还在为单细胞/空间转录组中区分肿瘤恶性细胞和正常细胞发愁一个R脚本帮你搞定inferCNV全流程从RDS到CNV热图一步到位 1. 简介在单细胞和空间转录组分析中有一个经典难题怎么判断某个细胞簇到底是恶性细胞还是正常的反应性细胞比如你拿到了一个空转或单细胞转录组样本聚类分群后发现某个细胞群表达marker不明确看起来既像肿瘤又像正常——这时候怎么办答案是看拷贝数变异CNV。恶性肿瘤细胞通常伴随着大规模的染色体拷贝数改变而正常细胞如免疫细胞、基质细胞的基因组相对稳定。inferCNV就是利用这个原理通过分析基因表达值在染色体上的滑动平均来推断细胞的CNV状态。不过inferCNV的原生流程配置参数较多不同样本还需要不同的处理方式。今天我们介绍一个一键化脚本——individual_infercnv.V2.r专门针对单样本的恶性细胞鉴定场景。核心优势✅一键运行— 输入RDS文件设置好参数自动跑完全程✅智能参数— 经过优化的inferCNV参数结果清晰可靠✅灵活对照— 支持单个或多个阴性对照细胞类型✅高质量出图— 自动生成最终CNV热图PDF 2. 环境配置首先需要安装必要的R包# 安装必要依赖包if(!requireNamespace(BiocManager,quietlyTRUE))install.packages(BiocManager)# inferCNV主包BiocManager::install(infercnv)# Seurat和可视化install.packages(c(Seurat,gplots,ggplot2))# 其他依赖install.packages(c(rjags,getopt,tidyverse))BiocManager::install(qvalue)# 基因注释包install.packages(AnnoProbe) 3. 数据准备输入数据格式脚本需要一个Seurat RDS对象其中需要包含assay含有RNAassay一个metadata列用于标注细胞类型或聚类结果如seurat_clusters、RNA_snn_res.0.5celltype等阴性对照组在标注列中需要有至少一个已知为正常细胞的类别如 B_cell、T_cell、Fibroblast 等脚本下载链接: https://pan.baidu.com/s/1pLR1xDuh7tHwK7Ji2JpmWA?pwdn1ci 提取码: n1ci运行示例单阴性对照nohupRscript individual_infercnv.V2.r\--rds/path/to/your/rds_file.rds\--prefixFib\--reference_nameB_cell\--annoRNA_snn_res.0.5\--outdir./fib_b多阴性对照用逗号分隔nohupRscript individual_infercnv.V2.r\--rds/path/to/your/rds_file.rds\--prefixFib\--reference_nameB_cell,T_cell\--annoRNA_snn_res.0.5\--outdir./fib_b参数说明参数含义必填--rds输入的Seurat RDS文件路径✅--prefix输出文件前缀名✅--reference_name阴性对照的细胞类型名称多个用逗号分隔✅--annometadata中用于分组的列名✅--outdir输出目录✅ 4. 结果说明输出文件结构运行完成后输出目录中会生成以下关键文件文件说明*_expFile.txt处理后的表达矩阵*_geneFile.txt基因染色体位置信息*_groupFiles.txt细胞分组信息*_CNV_result/inferCNV各步骤结果目录*_final_CNV.pdf最终高质量CNV热图如何解读结果在CNV热图中红色区域→ 基因表达高于基线提示染色体扩增蓝色区域→ 基因表达低于基线提示染色体缺失⚪白色区域→ 表达接近基线基因组相对正常如果某个细胞群在多个染色体上出现大片的红蓝交替模式基本可以判断为恶性细胞。而对照组如B_cell区域则整体呈现均匀的白色/浅色说明基因组稳定。在生成的结果中可着重关注以下几个文件infercnv.22_denoised.png : ✅ 最推荐的最终结果——HMM去噪后的热图噪音最少infercnv.png : 次选未去噪的完整热图细节多但噪音也多infercnv.preliminary.png : 初步结果一般做质控对比用run.final.infercnv_obj : R对象可用 infercnv::plot_cnv() 重新绘图或提取CNV区域