SCONCE: a method for profiling copy number alterations in cancer evolution using single-cell whole genome sequencing.
SCONCE: a method for profiling copy number alterations in cancer evolution using single-cell whole genome sequencing.
复制标题
SCONCE：一种使用单细胞全基因组测序分析癌症演变中拷贝数变化的方法。
DOI：
10.1093/bioinformatics/btac041
复制
发表时间：
2022-03-28
期刊：
影响因子：
--
通讯作者：
Nielsen R
中科院分区：
文献类型：
--
作者：
Hui S;Nielsen R
拷贝数改变(CNA)是肿瘤生长和发展的重要驱动因素，但在单细胞水平上仍缺乏特征性。虽然癌细胞的基因组进化在进化过程中是马尔可夫的，但CNA在基因组上不是马尔可夫的。然而，现有的方法使用隐马尔可夫模型调用拷贝数分布，或者基于观察到的读取深度的变化来检测变化点，并通过基因组内容进行校正，并且不能考虑随机进化过程。我们提出了一个理论框架，利用肿瘤进化史，以原则性的方式准确地称为CNA。为了模拟肿瘤的进化过程并解释低覆盖率的单细胞全基因组测序数据中的技术噪声，我们开发了一种基于隐马尔可夫模型的SCOCE方法，以匹配的正常细胞作为阴性对照来分析肿瘤细胞的读取深度数据。使用公共数据集和模拟的组合，我们展示了SCONCE准确地解码拷贝数分布，并为理解肿瘤的进化提供了有用的工具。Sconce是用C++11实现的，可以从https://github.com/NielsenBerkeleyLab/sconce.免费获得补充数据可在生物信息学在线上获得。
Copy number alterations (CNAs) are a significant driver in cancer growth and development, but remain poorly characterized on the single cell level. Although genome evolution in cancer cells is Markovian through evolutionary time, CNAs are not Markovian along the genome. However, existing methods call copy number profiles with Hidden Markov Models or change point detection algorithms based on changes in observed read depth, corrected by genome content and do not account for the stochastic evolutionary process. We present a theoretical framework to use tumor evolutionary history to accurately call CNAs in a principled manner. To model the tumor evolutionary process and account for technical noise from low coverage single-cell whole genome sequencing data, we developed SCONCE, a method based on a Hidden Markov Model to analyze read depth data from tumor cells using matched normal cells as negative controls. Using a combination of public data sets and simulations, we show SCONCE accurately decodes copy number profiles, and provides a useful tool for understanding tumor evolution. SCONCE is implemented in C++11 and is freely available from https://github.com/NielsenBerkeleyLab/sconce. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
4.4
作者：
Smolander J;Khan S;Singaravelu K;Kauko L;Lund RJ;Laiho A;Elo LL
通讯作者：
Elo LL
DOI：
10.1093/bioinformatics/btq033
发表时间：
2010-03-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Quinlan AR;Hall IM
通讯作者：
Hall IM
影响因子：
64.8
作者：
通讯作者：
--
影响因子：
64.8
作者：
Navin N;Kendall J;Troge J;Andrews P;Rodgers L;McIndoo J;Cook K;Stepansky A;Levy D;Esposito D;Muthuswamy L;Krasnitz A;McCombie WR;Hicks J;Wigler M
通讯作者：
Wigler M
影响因子：
3.7
作者：
Derrien T;Estellé J;Marco Sola S;Knowles DG;Raineri E;Guigó R;Ribeca P
通讯作者：
Ribeca P