosom / Arm / Multi-Megabase), ist eine Low-Pass-WGS oft eine gute Wahl.

2.1 Ganze Chromosomengewinne/-verluste (Aneuploidie)

Vollchromosomale CN-Verschiebungen erzeugen ein großes, kohärentes Signal über ein ganzes Chromosom. Selbst bei moderater Abdeckung können diese Ereignisse als stabile Abweichungen im Kopieverhältnis über viele Bins erscheinen – was sie vergleichsweise robust gegenüber Rauschen und lokalen Verzerrungen macht.

In RUO-Kohortenprogrammen ist ein gängiger Ansatz, die "breite CNA-Erkennung" als Produktionslieferung zu standardisieren unter CNV-Sequenzierung mit festem Binning, Maskierung und QC-Gates. Das Ziel ist nicht, die Detailgenauigkeit pro Probe zu maximieren; es geht darum, die Konsistenz der Kohorte zu maximieren.

2.2 Chromosomenarmereignisse und große CNAs

Arm-Level-Ereignisse (p-arm-Verlust, q-arm-Gewinn) sind ähnlich "breite" Signale. Sie sind tendenziell nachweisbar, wenn Ihre Binning- und Normalisierungsprozesse stabil sind und Ihre Pipeline problematische Regionen angemessen auf die Blacklist setzt.

Betrieblich wird hier "Auflösung" handlungsfähig: Wenn Sie "Armebene und darüber" akzeptieren können, können Sie standardisierte Verarbeitung und Kohortenvergleichbarkeit priorisieren. Viele großangelegte Screenings verwenden Skim-Sequenzierung (niedrig-tiefe WGS) Ansätze insbesondere, weil sie eine breite Ereignissensitivität bewahren und gleichzeitig den pro-Probe-Fußabdruck überschaubar halten.

Siehe Abbildung 2 für die visuelle Signatur von breiten, stabilen CNAs, die für die Segmentbewertung geeignet sind.

Abbildung 2. Beispiel für eine CNA-Landschaft: Breite Verschiebungen über Chromosomen. Ereignisse auf Chromosomen- und Arm-Ebene erzeugen sanfte Verschiebungen im Kopierverhältnis über viele Bins.

2.3 Häufige Berichtsformate (genomweite Plots, Segmenttabellen)

Für die RUO-Kohortenarbeit sollten die CNV-Ausgaben Folgendes unterstützen:

• Kohortenebene QC (Ausreißer kennzeichnen, Batch-Effekte)
• Veranstaltungsbewertung (was sich geändert hat, wo, wie groß)
• Downstream-Integration (Annotation, Stratifikation, Berichterstattung).

Typische Liefergegenstände:

1. Genomweite Kopieverhältnis-Darstellung (pro Probe und/oder Kohortenübersicht)
2. Segmenttabelle (chr, Start, Ende, log2 Verhältnis, abgeleiteter CN-Zustand, optionale Zuversicht)
3. QC-Zusammenfassung (Mapping-Metriken, Rauschmetriken, Bias-Flags)
4. Mask-/Blacklistbericht (ausgeschlossene Regionen wie Zentromere/niedrige Abbildbarkeit)

Wenn Sie bereits vorbereitete Bibliotheken haben und die Kohortenverarbeitung konsistent halten möchten, vorgefertigte Bibliothekssequenzierung kann helfen, die Bedingungen von Lauf zu Lauf zu standardisieren und gleichzeitig Ihre nachgelagerte CNV-Pipeline vergleichbar zu halten.

3. Ereignisse auf Genebene: Wenn Sie mehr Signal benötigen

Wenn Ihre Frage fokussiert ist—„Hat dieses Gen einen Gewinn/Verlust?“—nehmen Sie an, dass Sie eine höhere Signalstärke oder eine gezielte Strategie benötigen.

3.1 Kleine fokale Amplifikationen/Deletionen: warum sie schwieriger sind

Fokale Ereignisse sind schwierig, da sie mit Geräuschquellen auf ähnlichen Längenskalen konkurrieren:

• GC-Wellen können wie ein kleiner Gewinn/Verlust aussehen.
• Die Mehrdeutigkeit bei der lokalen Ausrichtung verringert die nutzbaren Reads.
• Die Segmentierung kann kleine Ereignisse mit benachbarten Baselines zusammenführen, wenn die Beweise dünn sind.

