JP2018523198A - コピー数多型検出のための方法及びシステム - Google Patents

Abstract

コピー数多型を決定するための方法及びシステムが開示される。例示的な方法は、サンプル分類技術を適用して基準被覆率データを選択することと、複数のゲノム領域を含むサンプル被覆率データを正規化することと、選択された基準被覆率データに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることと、を含むことができる。例示的な方法は、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型（ＣＮＶ）を同定することを含むことができる。例示的な方法は、１つ又は２つ以上のコピー数多型を出力することを含むことができる。

Description

本発明はコピー数多型検出のための方法及びシステムに関する。

ゲノム配列決定は、メンデル遺伝病の遺伝的根拠を発見するのに有効な手段である。ゲノム配列の解析は、コピー数多型（ＣＮＶ）の存在（例えば、個体の遺伝子型における特定遺伝子のコピー数）を明らかにしてきた。ＣＮＶは、ヒトの疾患及び／又は薬物反応において重要な役割を持つことがある。

しかしながら、ゲノム配列データ（例えば、エクソーム配列データ）からＣＮＶをコールすることは、やりがいはあるが難しい課題である。現在の解決法は、ＣＮＶをヒト配列決定の読み深度から検出するが、数万又は数十万程度のエクソームの大集団研究には適していない。それらの制限には、中でも特に、自動化された多型コーリングパイプラインに統合するのが難しいこと、及び一般的な多型を検出するのに適していないことが挙げられる。本開示では、これらの欠点及び他の欠点に対処する。

以下の一般的な説明及び以下の詳細な説明はどちらも具体例であって、例示だけを目的としており、本発明の範囲を限定するものではないことを理解されたい。コピー数多型を決定するための方法及びシステムが開示される。例示的な方法は、サンプル分類技術を適用して基準被覆率データを選択することと、複数のゲノム領域を含むサンプル被覆率データを正規化することと、選択された基準被覆率データに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることと、を含むことができる。例示的な方法は、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型（ＣＮＶ）を同定することを含むことができる。例示的な方法は、１つ又は２つ以上のコピー数多型を出力することを含むことができる。

一態様では、別の例示的な方法は、複数のゲノム領域を含むサンプル被覆率データを提供することと、基準被覆率データの表示を受信することと、を含むことができる。基準被覆率データは、サンプル分類技術に基づいて選択され得る。方法は、サンプル被覆率データに適用する１つ又は２つ以上のフィルタを選択してサンプル被覆率データを正規化することと、基準被覆率データに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることを要求することと、を含むことができる。方法は、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型を同定することを要求することを含むことができる。方法は、１つ又は２つ以上のコピー数多型の表示を受信することを更に含むことができる。

一態様では、別の例示的な方法は、複数のゲノム領域を含むサンプル被覆率データを受信することと、サンプル被覆率データに関する１つ又は２つ以上の評価指標を取得することと、サンプル被覆率データ及び基準被覆率データにサンプル分類技術を適用して基準被覆率データのサブセットを選択することと、複数のゲノム領域を含むサンプル被覆率データを正規化することと、基準被覆率データのサブセットに基づいて、正規化されたサンプル被覆率データに混合分布モデルを当てはめることと、を含むことができる。方法は、正
規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型を同定することを含むことができる。方法は、１つ又は２つ以上のコピー数多型を出力することを含むことができる。

更なる利点は、以下の説明に部分的に記載されるか、又は実施により理解され得る。利点は、添付の「特許請求の範囲」で特に指摘される要素及び組み合わせを用いて実現され達成される。

添付の図面は、本明細書に組み入れられ、その一部を構成するものであり、実施形態を説明と共に例示し、方法及びシステムの原理を説明する。

例示のＣＮＶコーリングパイプラインを示しているフローチャート。 コピー数多型を決定するための例示的な方法を示しているフローチャート。 ＧＣ含量と被覆率との関係を示しているグラフ。 様々なエクソンの正規化された被覆率を示しているグラフ。 コピー数多型を評価するための別の例示的な方法を示しているフローチャート。 コピー数多型を評価するための更に別の例示的な方法を示しているフローチャート。 開示の方法を実行するための例示的な動作環境を示しているブロック図。 ＣＬＡＭＭＳ及び他のアルゴリズムのＲＡＭ使用量を比較するグラフ。 ＣＥＰＨ家系に対するＣＮＶコールの性能評価指標を示している表。 ＰｅｎｎＣＮＶ至適基準と比較したＣＬＡＭＭＳ及びＸＨＭＭのＣＮＶコール。 希少ＣＮＶのＴａｑＭａｎ検証を示している表。 一般ＣＮＶのＴａｑＭａｎ検証を示している表。 ＬＩＬＲＡ３一般多型座に対するＣＬＡＭＭＳ及びＴａｑＭａｎのコピー数予測を比較しているグラフ。 ＬＩＬＲＡ３一般多型座に対するＣＬＡＭＭＳ及びＴａｑＭａｎのコピー数予測を比較しているグラフ。 例示的な出力を示す表。

本発明の方法及びシステムを開示及び説明する前に、それらが特定の方法、特定の構成要素、又は具体的な実装によって制限されるものではないことを理解されたい。また、本明細書で使用される用語は、具体的な実施形態の説明のみを目的としており、何らかの制限を意図するものではないことも理解されたい。

本明細書及び添付の特許請求の範囲で使用される場合、単数形の「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈から単数であることが明確に読み取れる場合を除き、対象の複数形も含まれるものとする。本明細書に記載される範囲は、「約」の特定値〜別の「約」の特定値、「約」の特定値〜、又は〜別の「約」の特定値の形式で表現され得る。このような範囲が表現された場合、別の実施形態は、その特定値〜その別の特定値、その特定値〜、又は〜その別の特定値の範囲を含む。同様に、先行する「約」によって値が近似の形式で表現された場合、その特定値により別の実施形態が形成されることは理解されるであろう。更に、各範囲の境界点はどちらももう一方の境界点との関係において重要であり、また互いに独立していることも理解されるであろう。

「任意追加の」又は「任意追加的に」は、その後に記述されるイベント又は状況が発生してもしなくてもよいこと、説明に前述のイベント又は状況が発生する事例及び発生しない事例が含まれることを意味する。

本明細書に記載の説明及び請求項の全体を通して、用語「含む、備える」及びその変形は、「含むがこれらに限定されない」を意味し、例えば、他の構成要素、整数、工程などの除外を意図するものではない。「例示的な〜」は「〜の例」を意味し、好ましい又は理想的な実施形態を示すことを意図するものではない。「〜など」は、説明目的で使用され、限定的意味で使用されることはない。

開示の方法及び組成物が、変化し得ると記述されている特定の方法論、手順、及び試薬に制限されるものではないことは、理解される。また、本明細書で使用される用語は、具体的な実施形態の説明のみを目的としており、添付の特許請求の範囲によってのみ制限される本発明の方法及びシステムの範囲を制限することを意図するものではないことも理解されたい。

別途定義されない限り、本明細書で使用される全ての技術用語及び科学用語は、開示の方法及び組成物が属する当業者によって一般に理解される意味と同じ意味を有する。本発明の方法及び組成物の実施又は試験では、本明細書に記載の方法及び材料に類似、又は等価の任意の方法及び材料を使用できるが、特に有用な方法、デバイス、及び材料は本明細書に記載の通りである。本明細書に引用される出版物及びその引用によって説明される材料は、これによって本明細書に参照により明確に組み込まれる。先願発明を理由として本発明がかかる開示を先行する権利がないことを承認するものとして、本明細書が解釈されるべきではない。いかなる参照も先行技術を構成するものと承認されることはない。参照文献の議論はそれらの著者が主張する内容を述べるものであり、出願者は引用した文献の正確さ及び適切さに異議を申し立てる権利を留保する。本明細書では複数の出版物が参照されるが、かかる参照は、これらの文献のいずれかが当該技術分野における共通の一般知識の一部を形成することの承認にはならないことは明確に理解されるであろう。

開示の方法及びシステムを実行するために使用することができる構成要素を開示する。これら及び他の構成要素は本明細書で開示され、これらの構成要素の組み合わせ、サブセット、相互作用、グループなどが開示されるとき、これらの様々な個別及び集合的な組み合わせ及び順列への具体的な参照は明示的に開示されなくてもよいが、それぞれが全ての方法及びシステムに関して本明細書で具体的に企図され、記載されることは理解される。これは、開示の方法の工程を含むがこれらに限定されない、本願のあらゆる面に適用される。したがって、実行することができる多様な追加工程が存在する場合、これらの追加工程はそれぞれ、開示の方法の任意の具体的な実施形態又は実施形態の組み合わせで実行できることは理解される。

本発明の方法及びシステムは、本明細書の以下に記載される好ましい実施形態及び実施例の詳細な説明、並びに図面及びそれらの前後の説明を参照することによって更に容易に理解され得る。

当業者なら理解するように、方法及びシステムは、完全にハードウェアの実施形態、完全にソフトウェアの実施形態、又はソフトウェアの態様とハードウェアの態様を組み合わせた実施形態の形態を取り得る。更に、方法及びシステムは、記憶媒体内に具体化される、コンピュータ可読プログラム命令を有するコンピュータ可読記憶媒体上のコンピュータプログラム製品（例えば、コンピュータソフトウェア）の形態を取り得る。より詳細には、本発明の方法及びシステムは、ウェブで実装されたコンピュータソフトウェアの形態を取り得る。ハードディスク、ＣＤ−ＲＯＭ、光学式記憶デバイス、又は磁気記憶デバイス
を含めて、任意の好適なコンピュータ可読記憶媒体が利用されてよい。

方法及びシステムの実施形態が、方法、システム、装置、及びコンピュータプログラム製品のブロック図及びフローチャート図を参照して以下に説明される。ブロック図及びフローチャート図の各ブロック、並びにブロック図中及びフローチャート図中のブロックの組み合わせはそれぞれ、コンピュータプログラム命令によって実装され得ることは理解されるであろう。これらのコンピュータプログラム命令は、マシンを作り出すように、汎用コンピュータ、専用コンピュータ、又は他のプログラム可能なデータ処理装置の上にロードされてよく、その結果、コンピュータ又は他のプログラム可能なデータ処理装置の上で実行する命令は、フローチャートのブロックで指定される機能を実装するための手段をもたらす。

これらのコンピュータプログラム命令はまた、コンピュータ又は他のプログラム可能なデータ処理装置に特定の方法で機能するように命令することができるコンピュータ可読メモリに保存されてもよく、その結果、コンピュータ可読メモリに保存された命令は、フローチャートのブロックで指定される機能を実装するためのコンピュータ可読命令を含む製造物品を作り出す。コンピュータプログラム命令はまた、コンピュータで実装されたプロセスを作り出す一連の動作工程がコンピュータ又は他のプログラム可能な装置の上で実行されるように、コンピュータ又は他のプログラム可能なデータ処理装置の上にロードされてもよく、その結果、コンピュータ又は他のプログラム可能な装置の上で実行する命令は、フローチャートのブロックで指定される機能を実装するための工程を提供する。

したがって、ブロック図及びフローチャート図のブロックは、指定された機能を実行するための手段の組み合わせ、指定された機能を実行するための工程の組み合わせ、及び指定された機能を実行するためのプログラム命令手段に対応する。また、ブロック図及びフローチャート図の各ブロック、並びにブロック図中及びフローチャート図中のブロックの組み合わせは、指定された機能若しくは工程を実行するハードウェアベースの専用コンピュータシステム、又は専用ハードウェア及びコンピュータ命令の組み合わせによって実装され得ることも理解されるであろう。

