TCGA CNV全攻略

TCGA里面主要是通过Affymetrix SNP6.0 array这款芯片来测拷贝数变异!

1、 明白什么是CNV

对正常人来说,基因组应该是二倍体的,所以凡是测到非2倍体的地方都是CNV。但是CNV本身就是人群遗传物质多样性的体现,所以对癌症样本来说,是需要过滤掉正常人体内的germline的CNV,得到somatic的CNV。

CNV(copy-numbervariant)是指拷贝数目变异,也称拷贝数目多态性(copy-number polymorphism,CNP),是一个大小介于1kb至3MB的DNA片段的变异,在人类及动植物基因组中广泛分布,其覆盖的核苷酸总数大大超过单核苷酸多态性(SNP)的总数,极大地丰富了基因组遗传变异的多样性。按照CNV是否致病可分为致病性CNV、非致病性CNV和不明临床意义CNV。

2、TCGA的CNV测量及计算

 TCGA里面主要是通过Affymetrix SNP6.0 array这款芯片来测拷贝数变异值得注意的是,并不是只有TCGA利用了SNP6.这个芯片数据,著名的CCLE计划也对一千多细胞系处理了SNP6.0芯片,数据也是可以下载的。

对SNP6.0的拷贝数芯片来说,通常是用PICNIC等软件处理原始数据,就可以得到的segment记录文件,每个样本一个结果,下面是示例结果:


ChromosomeStartEndNum_ProbesSegment_Mean
1617351510801226-0.0397
11627918167260317-0.92
116875871615349781760.0077
116153536161539255-2.7441
116154201161550104-0.8711
11616566172768498346300.0048
1727689167281114846-1.7394
17281190495674710149010.0026
195676511956765182-1.6636


表明了某条染色体的某个区域内,SNP6.0芯片设计了多少个探针,芯片结果的拷贝数值是多少(这个区域的拷贝数用Segment_Mean)。

通常二倍体的Segment_Mean值为0,可以用-0.2和0.2来作为该区域是否缺失或者扩增。

具体数据处理流程见NIH的TCGA官网:

https://docs.gdc.cancer.gov/Data/Bioinformatics_Pipelines/CNV_Pipeline/ 

参考文献:http://mcr.aacrjournals.org/content/12/4/485.long 

3、 TCGA的CNV数据下载

众所周知,TCGA的数据的开放程度分成了4个等级,一般人都是下载level 3 的数据,对CNV数据也是如此。

我比较喜欢去broad institute下载TCGA的数据,所有的文件都以目录的形式存放着:

https://gdac.broadinstitute.org/runs/stddata__latest/

https://gdac.broadinstitute.org/runs/analyses__latest/ 

如果要下载level3的数据,就用``stddata__latest`` 这个url即可,打开可以看到里面列出了所有的癌症种类,假如我们感兴趣的是BRCA,就直接点击进入,用下面的url即可。

https://gdac.broadinstitute.org/runs/analyses__latest/data/BRCA/20160128/ 

打开url可以看到非常多的文件,这里我们感兴趣的是snp6芯片的拷贝数结果,而且一般是基于hg19版本的。

wget -c -r -np -nH -k -L --cut-dirs 6 -p  -A "*snp_6*hg19*Level_3*"  http://gdac.broadinstitute.org/runs/stddata__2016_01_28/data/BRCA/20160128/

如果要下载其它癌症种类,只需要改变url里面的BRCA即可。

如果要下载其它类型的数据,只需要改变-A 后面的匹配规则即可,其实就是打开上面url看到的几十个文件的文件名的规律。

"*snp_6*hg19*Level_3*" 

几分钟就下载完数据啦,然后你就会看到下面两个截然不同的:

Merge_snp__genome_wide_snp_6__broad_mit_edu__Level_3__segmented_scna_hg19__seg 
Merge_snp__genome_wide_snp_6__broad_mit_edu__Level_3__segmented_scna_minus_germline_cnv_hg19__seg

其中minus了germline的CNV的就是我们想要的癌症相关的somatic CNV咯!

4、拿到CNV做什么?