Mit anderen Worten, die fokale CNV-Erkennung ist nicht einfach nur "heranzoomen". Es verändert das Experiment und die Pipeline, sodass das Locus genügend unabhängige Beweise hat.

3.2 Praktische Stellschrauben: tiefere Abdeckung, gezielte Tests, hybride Strategien

Drei gängige Strategien:

A) Die Abdeckung erhöhen und die Behälter enger machen.
Wenn Sie von einem Tiefpassfilter zu tieferem WGS wechseln können, verringern Sie die Varianz pro Bin und können die Bin-Größen sicherer verkleinern. Dies erhöht die Empfindlichkeit für kleinere Ereignisse, erhöht jedoch auch den Rechenaufwand und den Speicherbedarf und kann Batch-Effekte verstärken, wenn die Protokolle nicht festgelegt sind.

B) Verwenden Sie gezielte Anreicherung, wenn nur eine Teilmenge von Loci von Bedeutung ist.
Wenn Sie sich für definierte Loci interessieren, konzentrieren sich gezielte Ansätze darauf, die Reads dorthin zu lenken, wo Sie sie benötigen:

• gezielte Regionssequenzierung für benutzerdefinierte Loci
• ein Genpanel-Sequenzierungsdienst wenn die Orte stabil und gut definiert sind

Gezielte Designs können das Vertrauen auf Locus-Ebene verbessern, aber Sie müssen die Verzerrung durch Ziel-Dichte und das Normalisierungsverhalten, das sich von WGS unterscheidet, berücksichtigen.

C) Hybride Strategie: breit scannen, gezielt bestätigen
Ein häufiges Kohortenmuster ist: Low-Pass-WGS für breite Screening → gezielte/orthogonale Methode zur fokalen Bestätigung. Dies bewahrt den kohortenweiten Kontext und schützt "muss-richtig"-Entscheidungen auf Genebene.

Für die orthogonale Bestätigung der Kopienzahl an bestimmten Loci verwenden Sie orthogonale Kopienzahl-Assays (z. B. MLPA) wenn es für den Standort und die Durchsatzanforderungen angemessen ist.

3.3 Genaues Interpretieren von Genauigkeitsbewertungen (Wiederholungen, GC, Abbildbarkeit)

Wenn Sie Genebeneaufrufe aus einem Design mit niedrigem Signal melden müssen, tun Sie dies mit expliziten Vorbehalten und QC-Gates:

• Segmentale Duplikationen und Paraloge können die Lesetiefe verzerren.
• GC-Extrema: Systematische Abdeckungsartefakte erhöhen lokale falsch-positive Ergebnisse.
• Kartierbarkeit: niedrige Einzigartigkeit verringert die effektive Lesekapazität, die das Locus unterstützt.
• Grenzambiguität: Breakpoints stimmen selten sauber mit Bins/Proben überein.

Eine praktische Berichtgewohnheit besteht darin, Ergebnisse auf Genebene wie folgt zu kennzeichnen:

• "unterstützt" (mehrere benachbarte Behälter/Sonden unterstützen den Shift, niedrige GC-Restwerte, akzeptables Rauschen), oder
• "vorläufig" (wenige Bins, GC/Mappability-Risiko) mit einer empfohlenen Nachfolgemethode.

4. Die richtige Plattform nach Fragetyp wählen

Dieser Abschnitt ist für zwei Zielgruppen konzipiert: Betriebsleiter (Skalierung, Durchsatz) und Pipeline-Eigentümer (QC-Bereitschaft). Siehe Abbildung 3 für einen schnellen "Frage → Methode"-Weg.

4.1 Großkohorten-Screening: Durchsatz priorisieren + breite Ereigniserkennung

Wenn Ihr Ziel die Screening auf Kohortenebene für Chromosomen-/Arm-/große Segmentereignisse ist, priorisieren Sie:

• standardisierte Bibliotheksvorbereitung und Sequenzierungsparameter,
• stabile Normalisierung über Chargen hinweg,
• Liefergegenstände, die sich in großem Maßstab leicht überprüfen lassen.

Für die nachgelagerte Kompatibilität (Assoziationsstudien, Struktur, Stratifikation) koppeln einige Programme CNV-Ausgaben mit Genotypisierungsschichten wie Whole-Genome-SNP-Genotypisierung wo das Studiendesign von SNP-basierten Metriken profitiert.