本発明の方法及びシステムは、ＣＮＶ検出（例えば、同定、予測、評価）を対象とする。本発明の方法及びシステムのいくつかの態様は、「格子整列混合分布モデルを使用したコピー数評価（Copy number estimation using Lattice-aligned Mixture Models ）（ＣＬＡＭＭＳ）」と称され得る。ＣＮＶ分断点はエクソームの外側にあることが多いため、全エクソーム配列決定（ＷＥＳ）データでコピー数多型を検出することは、やりがいはあるが難しい課題である。本発明の方法及びシステムは、ＣＮＶ内の読み深度を利用することができる。このような読み深度は、コピー数状態に線形的に相関され得る。しかしながら、被覆率の深度は、組織的バイアス（例えば、多くの場合、配列のＧＣ含量に関連している）と統計的不安定性（例えば、入力されたＤＮＡの質の変動によって悪化する）の両方の影響を受けやすい。本発明の方法及びシステムは、被覆率データを正規化して組織的バイアスを補正し、２倍体コピー数の場合の期待される被覆率プロファイルの特性を明らかにすることができ、その結果、真のＣＮＶをノイズと区別することができる。このような正規化は、例えば、各サンプルの被覆率データを、同様に配列決定されたサンプルの「基準パネル」からのデータ（例えば、基準被覆率データ）と比較することを含むことができる。サンプルの調製手順及び配列決定手順におけるばらつきは、「バッチ効果」と一般に称される追加の被覆率バイアスをもたらし得る。

一態様では、本発明の方法及びシステムは、混合分布モデルと隠れマルコフモデル（ＨＭＭ）の両方の使用に基づいてＣＮＶを同定することができる。例えば、混合分布モデルは、ｋ最近傍探索アルゴリズムなど、サンプル分類アルゴリズムを使用して決定される基
準被覆率データに基づいて当てはめることができる。混合分布モデルからの情報は、ＣＮＶを同定するためにＨＭＭに入力することができる。

図１は、例示のＣＮＶコーリングパイプラインを示しているフローチャートである。被覆率データの基準パネル（例えば、１つ又は２つ以上のゲノム獲得領域を含む基準被覆率データ）は、サンプル分類技術を使用して複数の評価指標（例えば、配列決定品質管理（ＱＣ）評価指標）に基づいてサンプル（例えば、１つ又は２つ以上のゲノム獲得領域を含むサンプル被覆率データ）ごとに選択することができる。サンプル分類技術は、類似性によってサンプルを分類するための技術（例えば、アルゴリズム）を含むことができる。使用することができるサンプル分類技術の例には、決定木、サポートベクターマシン、ｋ最近傍探索（ｋｎｎ）アルゴリズム、ナイーブベイズアルゴリズム、ＣＡＲＴ（分類木及び回帰木）アルゴリズム、及び／又は同種のものが挙げられるが、これらに限定されない。例えば、ｋＮＮアルゴリズムは、ｋ−ｄ木データ構造を生成することを含むことができる。基準被覆率データは、サンプル被覆率データ（例えば、又はサンプル被覆率データに関連した評価指標）をｋ−ｄ木構造に挿入し、所定の数の最近傍データ（例えば、１０、１００、１０００、１００００個など）を特定することによって選択することができる。基準被覆率データを選択した後、サンプルは並列に処理することができる。サンプルレベルの解析（右パネル）は、被覆率を正規化すること、被覆率分布を混合分布モデルで近似すること、及びＨＭＭからのコールを生成することを含む。

一態様では、本発明の方法及びシステムの例示的な実装は、図１に開示されているものである。左パネルに示されるように、（例えば、サンプルセットから引き出された）基準被覆率データは、サンプル分類技術の一部として使用され得る。サンプル分類技術を例示するために、ｋ−ｄ木を利用するｋ最近傍探索アルゴリズムが使用されているが、他のサンプル分類技術（例えば、任意の適当なクラスタリング、分類、及び／又は判別アルゴリズム）が適用され得ることは理解されたい。ｋ−ｄ木は、ｋ次元空間内の点に対する多次元探索木を含むことができる。例えば、基準被覆率データの複数の評価指標が、サンプル分類技術によって使用され得る。例えば、基準被覆率データの複数の評価指標が、ｋ−ｄ木を構築するために使用され得る。複数の評価指標は、例えば、配列決定品質管理（ＱＣ）評価指標、サンプルメタデータ、家系に基づいた値、配列類似性スコア、及び／又はサンプルレベルのばらつきを捕捉する任意の評価指標を含むことができる。例えば、配列決定ＱＣ評価指標の場合、７つのＱＣ評価指標が使用され得る。例として、配列決定ＱＣ評価指標は、ＧＣＤＲＯＰＯＵＴ、ＡＴＤＲＯＰＯＵＴ、ＭＥＡＮＩＮＳＥＲＴＳＩＺＥ、ＯＮＢＡＩＴＶＳＳＥＬＥＣＴＥＤ、ＰＣＴＰＦＵＱＲＥＡＤＳ、ＰＣＴＴＡＲＧＥＴＢＡＳＥＳ１０Ｘ、ＰＣＴＴＡＲＧＥＴＢＡＳＥＳ５０Ｘ、及び／又は同種のものを含むことができる。配列決定ＱＣ評価指標は、（例えば、線形変換を適用することによって）スケーリングされ、処理されて、ｋ−ｄ木を構築し得る。

サンプル被覆率データ用の複数の評価指標（例えば、配列決定ＱＣ評価指標）もまた、スケーリングされ、ｋ−ｄ木に挿入され得る。次いで、ｋ−ｄ木は、最近傍探索を実行してサンプル被覆率データに対する最近傍データを特定するために使用され得る。基準被覆率データ内の任意の数の最近傍データが特定され得る（例えば、１０、１００、１０００、１００００個など）。所望の数の最近傍データを使用して、選択された基準被覆率データ（例えば、基準被覆率データのサブセット）を形成することができる。本発明の方法及びシステムは、サンプルごとにカスタム基準被覆率データを選択することによってデータ不均一性に対処することができる。例として、サンプル（例えば、基準被覆率データ）間の距離評価指標は、上述の７つの配列決定ＱＣ評価指標に基づいて定義され得る。例えば、配列決定ＱＣ評価指標は、Ｐｉｃａｒｄなどの配列決定ツールから決定され、選択され、受信され、及び／又は同種の処理がなされ得る。それぞれの新たに配列決定されたサンプルは、この評価指標空間内でｋ−ｄ木に追加され得る。ＣＮＶは、個々のサンプルのｋ
（例えば、１００）個の最近傍データを含む選択された基準被覆率データを使用してコールされ得る。ｋ個の最近傍データは、ｋ−ｄ木アルゴリズム又は他のサンプル分類技術など、任意の最近傍探索アルゴリズムを使用して見つけられ得る。

右パネルに示されるように、サンプル被覆率データ（例えば、サンプルｉ）は、サンプルセットから選択され得る。サンプル被覆率データは、ＧＣ増幅バイアス及び被覆率の深度の全体平均を補正するために正規化され得る。別の態様では、サンプル被覆率データはフィルタ処理され得る。例えば、サンプル被覆率データは、ＧＣ含量のレベルに基づいて、マッピング可能性スコアに基づいて、読み被覆率の中心傾向の測定値に基づいて、多コピー重複エクソーム獲得領域におけるコーリングウィンドウの発生に基づいて、及びこれらの組み合わせなどに基づいて、フィルタ処理され得る。例えば、マッピング可能性の低い領域における読み深度は、ゲノム内の配列用量を正確に表現しないことがある。

サンプル被覆率データが正規化された後、選択された基準被覆率データ（最近傍データ）は、サンプル被覆率データ内の１つ又は２つ以上の（又はそれぞれの）ゲノム（例えば、エクソーム）獲得領域に対して有限混合分布モデルを当てはめるために使用され得る。有限混合分布モデルは、２つ又は３つ以上の確率密度関数の組み合わせを含むことができる。有限混合分布モデルは、以下のものなど、１つ又は２つ以上の構成要素を含むことができる：それぞれがＫ個の構成要素の混合に従って分布すると仮定され、各構成要素が分布の同じパラメータ族に属するが異なるパラメータを有する、観測値に対応したＮ個の確率変数；それぞれがＫ次元のカテゴリー分布に従って分布する、各観測値の混合分布モデルの構成要素の恒等を指定しているＮ個の対応する確率潜在変数；それぞれが確率（０以上、１以下の実数）であり、全てを合計すると１になる、１組のＫ個の混合重み；それぞれが混合分布モデルの対応する構成要素のパラメータを指定する、１組のＫ個のパラメータ。いくつかの態様では、パラメータは、１組のパラメータを含むことができる。本発明の方法及びシステムでは、混合分布モデルの各構成要素は、特定の整数のコピー数状態に対してサンプル全体にわたって被覆率の期待される分布をモデル化することができる。ホモ接合型欠失及び性染色体を取り扱うのに適応することができる。

一態様では、有限混合分布モデルを当てはめるために、期待値最大化（ＥＭ）アルゴリズムが使用され得る。ＥＭアルゴリズムは、欠測値又は潜在変数が存在するときに、最尤推定値を見つけるための一般的な方法である。ＥＭアルゴリズムは、反復アルゴリズムであり得る。反復は、パラメータの現在の推定値を使用して評価された対数尤度の期待値の関数を生成することができる、期待値（Ｅ）ステップと、Ｅステップで見つかった期待対数尤度を最大化するパラメータを計算することができる、最大化（Ｍ）ステップとを交互に実行することができる。次いで、これらのパラメータ推定値は、次のＥステップでの潜在変数の分布を決定するために使用され得る。

一態様では、ＣＮＶは、隠れマルコフモデル（ＨＭＭ）を使用したサンプル被覆率データに対してコールされ得る。例えば、各領域に対する個々のサンプルの正規化された被覆率値は、ＨＭＭへの入力配列であり得る。ＨＭＭの出力確率は、訓練された（例えば、当てはめられた、適合された）混合分布モデルに基づき得る。ＨＭＭの遷移確率は、本明細書に参照により組み込まれる、ＸＨＭＭなど、他のモデルによって使用されるものと同様であり得うる。混合分布モデルは、コピー数多型座を自然に取り扱うことを可能にし、ＨＭＭは、近くの異常信号が複数の小さいＣＮＶであるよりも単一のＣＮＶの一部である可能性が高い、事前の期待値を受け入れる。本発明の方法及びシステムは、混合分布モデル及びＨＭＭを単一の確率モデルに統合することができる。

図２は、コピー数多型を決定するための例示的な方法２００を示しているフローチャートである。一態様では、本発明の方法及びシステムは、複数のゲノム領域を含むサンプル
被覆率データを解析してＣＮＶを検出するために構成され得る。工程２０２においては、基準被覆率データを選択するためにサンプル分類技術が適用され得る。例えば、サンプル分類技術は、類似性によってサンプルを分類するための技術（例えば、アルゴリズム）を含むことができる。サンプル分類技術を適用して基準被覆率データを選択することは、サンプル被覆率データに対する複数の評価指標を受信することを含むことができる。サンプル被覆率データと基準被覆率データとの間の距離評価指標は、複数の評価指標に基づいて定義され得る。基準被覆率データは、距離評価指標に基づいて（例えば、サンプルごとに）選択され得る。サンプル分類技術は、分類アルゴリズム、クラスタリングアルゴリズム、判別アルゴリズム、及び／又は同種のものを含むことができる。例えば、サンプル分類技術は、決定木、サポートベクターマシン、ｋ最近傍探索（ｋｎｎ）アルゴリズム、ナイーブベイズアルゴリズム、ＣＡＲＴ（分類木及び回帰木）アルゴリズム、及び／又は同種のものを含むことができる。例えば、サンプル分類技術を適用して基準被覆率データを選択すると、方法は、基準被覆率データに関連した複数の評価指標をスケーリングすること、スケーリングされた、基準被覆率データに関連した複数の評価指標に基づいてｋ−ｄ木を生成すること、サンプル被覆率データに関連した複数の評価指標をスケーリングすること、スケーリングされた、サンプル被覆率データに関連した複数の評価指標に基づいてサンプル被覆率データをｋ−ｄ木に追加すること、サンプル被覆率データに対して所定の数の最近傍データを、選択された基準被覆率データとして特定すること、及び／又は同種のことを含むことができる。

