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：

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

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