Für einen plattformübergreifenden Vergleich von Low-Pass-WGS und Mikroarrays zur CNV-Screening siehe diese Anleitung.

4.2 Modell-/Programmauswahlbestätigung (RUO): Entscheiden, ob eine fokale Empfindlichkeit erforderlich ist

Wenn der nächste Schritt von einer genebenen Schlussfolgerung abhängt (zum Beispiel, ob ein Locus in einem nicht-klinischen Forschungsmodell gewonnen oder verloren geht), entscheiden Sie im Voraus, ob Sie Folgendes benötigen:

• hochkonfidente fokale CNV-Calls, oder
• breiter CNA-Kontext + eine explizite Bestätigungsnachricht.

Wenn fokale Empfindlichkeit erforderlich ist, beachten Sie:

• tiefere WGS, oder
• gezielte Anreicherung (z. B. ein Gen-Panelsequenzierungsdienst), plus
• ein orthogonaler Bestätigungsworkflow.

Für einige Programme wird ein praktisches Bestätigungsbündel angestrebt, das gezielte Loci-Sequenzierung sowie die Validierung von Bruchpunkten umfasst durch Sanger-Sequenzierung wenn spezifische Verbindungen bekannt sind oder verstärkt werden können.

4.3 Pipeline-Bereitschaft: Was interne Teams für QC und Kompatibilität benötigen

Für Bioinformatik und Plattformbesitzer bedeutet Bereitschaft Wiederholbarkeit:

• Referenzwahl und Masken: konsistenter Genomaufbau und Mappability-Blacklists
• Normalisierungsstrategie: GC-/Mappierbarkeitskorrektur und batchbewusste Kontrollen
• Segmentierungsparameter: stabile Standardwerte mit dokumentierten Abstimmungsregeln
• Kohorten-QC-Dashboard: Früherkennung von Ausreißern, Drift und Batch-Effekten
• Liefergegenstände Spezifikation: standardisierte Plots, Segmenttabellen, QC-Schwellenwerte

Für Implementierungsdetails – Binning, QC und Erwartungen an die Liefergegenstände in Low-Pass-Pipelines – siehe Dieser Low-Pass-WGS-Bioinformatikartikel.

Abbildung 3. Frage → Methoden Entscheidungsbaum. Wählen Sie zwischen breiter Screening-Option, höherauflösender Nachverfolgung oder orthogonaler Bestätigung, mit QC-Prüfpunkten.

5. QC und Fehlersuche: "Auflösung" im großen Maßstab vertrauenswürdig machen

Auflösungsansprüche sind nur dann sinnvoll, wenn Sie zeigen können, dass die Daten stabil sind. Im Folgenden finden Sie ein praktisches QC-Playbook, das auf RUO-Arbeiten im Kohortenmaßstab ausgerichtet ist.

5.1 Mindest-QC-Signale zur Verfolgung (pro Probe)

Verfolge mindestens diese:

• Abgebildete Leseanzahl (verwendbare Reads nach der Filterung)
• Abdeckungsuniformität / Bin-Vollständigkeit (Anteil der Bins mit ausreichenden Reads)
• GC-Bias-Restbestand (Nachkorrektur-Steigung/Restbestand)
• Rauschmessung (MAD der log2-Verhältnisse, bin-zu-bin-Varianz oder Segmentierungsrest)
• Ausreißer/schwarze Liste Anteil (Anteil maskierter Bins)

Tipp: Definieren Sie eine "QC-Passband" mit den ersten ~50–100 Proben und sperren Sie dann die Schwellenwerte für die Produktion, um sich bewegende Zielvorgaben zu vermeiden.

Modul B: QC-Schwellenwert-Starttabelle (kalibrieren, dann sperren)
Dies sind Ausgangspunkte, die bei Ihren ersten 50–100 Proben kalibriert werden sollten; sperren Sie die Schwellenwerte für die Produktion, sobald sie validiert sind.

(Die Ausgangspunkte sind absichtlich konservativ und sollten je nach Bibliotheksmethode, Abdeckung und Referenz angepasst werden.)