基準被覆率データを選択するためのサンプル分類技術の適用は、以下に更に詳細に説明される。配列決定条件のばらつきに起因して生じる組織的被覆率バイアスは、一般に「バッチ効果」と称される。一態様では、本発明の方法及びシステムは、カスタム基準パネル（例えば、選択された基準被覆率データ）による方法を使用してバッチ効果を補正するように構成され得る。例えば、サンプルの被覆率プロファイル（高次元空間）に基づいてサンプル被覆率データを比較する代わりに、本発明の方法及びシステムは、配列決定品質管理（ＱＣ）評価指標に基づいた低次元の評価指標空間を考慮するように構成され得る。例えば、配列決定ＱＣ評価指標は、７つの配列決定ＱＣ評価指標を含むことができる。配列決定ＱＣ評価指標は、Ｐｉｃａｒｄなどの配列決定ツールからの配列決定ＱＣ評価指標を含むことができる。この低次元空間で作業することにより、拡張性の向上が可能になる。例えば、サンプルは、（例えば、任意の適当なインデックス作成及び／又は検索アルゴリズムを使用して）前もってインデックスを付与され得る。更なる例として、サンプルは、ｋ最近傍探索アルゴリズムを使用して前もってインデックスを付与され得る。例えば、ｋ最近傍探索アルゴリズムは、高速の最近傍問い合わせを可能にし、かつ、最小限の量のＲＡＭを使用する、ｋ−ｄ木構造を使用することができる。

例として、例示的な多型コーリングパイプラインは、以下の通りに進行するように構成され得る。
１．ラボ情報管理システムに問い合わせを行って、サンプルごとに以下の７つのＰｉｃａｒｄ配列決定品質管理評価指標を取得する：ＧＣＤＲＯＰＯＵＴ、ＡＴＤＲＯＰＯＵＴ、ＭＥＡＮＩＮＳＥＲＴＳＩＺＥ、ＯＮＢＡＩＴＶＳＳＥＬＥＣＴＥＤ、ＰＣＴＰＦＵＱＲＥＡＤＳ、ＰＣＴＴＡＲＧＥＴＢＡＳＥＳ１０Ｘ、及びＰＣＴＴＡＲＧＥＴＢＡＳＥＳ５０Ｘ。

２．線形変換を適用して各評価指標を範囲［０，１］にスケーリングした後（例えば、スケーリングした値＝［生値−最小値］／［最大値−最小値］）、各サンプルのＱＣ評価指標ベクトルをｋ−ｄ木データ構造に挿入する。

３．並列で、サンプルごとに、
（ａ）ｓａｍｔｏｏｌｓを使用してＢＡＭファイルから被覆率の深度を計算し、ＣＬＡ
ＭＭＳのサンプル内正規化工程を実行する。

（ｂ）ｋ−ｄ木内のサンプルの１００個の最近傍データを使用してＣＬＡＭＭＳモデルを訓練する。
（ｃ）これらのモデルを使用してＣＮＶをコールする。

一態様では、より大きい値のｋは、混合分布モデルパラメータの統計的推定における分散を減少させるが、バイアスを増加させ得る。デフォルトのｋ値は、具体的なアプリケーションに従って選択され得る。いくつかのシナリオでは、デフォルト値ｋ＝１００は、最良のバイアス−分散のトレードオフをもたらし得る。ｋ−ｄ木がデータベースに保存される場合、パイプラインは、ネットワーク（例えば、ウェブインターフェース）経由で実行するように拡張され得る。小規模の研究など、いくつかのシナリオでは、本発明の方法及びシステムはまた、ＱＣ評価指標を計算する必要なしに使用され得る。例えば、サンプルは、サンプル対エクソンの被覆率マトリックスのＰＣＡプロットに基づいて手動でバッチに割り当てられ得る。別個のモデルの組がバッチごとに訓練され、そのバッチ内のサンプルに対してＣＮＶをコールするために使用され得る。

一態様では、本発明の方法及びシステムは、サンプル被覆率データの複数のゲノム領域を１つ又は２つ以上のコーリングウィンドウ（例えば、複数のコーリングウィンドウ）に分割することができる。例えば、本発明の方法及びシステムは、ゲノム（例えば、エクソーム）獲得領域を均等サイズのコーリングウィンドウに分割することができる。例えば、長さが１０００ｂｐ以上のゲノム獲得領域は、５００〜１０００塩基対（ｂｐ）の均等サイズのコーリングウィンドウに分割され得る。本発明の方法及びシステムは、ゲノム領域を、長いエクソンに部分的に重なるＣＮＶを検出することが可能なコーリングウィンドウに分割するように構成され得る。並外れて長いエクソンを含む遺伝子の例には、ＡＨＮＡＫ、ＴＴＮ、及びいくつかのムチンが挙げられる。一態様では、複数のゲノム領域のうち所定のサイズよりも大きい、例えば、９９９塩基よりも大きい、ゲノム領域のみが分割され得る。任意の他の適当な塩基数が使用され得ることに留意されたい。

一態様では、方法及びシステムは、サンプル被覆率データをフィルタ処理することを任意追加的に含むことができる。フィルタ処理することは、工程２０２より前に、工程２０２中に、及び／又は方法２００の他の工程中に達成され得る。サンプル被覆率データをフィルタ処理することは、グアニン−シトシン（ＧＣ）含量のレベルに基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することを含むことができる。ＧＣ含量のレベルに基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのあるコーリングウィンドウを、そのコーリングウィンドウのＧＣ含量のレベルが所定の範囲の外側にある場合に除外することを含むことができる。一態様では、本発明の方法及びシステムは、極端なグアニン−シトシン含量の（ＧＣ）含量を有するウィンドウをフィルタ処理することができる。ＧＣ増幅バイアスは、バイアスが任意の特定のＧＣ含量レベルに対してほぼ一貫しているときに補正され得る。しかしながら、非常に低い又は高いＧＣ含量においては、被覆率の統計的不安定性が格段に増加し、効果的に正規化することが困難になり得る。したがって、本発明の方法及びシステムは、ＧＣ比率が構成可能な（例えば、既定の）範囲又は閾値の外側にあるウィンドウをフィルタ処理することができる。例として、構成可能な範囲は、図３に示されるように、［０．３，０．７］を含むことができる。しかしながら、必要に応じて他の範囲（例えば、閾値）が利用され得ることをは理解されたい。

ＧＣ含量に基づいてフィルタ処理することの更なる説明として、図３は、ＧＣ含量と被覆率との関係を示しているグラフを示す。例えば、被覆率の変動の係数（例えば、標準偏差を平均で割った商）はｙ軸上に示され、ＧＣ含量はｘ軸上に示される。グラフは、５０
個のサンプル（例えば、見やすいように不規則にずらして再配置されている点）を示す。構成可能な範囲のデフォルトの上限（例えば、ＧＣ＝０．７）より上では、被覆率分散は、平均に対して非常に高くなり、被覆率に基づいたＣＮＶコールは信頼できなくなり得る。構成可能な範囲のデフォルトの下限（例えば、ＧＣ含量＝０．３）より下では、追加の問題が発生する。例えば、被覆率の分散自体が、サンプル間で大きく変化し得る。各基準パネルサンプルの被覆率値が異なる分布からの観測値であるため、この分散は、特定のウィンドウにて特定のサンプルの期待される被覆率の分散を正確に評価することを困難にする。

一態様では、配列決定された読みだけではなく、完全なＤＮＡ断片のＧＣ含量が、断片数に影響を及ぼす。したがって、ＧＣ比率を計算するとき、ウィンドウは、平均断片サイズより少なくともわずかに長くなるように、対称的に拡張され得る。平均断片サイズは、ＣＬＡＭＭＳの別の構成可能なパラメータであり得る。平均断片サイズはデフォルトの２００ｂｐになり得、又は他の適当な値が使用されてもよい。

サンプル被覆率データをフィルタ処理することは、複数のゲノム領域のうちのあるゲノム領域のマッピング可能性スコアに基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することを含むことができる。例えば、本発明の方法及びシステムは、ウィンドウ内の各塩基を起点とするｋマーの平均マッピング可能性スコア（デフォルトのｋ＝７５）が０．７５未満であるコーリングウィンドウをフィルタ処理することができる。マッピング可能性スコアに基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することは、複数のゲノム領域のうちの各ゲノム領域に対してマッピング可能性スコアを決定することと、１つ又は２つ以上のコーリングウィンドウのうち、複数のゲノム領域のうちのゲノム領域を収容するコーリングウィンドウを、その複数のゲノム領域のうちのゲノム領域のマッピング可能性スコアが所定の閾値を下回る場合に除外することと、を含むことができる。複数のゲノム領域のうちの各ゲノム領域に対してマッピング可能性スコアを決定することは、第１の塩基がその複数のゲノム領域のうちのゲノム領域に重なるｋマーの逆基準ゲノム頻度の平均を決定することを含むことができる。

別の態様では、サンプル被覆率データをフィルタ処理することは、読み被覆率の中心傾向の測定値に基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することを含むことができる。読み被覆率の中心傾向の測定値に基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウを、その１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウが、類似のＧＣ含量を有するコーリングウィンドウの期待される被覆率値を下回る読み被覆率の中心傾向の測定値を含む場合に除外することを含むことができる。例えば、本発明の方法及びシステムは、サンプルの中央値被覆率及び／又は平均値被覆率が類似のＧＣ含量を有するウィンドウの期待値の１０％未満であるウィンドウをフィルタ処理することができる。

別の態様では、サンプル被覆率データをフィルタ処理することは、多コピー重複ゲノム領域内のコーリングウィンドウの発生に基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することを含むことができる。多コピー重複ゲノム領域内のコーリングウィンドウの発生に基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウを、その１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウが、多コピー重複が存在すると知られている領域内に発生する場合に除外することを含むことができる。例として、エクソーム獲得領域の一部（例えば、上のデフォルトを使用した１２％）が、これらのフィルタを使用してコーリングプロセスから除外され得る。

図２に戻ると、工程２０４においては、サンプル被覆率データが正規化され得る。サンプル被覆率データは、複数のゲノム領域を含むことができる。本発明の方法及びシステムは、個々のサンプルごとにサンプル被覆率データを正規化して、ＧＣバイアス及び被覆率の深度の全体平均を補正することができる。サンプル被覆率データを正規化することは、コーリングウィンドウｗの生被覆率を決定すること、コーリングウィンドウｗのＧＣ比率を条件とする１つ又は２つ以上のコーリングウィンドウにわたってサンプル被覆率データの中央値被覆率を決定すること、及び生被覆率を中央値被覆率で割り、正規化されたサンプル被覆率データをもたらすことを含むことができる。コーリングウィンドウｗのＧＣ比率を条件とする複数のウィンドウにわたってサンプル被覆率データの中央値被覆率を決定することは、１つ若しくは２つ以上のコーリングウィンドウをＧＣ比率によってビニングし、複数のビンをもたらすこと、複数のビンのうちの各ビンに対して中央値被覆率を決定すること、及び／又はコーリングウィンドウｗに最も近い２つのビンの中央値被覆率の間の線形補間を使用して別個の可能なＧＣ比率ごとに正規化係数を決定することを含むことができる。

サンプル被覆率データの正規化は、以下に更に詳細に説明される。例えば、条件付き中央値は、サンプルの全てのウィンドウをＧＣ比率（例えば、［０．３００，０．３１０］、［０．３１５，０．３２５］など）でビニングすることによって決定され（例えば、計算され、算出され）得る。例えば、複数のビンは、ＧＣ比率の値に基づいて決定され得る。複数のビンのうちの１つ又は２つ以上（又はそれぞれ）のビンは、ＧＣ比率の値の全範囲を１つ又は２つ以上の増分値（例えば、０．０１）に基づいて（例えば、均等に）分割することによって決定され得る。各ビンの中央値被覆率が決定され（例えば、算出され、計算され）得る。所与のＧＣ比率に対する正規化係数が決定され（例えば、算出され、計算され）得る。例えば、所与のＧＣ比率に対する正規化係数は、問題のビンに最も近い２つのビンの中央値被覆率の間の線形補間を使用することによって決定され得る。一態様では、ビニング解像度（例えば、増分値のサイズ）は構成可能であり得る。評価のために十分なサンプルサイズを各ビンに提供することの必要性ときめの細かいビニングとのバランスを保つ例示的なデフォルトの解像度が決定され（例えば、選択され）得る。

