CNV相关术语整理

经常有人会问某软件为什么检不出来某变异（某种CNV），笔者发现是因为他们不清楚变异名称和CNV大小的关系，认为某款软件（其实是算法导致）适用于检测所有的类型的CNV，因而混为一谈。所以笔者花了点时间整理了一下各种定义及其对应的CNV大小，在此记录一下。

因为个人知识有限，此文肯定存在某种程度的错误，欢迎评论批评指正。

1-    染色体异常（chromosome abnormality）：

减数分裂或有丝分裂过程中染色体的数目异常或者结构异常。

数目异常（numerical disorders）也叫非整倍体（aneuploidy），包括单体和具有一对以上染色体（如三体）。

结构异常（structural abnormalities）通常有：插入、缺失、重复、易位和倒位等形式。其中插入、缺失和重复属于不平衡结构变异，易位和倒位属于平衡结构变异。

2-    染色体缺失/重复综合征(chromosomal deletion/duplication syndromes)：

     指通过核型分析检测到的较大（大于5Mb）的染色体结构异常，由此导致的综合征。

     常规染色体核型分析分辨率为5-10Mb，可以检测染色体数目和结构异常。难以检出5Mb以下的缺失重复。

3-    染色体微缺/微重综合征（microdeletion/duplication syndromes）：

     

     通过荧光探针检测到的（1-3Mb）的染色体结构异常，由此导致的综合征。

*核型分析和荧光探针定位都是CMA和NGS快速发展之前、用来进行致病基因定位的方法，染色体缺失/重复、染色体微缺/微重等术语由此而来。有许多已知综合征均由于这两种类型的结构变异导致。

4-    染色体微阵列分析（Chromosomal microarray analysis, CMA)

     包括基于微阵列的比较基因组杂交(array comparative genomic hybridization , aCGH) 和单核苷酸多态性微阵技术(single nucleotide polymorphism array，SNP array) 

     可以检测染色体水平的缺失和重复，但是无法检测易位和倒位。如果检测Trio样本，SNP芯片能够利用纯合子区域检测单亲二倍体（uniparental disomy , UPD）和杂合缺失（Loss of heterozygosity，LOH）。其中SNP array技术可以在1天完成，并且最佳能够检测100kb以上的CNV，对于50kb以下的CNV检测不好。

类型	分辨率
BAC clone (~150 kb)	1Mb
Oligonucleotide (45-85 bp) arrays	可以定制，全基因组CNV阵列可以到5~6kb一条探针
Oligonucleotide SNP arrays	可以定制，普遍2-6 kb一条探针*

     *关于芯片详细介绍可以看参考资料[1]。

5-   拷贝数变异（copy number variation）：

     指大于1Kb的染色体不平衡结构变异（插入、缺失、重复）。人群频率大于1%的拷贝数变异可以成为拷贝数多态（CNP）。为了简单起见，学界常用CNV指代染色体上的一切剂量变异（包括上述的染色体缺失/重复和微缺/微重）。另外，注意这里的变异指结构变异，一般不把SNP和InDel级别的插入缺失称为CNV）。

     CNV的检测有许多方法，其中二代测序比起其他方法的优势（有前提）：

     1）通过测序范围的扩大（比如WGS，或者设计更多的探针）和提高测序深度，可以使CNV的检出范围更加精确，检测更小的CNV(灵敏度更高)；

     2）通过提高测序深度，检测杂合缺失和加倍（比如异质性肿瘤的拷贝数扩增）比传统方法更加灵敏；

     3）比起其他方法自由度高（其他方法往往需要定制探针），样本如果多，成本也相对较低。而且同时还可以检测单核苷酸改变。

     劣势在于：
     1） CNV的检测非常依赖探针设计和流程稳定性。
     2） CNV检测主要通过比较测序深度差异，数据噪声较大，需要用对照样本来降低噪声。
     3） 目前尚没有认可度非常高的CNV检测流程。不同流程检出结果差别可能会很大。

    *TCGA曾经做过室间质评（参考资料[5]），使用TCGA混的WGS数据，基本没有公司的检测流程是一模一样的，结果也是差别巨大。

    *所以所谓 “软件A检的出的结果软件B也要检出”这个要求，在范围较大的CNV可能能够实现（比如1Mb以上CNV，这里没有测量过大小的极限，仅做举例供参考），更小的CNV水平上是无法实现的。（原话其实是“别家公司检出的结果自己也要检出”，就更难保证一定能100%实现了，因为还涉及检测流程——包括捕获方法、流程试剂和对照样本的差异。）

     4） 由于检测灵敏度高于其他方法，检出的CNV往往也比其他方法检出的多，目前二代测序的CNV结果有很多还没有得到较好的生物学功能上的解释，意义未明，数据库上明确关联疾病的CNV，大多都是片段较大的、用其他的方法检出的结果。

     *二代测序CNV的研究、特别是群体水平的研究发展较晚，还需要积累更多的数据。得益于近几年测序成本不断下降，相信这项工作会在短时间内有较大的突破。

     *注意区分假阳性和意义未明：

     1）CNV假阳性往往是由于CNV噪声导致的，噪声是永远无法完全消除的，只能尽可能地减小。（噪声来源于系统误差和随机误差，只能尽可能避免系统误差，无法避免随机误差。另外目标捕获测序本身即存在一定的系统误差，只要采用该方法就无法完全避免。）

    2）并不是所有的意义未明的CNV都是假阳性。文献里说的假阳性都是有条件的。而且近几年越来越多的研究发现正常人基因组里有很多1-100kb的CNV，受限于目前研究的不足和技术局限性，从二代测序技术层面无法完全区别假阳性和这些意义未明的CNV，需要通过其他更加灵敏的手段才能区分，但是这种手段也往往代价较大，因此不是所有的研究里所有的CNV都能得到验证。研究里往往只解释和他们研究结果相关的CNV（比如疾病研究，只解释检出的疾病相关的CNV，其实同时还检出其他CNV，并不做过多解释，包括CMA这种方法也是同样的。不要误解为他们没有检出其他CNV。）

     6-   外显子缺失/重复：

     指基因的单个或者多个外显子缺失。外显子缺失/重复的断点一般发生在内含子上。

     *目标捕获测序或者MLPA等方法均通过测定外显子的拷贝数来检测外显子缺失/重复。虽然外显子大多短于1kb，但是实际上外显子缺失/重复的CNV大小在1kb~100kb（参考材料[6]）之间。

                                                 图：人类基因长度分布

参考资料：

[1] https://www.ncbi.nlm.nih.gov/dbvar/content/overview/   

[2] https://www.nature.com/articles/nrg1767  

[3] https://www.merckmanuals.com/professional/pediatrics/chromosome-and-gene-anomalies/overview-of-chromosomal-anomalies

[4] https://www.merckmanuals.com/professional/pediatrics/chromosome-and-gene-anomalies/microdeletion-and-microduplication-syndromes

[5] https://www.nature.com/articles/ncomms10001

[6] https://biology.stackexchange.com/questions/48110/how-is-the-size-of-a-gene-defined 

[7] https://www.researchgate.net/publication/7498905_An_analysis_on_gene_architecture_in_human_and_mouse_genomes