首先两个segment文本文件已经可以直接载入IGV查看所有BRCA样本的CNV情况啦,如下所示:

attachments-2017-06-X4xuBkvD5943a8e8b606

5、 CNV深度分析


    1)注释基因

前面我们下载的CNV都是基于基因组区域的,比如1号染色体的61735起始坐标到1510801终止坐标。在IGV里面倒是可以看出一些pattern,但是人们感兴趣的往往是这些位置上面到底有哪些基因。接下来就可以对基因进行各种下游分析。

既然是对基因组片段做基因注释,那么首先就需要拿到基因的坐标信息咯,我是在gencode数据库里面下载,然后解析成下面的bed格式的,如下:

head ~/reference/gtf/gencode/protein_coding.hg19.position 
chr16909170008OR4F5
chr1367640368634OR4F29
chr1621096622034OR4F16
chr1859308879961SAMD11
chr1879584894689NOC2L
chr1895967901095KLHL17
chr1901877911245PLEKHN1
chr1910584917473PERM1
chr1934342935552HES4
chr1936518949921ISG15

然后要把我们下载的CNV文本文件,转为bed格式的,就是把列的顺序调换一下:

head Features.bed  
chr1321861095674710TCGA-3C-AAAU-10A-01D-A41E-01532250.0055
chr19567651195676518TCGA-3C-AAAU-10A-01D-A41E-012-1.6636
chr195680124167057183TCGA-3C-AAAU-10A-01D-A41E-01248860.0053
chr1167057495167059336TCGA-3C-AAAU-10A-01D-A41E-013-1.0999
chr1167059760181602002TCGA-3C-AAAU-10A-01D-A41E-019213-8e-04
chr1181603120181609567TCGA-3C-AAAU-10A-01D-A41E-016-1.2009
chr1181610685201473647TCGA-3C-AAAU-10A-01D-A41E-01120020.0055
chr1201474400201474544TCGA-3C-AAAU-10A-01D-A41E-012-1.4235
chr1201475220247813706TCGA-3C-AAAU-10A-01D-A41E-0129781-4e-04

避免重复造轮子,我就用bedtools解决这个需求吧,命令很简单,如下:

bedtools intersect -a Features.bed  -b  ~/reference/gtf/gencode/protein_coding.hg19.position  -wa -wb  \
 bedtools groupby -i - -g 1-4 -c 10 -o collapse

注释结果,我挑了几个可以看的给大家,可以看到,每个CNV片段都注释到了对应的基因,有些特别大的片段,会被注释到非常多的基因。

chr84258492442783715TCGA-5T-A9QA-01A-11D-A41E-01CHRNB3,CHRNA6,THAP1,RNF170,HOOK3
chr84278972842793594TCGA-5T-A9QA-01A-11D-A41E-01HOOK3
chr84279795742933372TCGA-5T-A9QA-01A-11D-A41E-01RP11-598P20.5,FNTA,HOOK3
chr87095267370964372TCGA-5T-A9QA-01A-11D-A41E-01PRDM14
chr104294797043833200TCGA-5T-A9QA-01A-11D-A41E-01BMS1,RET,RASGEF1A,ZNF33B,CSGALNACT2
chr10106384615106473355TCGA-5T-A9QA-01A-11D-A41E-01SORCS3
chr10106478366107298256TCGA-5T-A9QA-01A-11D-A41E-01SORCS3
chr10117457285117457859TCGA-5T-A9QA-01A-11D-A41E-01ATRNL1
chr116899017369277078TCGA-5T-A9QA-01A-11D-A41E-01MYEOV
chr117637870876926535TCGA-5T-A9QA-01A-11D-A41E-01LRRC32,B3GNT6,OMP,TSKU,MYO7A,ACER3,CAPN5

    2) 找somatic CNVs

attachments-2017-06-PMUsY7mm5943a8ddd26d

仔细看上面IGV的pattern你会发现某些染色体的某些片段经常会扩增或者缺失,这个现象就是人们想研究是recurrent CNV regions,当然不会用肉眼看咯,这时候需要用GISTIC这个软件。

找到了recurrent CNV regions同样是需要进行基因注释,才能进行下游分析咯。

PICNIC软件用法:http://www.bio-info-trainee.com/1299.html

GISTIC软件用法:http://www.bio-info-trainee.com/1648.html

TCGA : http://www.biotrainee.com/thread-1696-1-1.html

  • 发表于 2017-06-16 17:28
  • 阅读 ( 16949 )
  • 分类:基因组学

3 条评论

请先 登录 后评论
不写代码的码农
生信菜鸟团

博士在读

13 篇文章

作家榜 »

  1. 祝让飞 118 文章
  2. 柚子 91 文章
  3. 刘永鑫 64 文章
  4. admin 57 文章
  5. 生信分析流 55 文章
  6. SXR 44 文章
  7. 张海伦 31 文章
  8. 爽儿 25 文章