図４は、様々なエクソンの正規化された被覆率を示しているグラフを示す。グラフは、（例えば、サンプル内正規化が適用された後の）遺伝子ＧＳＴＴ１のエクソンの観測された被覆率分布に当てはめられた混合分布モデルを示す。（例えば、見やすいように不規則にずらして再配置されている）それぞれの点は、エクソンに対するサンプルの正規化された被覆率を示す。エクソンがそれに隣接するエクソンとは独立に取り扱われると仮定した場合に、モデル及び不透明度が、最も可能性の高いコピー数と２番目に最も可能性の高いコピー数との間の尤度比に比例するものであるとして、プロット点の濃淡は、最も可能性の高いコピー数を示す。

図２に戻ると、工程２０６においては、混合分布モデルが、選択された基準被覆率データに基づいて、正規化されたサンプル被覆率データに当てはめられ（例えば、訓練され、修正され、適合され）得る。例えば、混合分布モデルは、選択された基準被覆率データに従って訓練され得る。選択された基準被覆率データに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることは、複数の混合分布モデル（例えば、複数のゲノム領域のそれぞれにつき１つ）を決定することを含むことができる。複数の混合分布モデルのうちの１つ又は２つ以上の（又はそれぞれの）構成要素は、対応する確率分布を含むことができる。確率分布は、特定のコピー数を条件とする期待される正規化された被覆率を表現することができる。複数の混合分布モデルは、期待値最大化アルゴリズムを使用して、正規化されたサンプル被覆率データに当てはめられ得る。例えば、複数の混合分布モデルは、１つ又は２つ以上のコーリングウィンドウのそれぞれにおいて各コピー数の尤度を決定するために、期待値最大化アルゴリズムを使用して、正規化されたサンプル被
覆率データに当てはめられ得る。選択された基準被覆率データは、期待値最大化アルゴリズムに入力され得る。

更なる説明として、本発明の方法及びシステムは、混合分布モデルを使用して、各コーリングウィンドウでの期待される（例えば、正規化された）被覆率分布の特性を明らかにすることができる。期待される被覆率分布は、コピー数状態を条件とすることができる。これらの混合分布モデルは、当てはめアルゴリズムを使用することによって当てはめられ得る。例えば、混合分布モデルは、データ分布の形状に最もよく一致するモデルパラメータを同定することによって当てはめられ得る。一態様では、当てはめアルゴリズムは、ＥＭなど、混合分布モデルパラメータを評価するための最適化方法を含むことができる。あるいは、別個のコピー数状態を特定する、及び／又はコピー数状態にわたって被覆率データの分布をモデル化するために、教師なしクラスタリング又はサンプリングアルゴリズムが使用され得る。

例えば、当てはめアルゴリズムは、サンプルの基準パネルからの入力データ（例えば、基準被覆率データ）による期待値最大化アルゴリズム（ＥＭアルゴリズム）を含むことができる。一態様では、ＥＭアルゴリズムは、隠れ（例えば、潜在）モデルパラメータを当てはめるための最適化アルゴリズムを含むことができる。いくつかの実装では、当てはめアルゴリズムは、勾配降下、ニュートン−ラプソン、及び／又は同種のアルゴリズムの使用を含むことができる。混合分布モデルの構成要素は、コピー数０、１、２、及び３に対応することができる。いくつかの実装では、３を超えるコピー数は無視され得る。例えば、３を超えるコピー数によって説明され得る被覆率は、統計的なＧＣに関連したバイアスの結果であることがある。

一態様では、非ゼロのコピー数に対応する混合分布モデルの構成要素のうちの１つ又は２つ以上は、ガウス分布に従うように定義され得る。例えば、ガウス分布は、

の形式になり得、μは平均を示し、σは分散又は標準偏差を示す。２倍体コピーのガウス分布は、少なくとも以下の２つの自由パラメータを含むことができる：μ_ＤＩＰ（例えば、２倍体コピーに対応する混合構成要素の平均）及びσ_ＤＩＰ（例えば、２倍体コピーに対応する混合構成要素の標準偏差）。非２倍体コピー数ｋのそれぞれでは、平均は、（ｋ／２）^＊μ_ＤＩＰに等しくなるように拘束され得る（例えば、頭字語ＣＬＡＭＭＳに含まれる用語「格子整列（lattice-aligned）」はこれに由来する）。１倍体サンプルの標
準偏差σ_ＨＡＰは、

^＊σ_ＤＩＰに等しい値に設定され得る。ガウス近似にもかかわらず、特定のコピー数を条件とする被覆率は、平均に等しい分散を有するＰｏｉｓｓｏｎ分布にされ得る。２を超えるコピー数に対応する構成要素の標準偏差パラメータは、σ_ＤＩＰに等しくなるように設定され得る。この構成により、偽陽性重複の比率の増加が回避され得る。非２倍体構成
要素のパラメータに課される拘束により、モデルは、訓練データの過剰適合を回避するように構成され得る。

一態様では、当てはめアルゴリズムは、削除された領域に対応するミスマッピングされた読みを考慮するように構成され得る。例えば、混合されたモデルの構成要素のうちの１つ又は２つ以上は、指数分布として定義され得る。ホモ接合型欠失（例えば、コピー数０）はゼロ被覆率を示し得るが、ミスマッピングされた読みは、完全に削除された領域にさえも小さいレベルの被覆率をもたらし得る。したがって、コピー数０に対応する構成要素は、指数分布として定義され得る。指数分布は、比率パラメータλを含むことができる。例えば、指数分布は、以下の形式になり得る：λｅ^−λｘ。指数分布は、μ_ＤＩＰの６．２５％又は他の適当な比率に初期に等しい平均（例えば、１／λ）で構成され得る。更なる例として、この構成要素の平均は、この初期値以下になるように拘束され得る。領域に関するミスマッピングの問題が存在しなければ、当てはめアルゴリズムの反復は平均を０に進めることができる（例えば、λ→∞）。この問題に対処するために、平均がμ_ＤＩＰの０．１％未満に低下すると、当てはめアルゴリズムは、指数分布を０にて質点に置き換えることができる。

要約すれば、混合分布モデルは、以下のパラメータの１つ又は２つ以上で構成され得る：μ_ＤＩＰ及びσ_ＤＩＰ、指数構成要素（例えば、コピー数０）の比率λ、並びに指数分布が質点に置き換えられているかどうかを示すフラグ。

一態様では、当てはめアルゴリズムは、混合モデルを当てはめるために解に対して反復的に収束するように構成され得、反復ごとにモデルとデータとの間の差が縮小する。
一態様では、当てはめアルゴリズムは、最大反復数で構成され得る。例えば、混合分布モデルは、最大反復回数（例えば、３０、４０、５０）を使用して当てはめられ得る。いくつかのシナリオでは、当てはめアルゴリズムは、最大回数未満の反復を使用することができる。例えば、収束を早期に検出するために発見的方法が使用され得る。局所最適化手順である、ＥＭアルゴリズムの場合、当てはめアルゴリズムが非大域的な最適条件に収束する可能性をμ_ＤＩＰ及びσ_ＤＩＰの初期値が減少させ得ることを評価することができる。いくつかのシナリオでは、μ_ＤＩＰは、問題の領域の全てのサンプルの中央値被覆率に初期化され得る（例えば、中央値サンプルが１倍体である領域において、反復は最終的に適切な２倍体平均に到達し得る）。一態様では、σ_ＤＩＰは、被覆率値の中央値周りの被覆率値の中央値絶対偏差（ＭＡＤ）に初期化され得、一定の係数でスケーリングされて漸近正規性を達成する（例えば、Ｒにおいて「ｍａｄ」関数を比較する）。

全ての考慮されるコピー数状態に対して低い尤度（例えば、平均から２．５σ未満）を有するサンプルは、モデル当てはめのために外れ値としてフラグが立てられ得る。領域が外れ値サンプルを有する場合、混合分布モデルは、外れ値被覆率値が削除されて再訓練され得る。

工程２０８においては、１つ又は２つ以上のコピー数多型（ＣＮＶ）が、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて、隠れマルコフモデル（ＨＭＭ）、ベイジアンネットワーク、及び／又は他の確率モデルにより同定され（例えば、決定され、予測され、評価され）得る。例えば、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて１つ又は２つ以上のコピー数多型を隠れマルコフモデル（ＨＭＭ）により同定することは、（例えば、１つ又は２つ以上のコーリングウィンドウの）各コーリングウィンドウに対する正規化されたサンプル被覆率データをＨＭＭに入力することを含むことができる。

別の態様では、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデル
に基づいて１つ又は２つ以上のコピー数多型を隠れマルコフモデル（ＨＭＭ）により同定することは、混合分布モデルに基づいてＨＭＭの１つ又は２つ以上の出力確率を決定することを含むことができる。例えば、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）コーリングウィンドウｗにて、ＨＭＭ状態ｓが与えられ、状態ｓに対応するｗの混合分布モデルの構成要素に基づいて、正規化された被覆率値ｘを観測する確率が、決定され得る。

別の態様では、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて１つ又は２つ以上のコピー数多型を隠れマルコフモデル（ＨＭＭ）により同定することは、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）あるコーリングウィンドウを、そのコーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定することを含むことができる。例えば、ビタビアルゴリズムが、複数のゲノム領域のうちのあるゲノム領域上で５’から３’の方向に実行され得る。ビタビアルゴリズムは、複数のゲノム領域のうちのそのゲノム領域の３’から５’の方向に実行され得る。（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）あるコーリングウィンドウは、そのコーリングウィンドウに関連した複数のゲノム領域のうちのゲノム領域が５’から３’の方向及び３’から５’の方向において非２倍体の最も可能性の高い状態を有する場合に、ＣＮＶとして同定され得る。

一態様では、ＨＭＭは、モデル化されるシステムが観測されない（例えば、隠れた）状態を有するマルコフ過程であると仮定される統計的マルコフモデルを含むことができる。隠れ状態空間は、カテゴリー分布としてモデル化される、Ｎ個の可能な値のうちの１つを含むことができる。ＨＭＭは、遷移確率を含むことができる。時間ｔにおける隠れ変数がなり得るＮ個の可能な状態のそれぞれに対して、この状態から、時間ｔ＋１における隠れ変数の可能な状態のそれぞれになる遷移確率が、合計でＮ^２個の遷移確率として存在し得る。ＨＭＭはまた、特定の時間における隠れ変数の状態が与えられるとその時間における観測された変数の分布を決定する（例えば、Ｎ個の可能な状態のそれぞれに対する）出力確率を含むこともできる。

ＨＭＭへの入力は、各コーリングウィンドウにおける個々のサンプルに対する（例えば、前述のサンプル内手順からの）正規化された被覆率値であり得る。例えば、ＨＭＭの状態は、ＤＥＬ（欠失）、ＤＩＰ（２倍体）、ＤＵＰ（重複）、及び／又は同種のものを含むことができる。いくつかのシナリオでは、コピー数０と１との区別は、ＤＥＬコールが行われた後の後処理工程で行われ得る。

一態様では、ＨＭＭは、その遷移確率を入力値として含むことができる。遷移確率は、ＸＨＭＭで使用されるものに基づくことができる。例えば、ＸＨＭＭの遷移確率は、パラメータ１／ｑ（例えば、ＣＮＶ内の数ウィンドウの事前幾何分布の平均）を除いて、０に設定され得る（例えば、ｑ＝∞）。例えば、遷移確率は、ＸＨＭＭパラメータ１／ｑを除いてＸＨＭＭのパラメータに類似（例えば、ＸＨＭＭ（非ゼロ）とおおよそ同じ）であり得、ＸＨＭＭパラメータ１／ｑは、無限大に等しいｑを設定することによって０に設定され得る。この設定の効果は、ＣＮＶ内のウィンドウ数に対して事前の仮定を設定しないようにＨＭＭを構成できることである。それどころか、ＨＭＭは、実際のゲノム距離に基づいている指数関数分布の減衰係数のみを使用するように構成され得る。一態様では、ＸＨＭＭパラメータ１／ｑをゼロに設定することは、以下の２つの仮定をもたらす：１）ＤＥＬ及びＤＵＰは同様に確からしい分布となり、２）ＣＮＶのサイズは指数分布となる。Ｆｒｏｍｅｒら（２０１２）による「Ｄｉｓｃｏｖｅｒｙ ａｎｄ ｓｔａｔｉｓｔｉｃａｌ ｇｅｎｏｔｙｐｉｎｇ ｏｆ ｃｏｐｙ−ｎｕｍｂｅｒ ｖａｒｉａｔｉｏｎ ｆｒｏｍ ｗｈｏｌｅ−ｅｘｏｍｅ ｓｅｑｕｅｎｃｉｎｇ ｄｅｐｔｈ．」Ａｍ Ｊ Ｈｕｍ Ｇｅｎｅｔ，９１（４），５９７−６０７に記載のＸＨＭＭに関連した教示は、本明
細書に参照により明確に組み込まれる。

