从体细胞拷贝数谱中实现一致的整合与特征提取

《GigaScience》：CNSistent integration and feature extraction from somatic copy number profiles

为解决体细胞拷贝数变异（SCNA）谱在跨样本、患者及队列整合中缺乏专用工具的问题，研究人员开发了Python工具包CNSistent，支持SCNA数据插补、过滤、一致性分割、特征提取及可视化。该工具在TCGA、PCAWG和TRACERx等公开队列中验证了其有效性，显著提升了多癌种分类任务性能，并成功识别肺癌亚型关键变异区域如SOX2扩增。CNSistent为大规模SCNA数据整合与下游分析提供了高效、灵活的解决方案。

　　

癌症基因组学研究日益揭示体细胞拷贝数变异（Somatic Copy Number Alterations, SCNAs）在肿瘤发生、发展和治疗响应中的关键作用。SCNAs表现为DNA片段的扩增或缺失，可驱动癌基因激活、抑癌基因失活以及基因表达调控紊乱，因此成为癌症分型、预后评估和进化研究的重要生物标志物。随着大规模癌症基因组计划的推进（如TCGA、PCAWG和TRACERx），海量SCNA数据被公开，但如何高效、标准化地整合这些异构数据，并从中提取具有生物学意义的特征，仍是当前研究的瓶颈问题。由于不同研究采用的技术平台（如WES、WGS、SNP阵列）、分段算法和过滤标准存在差异，直接比较或整合多源SCNA数据极具挑战。现有工具多侧重于原始数据调用或可视化，缺乏专门针对整合分析的功能模块，严重限制了SCNA数据在跨队列研究中的广泛应用。

为解决上述问题，Adam Streck和Roland F. Schwarz团队开发了CNSistent——一个专为SCNA数据整合与特征提取设计的Python工具包，并于《GigaScience》发表了其开发流程、功能验证及应用案例。该工具支持从原始片段表到标准化特征矩阵的全流程处理，包括数据插补、质量过滤、一致性分段、统计特征计算和机器学习集成分析。研究利用TCGA、PCAWG和TRACERx三大公开队列的14,174个SCNA样本进行验证，系统评估了不同分段策略对分类模型性能的影响，并成功应用于肺癌亚型关键变异区域的识别。

研究采用多项关键技术方法：基于参考基因组（hg19/hg38）的缺失值插补（包括延伸、二倍体和零值填充三种策略）、基于UCSCgap区域和低映射度区域的过滤、贪心算法合并断点以构建一致性分段、特征提取（如CN-coverage、GnD、LoH、AI及断点计数）以及基于标准化曼哈顿距离（NMD）的异常样本检测。队列数据来源于ICGC数据门户（PCAWG）、ASCATv3仓库（TCGA）和Zenodo（TRACERx），涵盖SNP阵列、WES和WGS多种技术平台。

一致性分段与特征提取

通过比较不同分段策略（固定大小分段、染色体臂、基因集和断点合并），研究发现对于多癌种分类任务，分段分辨率与模型性能高度相关。卷积神经网络（CNN+）在1Mb分段时达到最高验证精度（90.60%），而随机森林（RF）在约200个分段时即出现过拟合。基因级分段（使用COSMIC或Ensembl基因集）表现与相同特征数量的分段策略相当，验证了特征数量而非分段策略本身主导模型性能。

跨队列数据整合与分类验证

研究将三个队列的SCNA数据整合后训练分类模型，在6癌种分类任务中最高测试精度达92.42%（CNN+，1Mb分段），优于既往研究（Attique et al., 92%）。特别地，在非小细胞肺癌（NSCLC）亚型分类（LUAD vs. LUSC）中，跨队列训练模型（如用TRACERx训练后预测PCAWG样本）精度可达91.46%，甚至高于部分同队列验证结果，证明了CNSistent整合数据的泛化能力。

异常样本与关键区域识别

通过峰值评分（PS）和NMD异常检测，研究在LUAD/LUSC样本中识别出chr3q区域（包含SOX2基因）在LUSC中显著扩增，而在LUAD中多为中性。曼-惠特尼U检验显示SOX2是区分两者的最显著基因（p<0.001）。同时，检测到3例LUAD样本呈现LUSC-like的SOX2扩增模式，以及54例LUSC样本表现LUAD-like中性模式，提示可能存在误标记或肿瘤共发现象。

CNSistent为跨队列SCNA数据整合提供了标准化、灵活且高效的解决方案，显著提升了下游分析（如癌症分类、进化重建和标志物发现）的可靠性和可重复性。其模块化设计支持用户定制分析流程，而并行计算能力确保了大规模数据处理的可行性。研究不仅验证了工具在多项任务中的优越性能，还通过应用案例揭示了SCNA在癌症分型中的生物学意义，如SOX2扩增作为肺鳞状细胞癌的驱动事件。未来工作可进一步拓展至单细胞SCNA分析、多组学整合及临床预后建模等领域。CNSistent的开源发布（RRID:SCR_027025）将促进癌症基因组学研究的协作与创新。