5.2 Fehlersuche Tabelle (Symptom → wahrscheinliche Ursache → Lösung)

5.3 Praktische "Entscheidungsleitplanken" (Daumenregel-Gates)

Da Kohorten unterschiedlich sind, definieren Sie validierte Schwellenwerte. Praktische Leitlinien für RUO-Programme:

• Behandeln Sie Chromosomen-/Arm-Level-Anrufe als primäre Ergebnisse für das Low-Pass-Screening.
• Behandle Sub-Megabase- / Genebasierte Aufrufe als Hypothesen-Qualität, es sei denn, du kannst nachweisen:

• mehrere benachbarte Behälter/Sonden unterstützen den Shift,
• niedrige GC-Rückstände / minimale Wellenartefakte,
• akzeptables genomweites Rauschen (stabile MAD/Varianz),
• Der Locus befindet sich nicht in einem Bereich mit niedriger Mappbarkeit oder hoher Wiederholungsdichte.

Wenn Ihr Programm konsistente Locus-Level-Sicherheit erfordert, integrieren Sie dies in das Design (tiefergehende WGS oder gezielte Anreicherung), anstatt Genauweisungen aus Low-Pass-Daten zu erzwingen.

6. Entscheidungsrahmen: Wann man was verwenden sollte (und wann nicht)

RUO-Grenzenerinnerung (bitte mit diesem Abschnitt aufbewahren):
Alle Empfehlungen hier sind für Forschungsabläufe wie Kohorten-QC, exploratives Screening, Modellcharakterisierung und Methodenentwicklung gedacht. CNV-Ausgaben und QC-Schwellenwerte sollten als analytische Signale interpretiert werden, um nachfolgende Experimente und interne Entscheidungen in RUO-Programmen zu leiten. Sie sind nicht für diagnostische, prognostische oder therapeutische Ansprüche konzipiert oder validiert und sollten nicht verwendet werden, um Ergebnisse abzuleiten oder klinische Maßnahmen zu leiten. Für jede Studie, die hochgradig vertrauenswürdige locus-spezifische Schlussfolgerungen erfordert, planen Sie eine geeignete Bestätigungsstrategie (z. B. Sequenzierung mit höherer Tiefe, gezielte Anreicherung oder orthogonale Copy-Number-Assays) und definieren Sie Akzeptanzkriterien, bevor Sie auf Tausende von Proben skalieren.

Modul A: 1-Minuten-Entscheidungstabelle (Auswahlmethode + Notenberichterstattung)

Verwenden Sie diese Tabelle, um eine Methode auszuwählen und die Erwartungen festzulegen, was Sie als "Segment-Note" vs. "Hypothesen-Note" berichten werden.

Verwenden Sie einen Tiefpass-WGS, wenn:

• Ihr primäres Ziel ist das umfassende CNA-Screening (ganze Chromosomen, Arme, große Segmente).
• Sie benötigen eine hohe Durchsatzrate über Tausende von Proben.
• Sie möchten Daten, die später wiederverwendet werden können (QC, Stratifikation, Sekundäranalysen).
• Akzeptanzkriterien können auf Segment-/Chromosomenauflösung formuliert werden.

Vermeiden Sie es, sich ausschließlich auf niedrigpassierte WGS zu verlassen, wenn:

• Entscheidungen hängen von der Zuverlässigkeit der CNV auf Genebene ab.
• Der Locus befindet sich in Wiederholungen / segmentalen Duplikationen / extremem GC.
• Sie benötigen präzise Breakpoints oder sehr kleine Ereigniserkennungen.
• Kohortenstichprobenarten erzeugen instabile Verzerrungsmuster.

Betrachten Sie eine hybride Strategie, wenn:

• Sie möchten eine umfassende Screening in großem Maßstab, müssen jedoch bei einer Teilmenge richtig liegen.
  Beispiel: Low-Pass-Screen → Bestätigen Sie ausgewählte Loci durch gezielte Sequenzierung oder MLPA (RUO).

Häufig gestellte Fragen

1) Was ist "Genkopienzahl" in praktischen Begriffen?

Die Genkopienanzahl ist die abgeleitete Anzahl von DNA-Kopien, die ein Gen überlappen. Die meisten Pipelines leiten sie aus Segmenten ab, deren Grenzen möglicherweise nicht mit den Gen-Grenzen übereinstimmen – daher ist "Genebene CNV" oft eine Segmentinterpretation, es sei denn, der Test liefert dichte Lokusbeweise.

2) Kann Low-Pass-WGS zuverlässig Genebene-Deletionen/Duplizierungen nachweisen?