一態様では、ＨＭＭは、出力確率を入力値として含むことができる。出力確率は、混合分布モデルから算出され得る。例えば、コーリングウィンドウｗにて、ＨＭＭ状態ｓが与えられて、（例えば、正規化された）被覆率値ｘを観測する確率は、状態ｓに対応する、ｗにて訓練された混合分布モデルの構成要素によって与えられ得る。ＤＥＬ状態では、コピー数０及び１の場合の確率の尤度重み付き平均が使用され得る。例えば、Ｌ（ＣＮ＝１｜ｃｏｖ）＝９^＊Ｌ（ＣＮ＝０｜ｃｏｖ）の場合、出力確率は、０．９^＊Ｐ（ｃｏｖ｜ＣＮ＝１）＋０．１^＊Ｐ（ｃｏｖ｜ＣＮ＝０）であり得る。

この隠れマルコフモデルを使用して、本発明の方法及びシステムは、ＣＮＶを同定するように構成され得る。例えば、本発明の方法及びシステムは、（例えば、ビタビアルゴリズム又は他の適当なアルゴリズムによって予測される）状態の最尤配列が非２倍体である領域としてＣＮＶを同定するように構成され得る。ビタビアルゴリズムを１方向のみで実行すると、ＣＮＶコールに方向バイアスが生じる可能性があることに留意されたい。ＣＮＶを「開く」ことは事実上高コストであるが、ＣＮＶを「拡張する」ことは低コストである。したがって、コールされたＣＮＶ領域は、後端の分断点をオーバシュートする傾向があり得る。この問題を解決するために、本発明の方法及びシステムは、５’から３’の方向でのビタビアルゴリズムの実行と３’から５’の方向での実行のどちらにおいても最も可能性の高い状態が非２倍体であるＣＮＶ領域のみを報告するように構成され得る。

一態様では、発見されたＣＮＶのそれぞれに対して、以下の５つの品質評価指標が、前向き後向きアルゴリズムから確率に基づいて計算され得る：領域が任意のＣＮＶを収容するｐｈｒｅｄスケールの確率Ｑ_ａｎｙ、真のＣＮＶがコールされた領域から更に上流／下流に少なくとも１つのウィンドウを拡張するｐｈｒｅｄスケールの確率Ｑ_{ｅｘｔｅｎｄ ｌｅｆｔ}及びＱ_{ｅｘｔｅｎｄ ｒｉｇｈｔ}、並びに真のＣＮＶがコールされた領域に比べて少なくとも１つのウィンドウだけ上流又は下流に収縮するｐｈｒｅｄスケールの確率Ｑ_{ｃｏｎｔｒａｃｔ ｌｅｆｔ}及びＱ_{ｃｏｎｔｒａｃｔ ｒｉｇｈｔ}。

上述した、閾値範囲（例えば、［０．３，０．７］）の外側にあるＧＣ含量を有するウィンドウを演繹的にフィルタ処理する場合であってさえも、この閾値範囲の両端において統計的配列決定の不自然な結果が依然として高率で発生し得ることに留意されたい。ビタビアルゴリズム及び前向き後向きアルゴリズムは、「やや極端な」ＧＣ含量を有するウィンドウに対して、これらのウィンドウを完全に無視することなく、より少ない信用を置くように修正され（例えば、構成され）得る。この構成は、所与のウィンドウにおける全ての状態の対数出力確率に、ウィンドウのＧＣ含量に基づいた範囲［０，１］内の重みを掛けることによって達成され得る。この構成は、（例えば、状態遷移確率によって符号化された）前のウィンドウに比べてこのウィンドウにおけるデータ（例えば、観測された被覆率）の相対的な重要度を低減させることができる。例として、デフォルトの演繹的に有効な範囲［０．３，０．７］内にあるＧＣ比率ｆでは、ウィンドウ重みは、（１−（５^＊ａｂｓ（ｆ−０．５））^１８）^１８に等しい値に設定され得る。高次の多項式項は、極端でないＧＣに対して曲線を平坦にすることができるが（例えば、ｆ＝０．４では重み＝０．９９９９３）、有効なＧＣ範囲の両端において急降下し得る（例えば、ｆ＝０．３３３３では重み＝０．５）。

一態様では、各入力サンプルの性別が提供される場合、本発明の方法及びシステムは、モデルを当てはめ、性染色体上の領域に対するＣＮＶコールを行うことができる。期待されるコピー数（例えば、２倍体又は１倍体）を性別に明示的に基づかせることは、そのような方法がコピー数状態の整数的な性質を考慮するため、性別に起因する分散を正規化することよりも、又はサンプルを高い相関性のあるサンプルと比較することよりも有効であ
り得る。例として、ｃｈｒＸ上の領域に対して０．５倍の期待される被覆率を有する女性は、ヘテロ接合型欠失を有する可能性が高い。同じレベルの被覆率を有する男性は、男性が１／２のコピー数を有することはできないため、ヘテロ接合型欠失を有する可能性は低い。

工程２１０においては、１つ又は２つ以上のコピー数多型が出力され得る。例えば、１つ又は２つ以上のコピー数多型は、（例えば、ユーザーインターフェースを介して）ユーザーに出力され得る。１つ又は２つ以上のコピー数多型は、ネットワークを介して遠隔地に送信され得る。１つ又は２つ以上のコピー数多型は、別の実行可能プログラムに入力として提供され得る。１つ又は２つ以上のコピー数多型は、データベース又は他のファイル形式など、記憶場所に保存され得る。例示的な出力が図１５に示されている。

図５は、コピー数多型を評価するための別の例示的な方法５００を示しているフローチャートである。工程５０２においては、複数のゲノム領域を含むサンプル被覆率データが、（例えば、ユーザーによって、第１のデバイスから第２のデバイスに）提供され得る。一態様では、複数のゲノム領域は、１つ又は２つ以上のコーリングウィンドウ（例えば、複数のコーリングウィンドウ）に分割され得る。例えば、複数のゲノム領域のうち所定のサイズよりも大きいゲノム領域のみが分割され得る。

工程５０４においては、基準被覆率データの表示が、（例えば、ユーザーによって、第１のデバイスから第２のデバイスに）受信され得る。基準被覆率データは、サンプル分類技術に基づいて選択され得る。例えば、サンプル分類技術は、類似性によってサンプルを分類するための技術（例えば、アルゴリズム）を含むことができる。サンプル分類技術は、クラスタリングアルゴリズム、判別アルゴリズム、これらの組み合わせ、及び／又は同種のものを含むことができる。例えば、サンプル分類技術は、サンプル被覆率データの複数の評価指標を受信すること、サンプル被覆率データと基準被覆率データとの間の距離評価指標を複数の評価指標に基づいて定義すること、各サンプルの基準被覆率データを距離評価指標に基づいて選択すること、及び／又は同種のことを含むことができる。

例として、サンプル分類技術は、ｋ最近傍探索（ｋｎｎ）アルゴリズムを含むことができる。サンプル分類技術に基づいて基準被覆率データを選択することは、以下のうちの１つ又は２つ以上を含むことができる：基準被覆率データに関連した複数の評価指標をスケーリングすること、スケーリングされた、基準被覆率データに関連した複数の評価指標に基づいてｋ−ｄ木を生成すること、サンプル被覆率データに関連した複数の評価指標をスケーリングすること、スケーリングされた、サンプル被覆率データに関連した複数の評価指標に基づいてサンプル被覆率データをｋ−ｄ木に追加すること、サンプル被覆率データに対して所定の数の最近傍データを、選択された基準被覆率データとして特定すること、及び／又は同種のこと。

工程５０６においては、サンプル被覆率データに適用してサンプル被覆率データを正規化する１つ又は２つ以上のフィルタが（例えば、ユーザーによって、第１のデバイス及び／又は第２のデバイスによって）選択され得る。例えば、サンプル被覆率データはフィルタ処理され得る。１つ又は２つ以上のフィルタは、以下のうちの１つ又は２つ以上のために構成され得る：１つ若しくは２つ以上のコーリングウィンドウをＧＣ含量のレベルに基づいてフィルタ処理すること、１つ若しくは２つ以上のコーリングウィンドウを複数のゲノム領域のうちのあるゲノム領域のマッピング可能性スコアに基づいてフィルタ処理すること、１つ若しくは２つ以上のコーリングウィンドウを読み被覆率の中心傾向の測定値に基づいてフィルタ処理すること、１つ若しくは２つ以上のコーリングウィンドウを多コピー重複ゲノム領域内のコーリングウィンドウの発生に基づいてフィルタ処理すること、及び／又は同種のこと。

一態様では、ＧＣ含量のレベルに基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのあるコーリングウィンドウを、そのコーリングウィンドウのＧＣ含量のレベルが所定の範囲の外側にある場合に除外することを含むことができる。

一態様では、１つ又は２つ以上のコーリングウィンドウをマッピング可能性スコアに基づいてフィルタ処理することは、複数のゲノム領域のうちの各ゲノム領域に対してマッピング可能性スコアを決定することを含むことができる。例えば、複数のゲノム領域のうちの各ゲノム領域に対してマッピング可能性スコアを決定することは、第１の塩基がその複数のゲノム領域のうちのゲノム領域に重なるｋマーの逆基準ゲノム頻度の平均を決定することを含むことができる。１つ又は２つ以上のコーリングウィンドウをマッピング可能性スコアに基づいてフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうち、複数のゲノム領域のうちのゲノム領域を収容するコーリングウィンドウを、その複数のゲノム領域のうちのゲノム領域のマッピング可能性スコアが所定の閾値を下回る場合に除外することを更に含むことができる。

一態様では、１つ又は２つ以上のコーリングウィンドウを読み被覆率の中心傾向の測定値に基づいてフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウを、その１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウが、類似のＧＣ含量を有するコーリングウィンドウの期待される被覆率値を下回る読み被覆率の中心傾向の測定値を含む場合に除外することを含むことができる。

一態様では、１つ又は２つ以上のコーリングウィンドウを多コピー重複ゲノム領域内のコーリングウィンドウの発生に基づいてフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウを、その１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウが、多コピー重複が存在すると知られている領域内に発生する場合に除外することを含むことができる。

一態様では、フィルタ処理すること及び／又は正規化することは、コーリングウィンドウｗの生被覆率を決定すること、コーリングウィンドウｗのＧＣ比率を条件とする１つ若しくは２つ以上のコーリングウィンドウにわたってサンプル被覆率データの中央値被覆率を決定すること、生被覆率を中央値被覆率で割ること（例えば、正規化されたサンプル被覆率データをもたらす）、及び／又は同種のこと、のうちの１つ又は２つ以上を含むことができる。例えば、コーリングウィンドウｗのＧＣ比率を条件とする複数のウィンドウにわたってサンプル被覆率データの中央値被覆率を決定することは、以下のうちの１つ又は２つ以上を含むことができる：１つ若しくは２つ以上のコーリングウィンドウをＧＣ比率によってビニングすること（例えば、複数のビンをもたらす）、複数のビンのうちの各ビンに対して中央値被覆率を決定すること、コーリングウィンドウｗに最も近い２つのビンの中央値被覆率の間の線形補間を使用して別個の可能なＧＣ比率ごとに正規化係数を決定すること、及び／又は同種のこと。

工程５０８においては、基準被覆率データに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることが、（例えば、ユーザーによって、第１のデバイスから第２のデバイスに）要求され得る。例えば、選択された基準被覆率データに従って混合分布モデルを訓練することが要求され得る。基準被覆率データに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることは、複数の混合分布モデルを複数のゲノム領域のそれぞれにつき１つ決定することを含むことができる。複数の混合分布モデルの各構成要素は、特定のコピー数を条件とする期待される正規化された被覆率を表
現する確率分布を含むことができる。基準被覆率データに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることは、１つ又は２つ以上のコーリングウィンドウのそれぞれにおいて各コピー数の尤度を決定するために、期待値最大化アルゴリズムを使用して複数の混合分布モデルを正規化されたサンプル被覆率データに当てはめることを含むことができる。選択された基準被覆率データは、期待値最大化アルゴリズムに入力され得る。

