从单细胞测序数据中推断CNV，五种热门工具大比拼

众所周知，遗传异质性在多种癌症类型中广泛存在，包括肿瘤间和肿瘤内的异质性。拷贝数变异（CNV）在癌症的发生和发展中起着关键作用，但以单细胞分辨率检测它们仍具有挑战性。

近日，美国洛马林达大学、国立卫生研究院等机构的研究人员系统评估了五种广泛使用的工具，它们可从单细胞RNA测序数据中推断CNV。分析结果显示，不同方法在性能上存在显著差异，具体取决于数据类型和实验设计。

值得注意的是，CaSpER和CopyKAT在CNV推断方面表现最佳，而inferCNV和CopyKAT在鉴定肿瘤亚群方面表现出色。这项研究成果发表在《Precision Clinical Medicine》杂志上，为研究人员解码癌症异质性提供了指南。

癌症并非单一疾病，而是一个由遗传特征各异的细胞组成的动态生态系统，每个细胞都在选择压力下进化。推动这种多样性的关键机制之一是拷贝数变异，也就是DNA大片段的重复或缺失，进而改变基因的剂量和功能。

虽然批量细胞测序可以检测到CNV，但它掩盖了重要的单细胞差异。随着单细胞RNA测序（scRNA-seq）技术的兴起，人们现在有机会通过转录组信号来推断CNV。然而，这并不是一项简单的任务。

不同的推断方法在灵敏度、特异性和稳定性方面差异很大，而且缺乏系统性评估，让研究人员难以判断哪种工具更可靠。考虑到这些局限性，目前需要严格的基准测试研究来指导人们进行准确的CNV检测。

在这项研究中，研究团队在不同的scRNA-seq平台和肿瘤模型上测试了五种流行的CNV推断方法——HoneyBADGER、inferCNV、sciCNV、CaSpER和CopyKAT。他们的目标是：确定哪些工具能够在真实的研究环境中提供最准确、最可靠的CNV信息。

研究人员将这些方法应用于多个数据集，这些数据集来自不同的scRNA-seq平台、配对肿瘤-正常细胞系、肺癌细胞混合物以及临床样本。他们采用灵敏度、特异性和准确性等指标对其进行性能评估。

结果显示，CaSpER和CopyKAT在CNV推断方面表现最为均衡，但其实际效果会因测序深度和平台类型而异。相比之下，在分析单一平台的数据时，inferCNV、sciCNV和CopyKAT在鉴定细胞亚群方面表现出色。

研究团队还测试了每种方法检测罕见肿瘤亚群的能力。InferCNV表现出较高的灵敏度，尤其是在测序细胞数量充足的情况下，而sciCNV和HoneyBADGER在这方面表现不佳。

在整合多个平台的数据集时，批次效应会严重影响大多数方法的性能，除非使用ComBat等工具进行校正。基于等位基因的HoneyBADGER版本尽管总体上灵敏度较低，但它对这种与批次相关的失真具有更强的抗干扰能力。

最后，研究人员利用小细胞肺癌临床样本的数据进行验证。结果显示，CaSpER和CopyKAT产生了最准确的CNV检出结果，而inferCNV和CopyKAT在鉴定复发亚克隆上表现突出。

共同通讯作者、洛马林达大学的Charles Wang教授表示：“在单细胞水平上了解癌症对于应对肿瘤进化和治疗耐药性至关重要。我们的基准测试工作为该领域提供了清晰的参考点——不仅突出了哪些工具性能最佳，还明确了在何种条件下有效。”

这项研究为选择CNV推断工具提供了实用指南，可帮助人们选择适用于特定测序平台和研究目标的工具。随着单细胞基因组学从实验室走向临床，准确分析CNV等遗传变异的能力对于疾病诊断、生物标志物发现和追踪治疗应答至关重要。