Manchmal, aber nicht konsistent über Loci hinweg. Low-Pass ist am stärksten bei breiten Ereignissen. Die Genebene-Erkennung hängt von der Mappbarkeit des Locus, GC, der Bin-Größe und dem Rauschen ab. Wenn Sie sicher sein müssen, planen Sie eine tiefere Abdeckung oder eine gezielte Bestätigung.

Verbessert eine kleinere Bin-Größe immer die Auflösung?

Nein. Kleinere Behälter erhöhen die räumliche Detailgenauigkeit, führen jedoch auch zu mehr Rauschen pro Behälter. Wenn die Abdeckung nicht entsprechend erhöht wird, können kleinere Behälter mehr falsch-positive Ergebnisse und instabile Segmentierungen erzeugen.

4) Warum zeigen einige Loci "wiederkehrende CNVs" über viele nicht verwandte Proben hinweg?

Häufig technische Artefakte: niedrige Mappbarkeit, Wiederholungen oder Referenzbias. Eine kohortenweite Wiederholung in derselben Region ist ein starkes Signal, Masken/Blacklist zu verwenden und diese Region vorsichtig zu behandeln.

5) Welche Ergebnisse sollten wir für die CNV-Arbeiten der Kohorte verlangen?

Mindestens: genomweite Plots, Segmenttabellen, QC-Zusammenfassungen und Masken-/Blacklist-Berichterstattung. Für den Umfang sollten Sie QC-Dashboards für Kohorten und dokumentierte Parameterstandards (Bin-Größe, Segmentierungsregeln, Normalisierungsansatz) anfordern.

6) Wie sollten wir mit "vorläufigen" Genaufrufen auf Genebene in RUO-Pipelines umgehen?

Kennzeichnen Sie sie ausdrücklich als vorläufig und leiten Sie sie zu einem vordefinierten Bestätigungsweg (gezielte Sequenzierung, MLPA oder höherauflösende WGS). Vermeiden Sie es, vorläufige Aufrufe in nachgelagerte Entscheidungen ohne Bestätigung einzubetten.

7) Wie schneiden Mikroarrays hinsichtlich der Gen-Ebene Auflösung ab?

Arrays können in einigen Regionen eine höhere Locusdichte bieten, aber die Platzierung der Sonden ist ungleichmäßig und Wiederholungsregionen bleiben schwierig. Arrays und WGS haben unterschiedliche Verzerrungsprofile; die beste Wahl hängt von Ihrem Fragestellungstyp und der Kohortengröße ab.

8) Was ist der häufigste Grund, warum CNV-Ergebnisse zwischen Chargen variieren?

Batch-Effekte: Veränderungen in der Bibliotheksvorbereitung, Sequenzierungsdurchläufen oder Probenhandhabung, die die Muster der Abdeckungsbias verändern. Die Lösung besteht aus rigoroser Batch-QC, konsistenten Protokollen und batch-bewusster Normalisierung.

Referenzen

1. Klambauer G, Schwarzbauer K, Mayr A, et al. cn.MOPS: Mischung von Poissonverteilungen zur Entdeckung von Kopienzahlvariationen in Next-Generation-Sequencing-Daten mit einer niedrigen Falsch-Entdeckungsrate. Nucleic Acids Research (2012). DOI: 10.1093/nar/gks003
2. Talevich E, Shain AH, Botton T, Bastian BC. CNVkit: Genomweite Erkennung und Visualisierung von Kopienzahlen aus gezielter DNA-Sequenzierung. PLOS Computational Biology (2016). DOI: 10.1371/journal.pcbi.1004873
3. Boeva V, Popova T, Bleakley K, et al. Control-FREEC: ein Werkzeug zur Bewertung von Kopienzahl und allelischem Inhalt unter Verwendung von Daten der Next-Generation-Sequenzierung. Bioinformatik (2012). DOI: 10.1093/bioinformatics/btr670
4. Smolander J, Khan S, Singaravelu K, et al. Bewertung von Werkzeugen zur Identifizierung großer Kopienzahlvariationen aus ultraniedrigabdeckenden Whole-Genome-Sequenzierungsdaten. BMC Genomics (2021). DOI: 10.1186/s12864-021-07686-z
5. Chaubey A, Shenoy S, Mathur A, et al. Low-Pass-Genomsequenzierung: Validierung und Nutzen aus 409 Fällen… Das Journal of Molecular Diagnostics (2020). DOI: 10.1016/j.jmoldx.2020.03.008