工程５１０においては、１つ又は２つ以上のコピー数多型が、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により（例えば、ユーザーによって、第１のデバイスによって、第２のデバイスによって）同定され得る。例えば、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて１つ又は２つ以上のコピー数多型を隠れマルコフモデル（ＨＭＭ）により同定することは、（例えば、１つ又は２つ以上のコーリングウィンドウの）各コーリングウィンドウに対する正規化されたサンプル被覆率データをＨＭＭに入力すること、混合分布モデルに基づいてＨＭＭの１つ若しくは２つ以上の出力確率を決定すること、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）あるコーリングウィンドウを、そのコーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定すること、及び／又は同種のこと、のうちの１つ又は２つ以上を含むことができる。

一態様では、混合分布モデルに基づいてＨＭＭの１つ又は２つ以上の出力確率を決定することは、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）コーリングウィンドウｗにて、ＨＭＭ状態ｓが与えられ、状態ｓに対応するｗの混合分布モデルの構成要素に基づいて、正規化された被覆率値ｘを観測する確率を決定することを含むことができる。

一態様では、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）あるコーリングウィンドウを、そのコーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定することは、複数のゲノム領域のうちのあるゲノム領域上で５’から３’の方向にビタビアルゴリズムを実行すること、複数のゲノム領域のうちのそのゲノム領域上で３’から５’の方向にビタビアルゴリズムを実行すること、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）あるコーリングウィンドウを、そのコーリングウィンドウに関連した複数のゲノム領域のうちのゲノム領域が５’から３’の方向及び３’から５’の方向において非２倍体の最も可能性の高い状態を有する場合にＣＮＶとして同定すること、及び／又は同種のこと、のうちの１つ又は２つ以上を含むことができる。

工程５１２においては、１つ又は２つ以上のコピー数多型の表示が、（例えば、ユーザーによって、第１のデバイスによって、第２のデバイスによって）受信され得る。例えば、表示は、ネットワーク及び／又は同種のものを介してディスプレイに提供され得る。１つ又は２つ以上のコピー数多型の例示的な表示が図１５に示されている。

図６は、コピー数多型を評価するための別の例示的な方法６００を示しているフローチャートである。工程６０２においては、複数のゲノム領域を含むサンプル被覆率データが受信され得る。一態様では、複数のゲノム領域は、１つ又は２つ以上のコーリングウィンドウ（例えば、複数のコーリングウィンドウ）に分割され得る。例えば、複数のゲノム領域のうち所定のサイズよりも大きいゲノム領域のみが分割され得る。

一態様では、サンプル被覆率データはフィルタ処理され得る。例えば、サンプル被覆率データをフィルタ処理することは、１つ若しくは２つ以上のコーリングウィンドウをＧＣ含量のレベルに基づいてフィルタ処理すること、１つ若しくは２つ以上のコーリングウィ
ンドウを複数のゲノム領域のうちのあるゲノム領域のマッピング可能性スコアに基づいてフィルタ処理すること、１つ若しくは２つ以上のコーリングウィンドウを読み被覆率の中心傾向の測定値に基づいてフィルタ処理すること、１つ若しくは２つ以上のコーリングウィンドウを多コピー重複ゲノム領域内のコーリングウィンドウの発生に基づいてフィルタ処理すること、及び／又は同種のこと、のうちの１つ又は２つ以上を含むことができる。

一態様では、ＧＣ含量のレベルに基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのあるコーリングウィンドウを、そのコーリングウィンドウのＧＣ含量のレベルが所定の範囲の外側にある場合に除外することを含むことができる。１つ又は２つ以上のコーリングウィンドウをマッピング可能性スコアに基づいてフィルタ処理することは、複数のゲノム領域のうちの各ゲノム領域に対してマッピング可能性スコアを決定することを含むことができる。例えば、複数のゲノム領域のうちの各ゲノム領域に対してマッピング可能性スコアを決定することは、第１の塩基がその複数のゲノム領域のうちのゲノム領域に重なるｋマーの逆基準ゲノム頻度の平均を決定することを含むことができる。１つ又は２つ以上のコーリングウィンドウをマッピング可能性スコアに基づいてフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうち、複数のゲノム領域のうちのゲノム領域を収容するコーリングウィンドウを、その複数のゲノム領域のうちのゲノム領域のマッピング可能性スコアが所定の閾値を下回る場合に除外することを更に含むことができる。

一態様では、１つ又は２つ以上のコーリングウィンドウを読み被覆率の中心傾向の測定値に基づいてフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウを、その１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウが、類似のＧＣ含量を有するコーリングウィンドウの期待される被覆率値を下回る読み被覆率の中心傾向の測定値を含む場合に除外することを含むことができる。多コピー重複ゲノム領域内のコーリングウィンドウの発生に基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理することは、１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウを、その１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウが、多コピー重複が存在すると知られている領域内に発生する場合に除外することを含むことができる。

工程６０４においては、サンプル被覆率データの第１の複数の評価指標が取得され得る。第１の複数の評価指標は、例えば、配列決定品質管理（ＱＣ）評価指標、サンプルメタデータ、家系に基づいた値、配列類似性スコア、及び／又はサンプルレベルのばらつきを捕捉する任意の評価指標を含むことができる。例えば、配列決定ＱＣ評価指標の場合、７つのＱＣ評価指標が使用され得る。例として、配列決定ＱＣ評価指標は、ＧＣＤＲＯＰＯＵＴ、ＡＴＤＲＯＰＯＵＴ、ＭＥＡＮＩＮＳＥＲＴＳＩＺＥ、ＯＮＢＡＩＴＶＳＳＥＬＥＣＴＥＤ、ＰＣＴＰＦＵＱＲＥＡＤＳ、ＰＣＴＴＡＲＧＥＴＢＡＳＥＳ１０Ｘ、ＰＣＴＴＡＲＧＥＴＢＡＳＥＳ５０Ｘ、及び／又は同種のものを含むことができる。配列決定ＱＣ評価指標は、（例えば、線形変換を適用することによって）スケーリングされ、処理されて、ｋ−ｄ木を構築し得る。

工程６０６においては、基準被覆率データのサブセットを選択するために、サンプル分類技術がサンプル被覆率データ及び基準被覆率データに適用され得る。サンプル分類技術は、類似性によってサンプルを分類するための技術（例えば、アルゴリズム）を含むことができる。例えば、サンプル分類技術は、クラスタリングアルゴリズム、判別アルゴリズム、これらの組み合わせ、及び／又は同種のものを含むことができる。一態様では、サンプル分類技術をサンプル被覆率データ及び基準被覆率データに適用して基準被覆率データのサブセットを選択することは、サンプル被覆率データと基準被覆率データとの間の距離評価指標を第１の複数の評価指標に基づいて定義することを含むことができる。基準被覆
率データは、距離評価指標に基づいてサンプルごとに選択され得る。

別の例として、サンプル分類技術は、ｋ最近傍探索（ｋｎｎ）アルゴリズムを含むことができる。サンプル分類技術をサンプル被覆率データ及び基準被覆率データに適用して基準被覆率データのサブセットを選択することは、以下のうちの１つ又は２つ以上を含むことができる：基準被覆率データに関連した第２の複数の評価指標を取得すること、基準被覆率データに関連した第２の複数の評価指標をスケーリングすること、スケーリングされた、基準被覆率データに関連した第２の複数の評価指標に基づいてｋ−ｄ木を生成すること、サンプル被覆率データの第１の複数の評価指標をスケーリングすること、スケーリングされた、サンプル被覆率データの第１の複数の評価指標に基づいてサンプル被覆率データをｋ−ｄ木に追加すること、サンプル被覆率データに対して所定の数の最近傍データを基準被覆率データのサブセットとして特定すること、及び／又は同種のこと。

工程６０８においては、複数のゲノム領域を含むサンプル被覆率データが正規化され得る。例えば、複数のゲノム領域を含むサンプル被覆率データを正規化することは、コーリングウィンドウｗの生被覆率を決定すること、コーリングウィンドウｗのＧＣ比率を条件とする１つ若しくは２つ以上のコーリングウィンドウにわたってサンプル被覆率データの中央値被覆率を決定すること、生被覆率を中央値被覆率で割ること（例えば、正規化されたサンプル被覆率データをもたらす）、及び／又は同種のこと、のうちの１つ又は２つ以上を含むことができる。

一態様では、コーリングウィンドウｗのＧＣ比率を条件とする複数のウィンドウにわたってサンプル被覆率データの中央値被覆率を決定することは、１つ若しくは２つ以上のコーリングウィンドウをＧＣ比率によってビニングすること（例えば、複数のビンをもたらす）、複数のビンのうちの各ビンに対して中央値被覆率を決定すること、コーリングウィンドウｗに最も近い２つのビンの中央値被覆率の間の線形補間を使用して別個の可能なＧＣ比率ごとに正規化係数を決定すること、及び／又は同種のこと、のうちの１つ又は２つ以上を含むことができる。

工程６１０においては、混合分布モデルが、基準被覆率データのサブセットに基づいて、正規化されたサンプル被覆率データに当てはめられ得る。例えば、混合分布モデルは、基準被覆率データのサブセットに従って訓練され得る。基準被覆率データのサブセットに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることは、複数の混合分布モデルを複数のゲノム領域のそれぞれにつき１つ決定することを含むことができる。複数の混合分布モデルの１つ又は２つ以上の（又はそれぞれの）構成要素は、特定のコピー数を条件とする期待される正規化された被覆率を表現する確率分布を含むことができる。基準被覆率データのサブセットに基づいて混合分布モデルを正規化されたサンプル被覆率データに当てはめることはまた、１つ又は２つ以上のコーリングウィンドウのそれぞれにおいて各コピー数の尤度を決定するために、期待値最大化アルゴリズムを使用して複数の混合分布モデルを正規化されたサンプル被覆率データに当てはめることを含むこともできる。基準被覆率データのサブセットは、期待値最大化アルゴリズムに入力され得る。

工程６１２においては、１つ又は２つ以上のコピー数多型が、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により同定され得る。例えば、正規化されたサンプル被覆率データ及び当てはめられた混合分布モデルに基づいて１つ又は２つ以上のコピー数多型を隠れマルコフモデル（ＨＭＭ）により同定することは、（例えば、１つ又は２つ以上のコーリングウィンドウの）各コーリングウィンドウに対する正規化されたサンプル被覆率データをＨＭＭに入力すること、混合分布モデルに基づいてＨＭＭの１つ若しくは２つ以上の出力確率を決定すること、
（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）あるコーリングウィンドウを、そのコーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定すること、及び／又は同種のこと、のうちの１つ又は２つ以上を含むことができる。一態様では、混合分布モデルに基づいてＨＭＭの１つ又は２つ以上の出力確率を決定することは、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）コーリングウィンドウｗにて、ＨＭＭ状態ｓが与えられ、状態ｓに対応するｗの混合分布モデルの構成要素に基づいて、正規化された被覆率値ｘを観測する確率を決定することを含むことができる。

一態様では、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）あるコーリングウィンドウを、そのコーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定することは、以下のうちの１つ又は２つ以上を含むことができる：複数のゲノム領域のうちのあるゲノム領域上で５’から３’の方向にビタビアルゴリズムを実行すること、複数のゲノム領域のうちのそのゲノム領域上で３’から５’の方向にビタビアルゴリズムを実行すること、（例えば、１つ又は２つ以上のコーリングウィンドウのうちの）あるコーリングウィンドウを、そのコーリングウィンドウに関連した複数のゲノム領域のうちのゲノム領域が５’から３’の方向及び３’から５’の方向において非２倍体の最も可能性の高い状態を有する場合にＣＮＶとして同定すること、及び／又は同種のこと。

工程６１４においては、１つ又は２つ以上のコピー数多型が出力され得る。例えば、１つ又は２つ以上のコピー数多型は、（例えば、ユーザーインターフェースを介して）ユーザーに出力され得る。１つ又は２つ以上のコピー数多型は、ネットワークを介して遠隔地に送信され得る。１つ又は２つ以上のコピー数多型は、別の実行可能プログラムに入力として提供され得る。１つ又は２つ以上のコピー数多型は、データベース又は他のファイル形式など、記憶場所に保存され得る。例示的な出力が図１５に示されている。

例示的な態様では、方法及びシステムは、図７に示され、以下に説明されるように、コンピュータ７０１上に実装され得る。同様に、開示の方法及びシステムは、１つ又は２つ以上のコンピュータを利用して、１つ又は２つ以上の機能を１つ又は２つ以上の場所で実行することができる。図７は、開示の方法を実行するための例示的な動作環境を示しているブロック図である。この例示的な動作環境は、動作環境の一例に過ぎず、動作環境アーキテクチャの使用又は機能の範囲に関していかなる制限の示唆も意図するものではない。動作環境は、例示的な動作環境に図示されている構成要素のいずれか１つ又は任意の組み合わせに関連したいかなる依存性も必要条件も有しないものと解釈される。

本発明の方法及びシステムは、多数の他の汎用又は専用のコンピューティングシステム環境又は構成と共に動作可能であり得る。本発明のシステム及び方法と共に使用するのに適し得る周知のコンピューティングシステム、環境、及び／又は構成の例には、パーソナルコンピュータ、サーバーコンピュータ、ラップトップデバイス、及び多重プロセッサシステムが含まれるが、これらに限定されない。追加の例には、セットトップボックス、プログラム可能な家庭用電化製品、ネットワークＰＣ、ミニコンピュータ、メインフレームコンピュータ、上述のシステム又はデバイス及び同種のもののいずれかを含む分散型のコンピューティング環境が含まれる。

開示の方法及びシステムの処理は、ソフトウェア構成要素によって実行され得る。開示のシステム及び方法は、１つ又は２つ以上のコンピュータ又は他のデバイスによって実行される、プログラムモジュールなど、コンピュータ実行可能命令の一般的な文脈で説明され得る。一般に、プログラムモジュールは、特定のタスクを実行するか、又は特定の抽象データ型を実装する、コンピュータコード、ルーチン、プログラム、オブジェクト、コン
ポーネント、データ構造などを含む。開示の方法はまた、通信ネットワークを介して結合されるリモート処理デバイスによってタスクが実行される、グリッドベース及び分散型のコンピューティング環境でも実践され得る。分散型のコンピューティング環境では、プログラムモジュールは、メモリ記憶デバイスを含めてローカル及びリモートのコンピュータ記憶媒体のどちらにも配置され得る。

更に、本明細書に開示されたシステム及び方法は、汎用のコンピューティングデバイスによってコンピュータ７０１の形態で実装され得ることを当業者なら理解するであろう。コンピュータ７０１の構成要素には、１つ又は２つ以上のプロセッサ７０３、システムメモリ７１２、及び、１つ又は２つ以上のプロセッサ７０３を含めて様々なシステム構成要素をシステムメモリ７１２に連結するシステムバス７１３が含まれ得るが、これらに限定されない。システムは、並列コンピューティングを利用することができる。

システムバス７１３は、メモリバス若しくはメモリコントローラ、周辺バス、アクセラレーテッドグラフィックスポート、又は様々なバスアーキテクチャのいずれかを使用するローカルバスを含めて、いくつかの可能なタイプのバス構造のうちの１つ又は２つ以上を表現する。例として、このようなアーキテクチャには、業界標準アーキテクチャ（ＩＳＡ）バス、マイクロチャネルアーキテクチャ（ＭＣＡ）バス、拡張ＩＳＡ（ＥＩＳＡ）バス、ビデオエレクトロニクス規格協会（ＶＥＳＡ）ローカルバス、アクセラレーテッドグラフィックスポート（ＡＧＰ）バス、ペリフェラルコンポーネントインターコネクト（ＰＣＩ）、ＰＣＩエクスプレスバス、パーソナルコンピュータメモリカード国際協会（ＰＣＭＣＩＡ）、ユニバーサルシリアルバス（ＵＳＢ）、及び同種のものが含まれ得る。バス７１３、及び本説明で指定される全てのバスはまた、有線又は無線のネットワーク接続を介して実装され得、１つ又は２つ以上のプロセッサ７０３、大容量記憶デバイス７０４、オペレーティングシステム７０５、ＣＮＶコーリングソフトウェア７０６、ＣＮＶコーリングデータ７０７、ネットワークアダプタ７０８、システムメモリ７１２、入力／出力インターフェース７１０、ディスプレイアダプタ７０９、ディスプレイデバイス７１１、及びヒューマンマシンインターフェース７０２を含めて、サブシステムのそれぞれは、物理的に分離した場所にある１つ又は２つ以上のリモートコンピューティングデバイス７１４ａ、ｂ、ｃの内部に収容され得、この形態のバスを介して接続され、完全に分散型のシステムを実質的に実装する。

コンピュータ７０１は、典型的には、様々なコンピュータ可読媒体を備える。例示的な可読媒体は、コンピュータ７０１によってアクセスすることができる任意の使用可能な媒体であり得、例えば、これに限定されるものではないが、揮発性媒体と不揮発性媒体の両方、取り外し可能な媒体と取り外し不可能な媒体の両方を含む。システムメモリ７１２は、ランダムアクセスメモリ（ＲＡＭ）などの揮発性メモリ及び／又はリードオンリメモリ（ＲＯＭ）などの不揮発性メモリの形態でコンピュータ可読媒体を含む。システムメモリ７１２は、典型的には、１つ又は２つ以上のプロセッサ７０３によってすぐにアクセス可能である、及び／又は現在操作される、ＣＮＶコーリングデータ７０７などのデータ、並びに／又はオペレーティングシステム７０５及びＣＮＶコーリングソフトウェア７０６などのプログラムモジュールを収容する。

別の態様では、コンピュータ７０１はまた、他の取り外し可能な／取り外し不可能な、揮発性／不揮発性のコンピュータ記憶媒体を備えることもできる。例として、図７は、コンピュータコード、コンピュータ可読命令、データ構造、プログラムモジュール、及びコンピュータ７０１用の他のデータの不揮発性記憶を提供することができる大容量記憶デバイス７０４を示している。例えば、これに限定されるものではないが、大容量記憶デバイス７０４は、ハードディスク、取り外し可能な磁気ディスク、取り外し可能な光学式ディスク、磁気カセット又は他の磁気記憶デバイス、フラッシュメモリカード、ＣＤ−ＲＯＭ
、デジタル多用途ディスク（ＤＶＤ）又は他の光学式記憶、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、電気的消去再書込み可能な読出し専用メモリ（ＥＥＰＲＯＭ）、及び同種のものであり得る。

任意追加的には、例えば、オペレーティングシステム７０５及びＣＮＶコーリングソフトウェア７０６を含めて、任意の数のプログラムモジュールが、大容量記憶デバイス７０４上に保存され得る。オペレーティングシステム７０５及びＣＮＶコーリングソフトウェア７０６のそれぞれ（又はこれらの一部の組み合わせ）は、プログラミング及びＣＮＶ
コーリングソフトウェア７０６の要素を含むことができる。ＣＮＶコーリングデータ７０７もまた、大容量記憶デバイス７０４上に保存され得る。ＣＮＶコーリングデータ７０７は、当該技術分野において周知の１つ又は２つ以上のデータベースのいずれかに保存され得る。このようなデータベースの例には、ＤＢ２（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標）Ａｃｃｅｓｓ、Ｍｉｃｒｏｓｏｆｔ（登録商標）ＳＱＬ Ｓｅｒｖｅｒ、Ｏｒａｃｌｅ（登録商標）、ｍｙＳＱＬ、ＰｏｓｔｇｒｅＳＱＬ、及び同種のものが含まれる。データベースは、複数のシステムにわたって集中化又は分散化され得る。

別の態様では、ユーザーは、入力デバイス（図示せず）を介してコマンド及び情報をコンピュータ７０１に入力することができる。このような入力デバイスの例には、キーボード、ポインティングデバイス（例えば、「マウス」）、マイクロホン、ジョイスティック、スキャナー、グローブ及び他の人体を覆うものなどの触覚入力デバイス、並びに同種のものが含まれるが、これらに限定されない。これら及び他の入力デバイスは、システムバス７１３に連結されるヒューマンマシンインターフェース７０２を介して１つ又は２つ以上のプロセッサ７０３に接続され得るが、パラレルポート、ゲームポート、ＩＥＥＥ １３９４ポート（ファイアワイヤポートの別名でも知られる）、シリアルポート、又はユニバーサルシリアルバス（ＵＳＢ）など、他のインターフェース及びバス構造によって接続され得る。

更に別の態様では、ディスプレイデバイス７１１もまた、ディスプレイアダプタ７０９などのインターフェースを介してシステムバス７１３に接続され得る。コンピュータ７０１は２つ以上のディスプレイアダプタ７０９を有し得、コンピュータ７０１は２つ以上のディスプレイデバイス７１１を有し得ることが企図される。例えば、ディスプレイデバイスは、モニタ、ＬＣＤ（液晶ディスプレイ）、又はプロジェクターであり得る。ディスプレイデバイス７１１に加えて、他の出力周辺デバイスには、入力／出力インターフェース７１０を介してコンピュータ７０１に接続され得るスピーカー（図示せず）及びプリンター（図示せず）などの構成要素が含まれ得る。方法の任意の工程及び／又は結果は、任意の形態で出力デバイスに出力され得る。このような出力は、テキスト、図表、動画、音声、触覚などを含むが、これらに限定されない、任意の形態の視覚的表現であり得る。ディスプレイ７１１及びコンピュータ７０１は、１つのデバイスの一部であるか、又は別個のデバイスであり得る。

コンピュータ７０１は、１つ又は２つ以上のリモートコンピューティングデバイス７１４ａ、ｂ、ｃへの論理接続を使用して、ネットワーク化された環境で動作することができる。例えば、リモートコンピューティングデバイスは、パーソナルコンピュータ、ポータブルコンピュータ、スマートフォン、サーバー、ルーター、ネットワークコンピュータ、ピアデバイス、又は他の一般的なネットワークノードなどであり得る。コンピュータ７０１とリモートコンピューティングデバイス７１４ａ、ｂ、ｃとの間の論理接続は、ローカルエリアネットワーク（ＬＡＮ）及び／又は一般的なワイドエリアネットワーク（ＷＡＮ）など、ネットワーク７１５を介して作成され得る。このようなネットワーク接続は、ネットワークアダプタ７０８を経由し得る。ネットワークアダプタ７０８は、有線環境及び無線環境のどちらでも実装され得る。このようなネットワーキング環境は、居住施設、事
務所、企業規模のコンピュータネットワーク、イントラネット、及びインターネットにおいて従来通りのありふれたものである。

例示を目的として、アプリケーションプログラム、及びオペレーティングシステム７０５などの他の実行可能プログラム構成要素は、本明細書に別個のブロックとして示されているが、このようなプログラム及び構成要素は、コンピューティングデバイス７０１の様々な記憶構成要素内に様々なときに存在し、コンピュータの１つ又は２つ以上のプロセッサ７０３によって実行されることは理解される。ＣＮＶコーリングソフトウェア７０６の実装は、コンピュータ可読媒体のいくつかの形態の上に保存される、又はそれらにわたって伝送され得る。いずれの開示の方法も、コンピュータ可読媒体上に具体化されたコンピュータ可読命令によって実行され得る。コンピュータ可読媒体は、コンピュータによってアクセスすることができる任意の使用可能な媒体であり得る。例えば、これに限定されるものではないが、コンピュータ可読媒体には、「コンピュータ記憶媒体」及び「通信媒体」が含まれ得る。「コンピュータ記憶媒体」には、コンピュータ可読命令、データ構造、プログラムモジュール、又は他のデータなどの情報を記憶するための任意の方法又は技術で実装される、揮発性及び不揮発性の、取り外し可能な及び取り外し不可能な媒体が含まれる。例示的なコンピュータ記憶媒体には、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ又は他のメモリ技術、ＣＤ−ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）若しくは他の光学式記憶、磁気カセット、磁気テープ、磁気ディスク記憶デバイス若しくは他の磁気記憶デバイス、又は、所望の情報を保存するために使用することができ、かつ、コンピュータによってアクセスすることができる任意の他の媒体が含まれるが、これらに限定されない。

方法及びシステムは、機械学習及び反復学習などの人口知能技術を用いることができる。このような技術の例には、エキスパートシステム、事例ベース推論、ベイジアンネットワーク、行動ベースＡＩ、ニューラルネットワーク、ファジーシステム、進化的計算（例えば、遺伝的アルゴリズム）、群知能（例えば、アントアルゴリズム）、及びハイブリッド知的システム（例えば、ニューラルネットワークによって生成されるエキスパート推論ルール又は統計的学習からのプロダクションルール）が挙げられるが、これらに限定されない。

以下の実施例は、本明細書で特許請求される化合物、組成物、物品、デバイス、及び／又は方法を作製し評価する方法の完全な開示及び説明を当業者に提供するために記載され、純粋に例示を意図するものであり、方法及びシステムの範囲を制限することを意図するものではない。数字（例えば、量など）に対する精度を確保する努力がなされたが、ある程度の誤差及び偏差が考慮されるべきである。

本発明の方法及びシステムは、様々な検証実験によって検証された。第１の実験は、ある家系でのメンデル遺伝パターンに対して、ＣＬＡＭＭＳ及び他のアルゴリズムからのＣＮＶコールの忠実性を評価した。１組の３１６４個のサンプルに対するＣＬＡＭＭＳ、ＸＨＭＭ（別の広く用いられているアルゴリズム）、及びＳＮＰ遺伝子型判定アレイからのコールが比較されている。別の検証実験は、ＴａｑＭａｎ ｑＰＣＲを使用して、ＣＬＡＭＭＳによって予測されたＣＮＶを検証した。例えば、ＴａｑＭａｎ ｑＰＣＲは、１７の一般多型座にわたって、３７の座においてＣＬＡＭＭＳを検証するために例として使用され得る（９５％の希少多型検証）。平均精度及びリコールは、それぞれ、９９％及び９４％である。

本発明の方法及びシステムの検証には、操作の複雑性及びＣＬＡＭＭＳアルゴリズムの拡張性の解析が含まれていた。例えば、ｋ−ｄ木を維持することには、１サンプルにつきＯ（ｌｏｇ ｎ）時間しかかからないので、ｎ個のサンプルを配列決定することには、Ｏ
（ｎ ｌｏｇ ｎ）時間がかかり得る。この方法は、以前のアルゴリズムのＯ（ｎ^２）複雑性（例えば、ＣＡＮＯＥＳ及びＥｘｏｍｅＤｅｐｔｈのＰＣＡ法及び基準パネル選択法のどちらも、各サンプルの被覆率プロファイルが全ての他のサンプルに比較される必要がある）を改善する。

本明細書で更に説明されるように、メンデル遺伝パターンに対する、ＣＬＡＭＭＳ、ＸＨＭＭ、ＣｏＮＩＦＥＲ、ＣＡＮＯＥＳ、及びＥｘｏｍｅＤｅｐｔｈからのＣＮＶコールの忠実性が、評価され得る。例として、これらのアルゴリズムからのＣＮＶコールの忠実性は、３回の技術的反復で配列決定された、ＣＥＰＨ家系１４６３の８人に対して評価された。９２個の追加のサンプルが、基準パネルとして提供された。この家系のほとんどのＣＮＶは、（例えば、定義により）一般多型であることに留意されたい。コールの９８％は遺伝したものであり、９４％は３回の技術的反復の全てにわたって一致した。他の評価したアルゴリズムの統計を以下に更に提示する。

一般ＣＮＶに対するＣＬＡＭＭＳアルゴリズムの性能の向上は、希少ＣＮＶに対する性能の低下によって達成されているわけではない。例えば、別の検証実験として、ＣＬＡＭＭＳ及びＸＨＭＭからのＣＮＶコールが、３１６４個のサンプルについて（例えば、ＳＮＰ遺伝子型判定アレイからのデータを使用する）ＰｅｎｎＣＮＶからの「至適基準」コールと比較された。ＰｅｎｎＣＮＶコールには、いくつかの品質管理フィルタが適用された。希少多型（例えば、アレイデータ内でＡＦ≦０．１％）では、ＸＨＭＭの６６％精度及び６４％リコールに比べて、ＣＬＡＭＭＳは７８％精度及び６５％リコールを有した。

別の検証実験として、ＣＬＡＭＭＳによって予測されたＣＮＶのランダムなサブセットを検証するために、ＴａｑＭａｎ ｑＰＣＲが使用され得る。ＴａｑＭａｎ ｑＰＣＲは、ヒト遺伝子突然変異データベース内の疾患関連遺伝子に重なる２０の希少多型座及び２０の一般多型座において検証するために使用された。この例示的な検証実験では、ＣＬＡＭＭＳによって予測された希少多型の１９／２０（９５％）が検証された。３つの一般多型座が、ＴａｑＭａｎデータ内での高い分散が原因で除外された。残りの１７の座により、９９．０％及び９４．１％の平均精度／リコール値がそれぞれ算出された。別の結果として、１６／１７（９４％）の座が偽陽性を有しなかった。更なる結果として、１３／１７の座（７６％）が、遺伝子型判定された１６５個のサンプルに対して９０％以上の感度を有した。図８〜図１４は、これらの検証実験をより詳細に示している。

図８は、ＣＬＡＭＭＳ及び他のアルゴリズムのＲＡＭ使用量を比較している。他のアルゴリズムのＲＡＭ使用量がサンプル数に対して線形に増加しているのに対し、ＣＬＡＭＭｓのＲＡＭ使用量は一定であるように見える。全てのアルゴリズムでは、５０サンプルに対してＣＮＶコーリングアルゴリズムのＲＡＭ使用量が示されている。ＣＡＮＯＥＳを除いた全てのアルゴリズムでは、１００及び２００サンプルに対してＣＮＶコーリングアルゴリズムのＲＡＭ使用量が示されており、ＣＡＮＯＥＳは、４時間実行しても完了しなかった。３１６４サンプルに対しては、ＣＬＡＭＭＳ及びＸＨＭＭを使用してＲＡＭ使用量が示されている。

一態様では、ＣＬＡＭＭｓアルゴリズムは、以下のように検証され得る。検証は、例えば、ＣＥＰＨ家系１４６３など、リポジトリからのデータを使用して実行され得る。第１の検証実験は、８人からなる家系（例えば、祖父母のＮＡ１２８８９、ＮＡ１２８９０、ＮＡ１２８９１、ＮＡ１２８９２、親のＮＡ１２８７７、ＮＡ１２８７８、及び子のＮＡ１２８８０、ＮＡ１２８８２を含む、ＣＥＰＨ家系１４６３のサブセット）のメンデル遺伝パターンに対して、ＣＬＡＭＭＳ及び４つの他のアルゴリズム（ＸＨＭＭ、ＣｏＮＩＦＥＲ、ＣＡＮＯＥＳ、及びＥｘｏｍｅＤｅｐｔｈ）からのＣＮＶコールの忠実性を評価すること目的とした。８人の家系メンバーのそれぞれは、３回の技術的反復で配列決定され
た。ＣＮＶコールは、本明細書に記載されているように、各アルゴリズムのデフォルトパラメータを使用して行われた。９２個の無関係なサンプルからなる基準パネルが、各アルゴリズムに対して使用可能にされた。公正な比較を確実にするために、ＣＬＡＭＭＳによって使用される演繹的なフィルタ（例えば、極端なＧＣ領域及びマッピング可能性の低い領域をフィルタ処理すること）が、全てのアルゴリズムで入力データに適用され得、その結果、性能の差は、ＣＬＡＭＭＳの最も問題となるゲノム領域の除外によるものではなくなる。性染色体もまた、比較から除外された。

３つの評価指標がアルゴリズムごとに計算され得る：１）３回の技術的反復の全てにわたって一致したコールの割合、２）第１世代及び第２世代でのコールの伝達率、及び３）第２世代及び第３世代での遺伝したコールの割合。コールが伝達されたものかどうか及び／又は遺伝されたものかどうかを判定する際に５０％重なり基準が使用された（例えば、子のＣＮＶは、その少なくとも５０％に親のいずれかのＣＮＶが重なる場合は遺伝されたものである）。

図９は、ＣＥＰＨ家系に対するＣＮＶコールの性能評価指標を示している表である。「コール数」列は、３回の技術的反復にわたる８人の家系メンバーに対するものである（例えば、合計で２４個のサンプル）。ＣＮＶは、そのＣＮＶの対立遺伝子頻度が１％以上である場合は一般として分類され、それ以外の場合は希少として分類された（例えば、希少ＣＮＶは偽陽性である可能性があることに留意されたい）。ＥｘｏｍｅＤｅｐｔｈコールは、ベイズ因子が１０（例えば、又は他の閾値）未満の場合に除外され得る。図９はまた、各アルゴリズムによって行われ、技術的反復にわたって一致し、かつメンデル遺伝パターンに対応しているコールの数も示している。前述したように、ＣＬＡＭＭＳを除き、言及した全てのアルゴリズムは、基準パネルサンプルが全ての座において２倍体である（例えば、単峰型被覆率分布をもたらす）と仮定して、もっぱら希少多型のみを重視している。したがって、家系内のほとんどのＣＮＶが一般多型であるため、他のアルゴリズムの性能は低くなることが予想される。その一方でＣＬＡＭＭＳは、これらの一般多型を正確に遺伝子型判定する（例えば、そのコールの２％のみが推定的にデノボである）。メンデル伝達率より高いもの（例えば、６１％）は、単に偶然に起因するものであり得る（例えば、第１世代及び第２世代には固有のＣＮＶ座が２７のみ存在する）。

一態様では、検証は、「至適基準」アレイベースのＣＮＶコールを使用して実行され得る。本発明者らによる第２の検証実験は、ＣＬＡＭＭＳ及びＸＨＭＭからのＣＮＶコールを、Ｒｅｇｅｎｅｒｏｎ Ｇｅｎｅｔｉｃｓ Ｃｅｎｔｅｒのヒトエクソーム多型データベース内の１組の３１６４個のサンプルに対するＳＮＰ遺伝子型判定アレイからのデータを使用する、ＰｅｎｎＣＮＶからの「至適基準」コールと比較することを目的とした。試験セットサンプルは、以下の試験条件のいずれかを満たした場合は除外された：５０を超えるＰｅｎｎＣＮＶコール数、０．２３（９５パーセンタイル）を超えるＬＲＲ＿ＳＤ（対数Ｒ比の標準偏差）、及び０．００５（９５パーセンタイル）を超えるＢＡＦ＿ｄｒｉｆｔ（Ｂ対立遺伝子頻度浮動）。

一態様では、アレイベースのＣＮＶコールは、エクソーム配列決定読み深度からのＣＮＶコールよりも一般に精度が高いにもかかわらず、真の「至適基準」ではない場合があり、２つの公開されたデータセット（８４９の全ゲノムからのＣＮＶコール、及び自閉症研究での１９，５８４の制御遺伝子からのアレイベースのＣＮＶコール）内のいずれの多型にも重ならなかったいくつかの推定コピー数多型座（例えば、１％を超えるＡＦ）を含めて、偽陽性のものを含み得る。試験セット内の偽陽性率を最小化するために、希少であり、かつ、小さくないＣＮＶのみが含められた。以下の条件のうちの１つ又は２つ以上が満たされるＰｅｎｎＣＮＶコールは除外された：１０ｋｂ未満又は２Ｍｂ超のＣＮＶ長、アレイ設計内の少なくとも１つのエクソン及び少なくとも１０のＳＮＰに重ならないＣＮＶ
、基準ゲノム（例えば、ＧＲＣｈ３７）内のギャップ又はＨａｐＭａｐ内の一般的なゲノム再編成に重なるＣＮＶ、０．１％を超える対立遺伝子頻度の特定のデータセット及び／又は３，１６４個の試験サンプル（例えば、ＣＮＶは、問題のＣＮＶの少なくとも３３．３％に重なる場合に対立遺伝子頻度数に含められる）。

全てのフィルタが適用された後の最終試験セットは、１，２４０個のサンプル内で１，７１５個のＣＮＶを含むことができる（例えば、４６％のＤＥＬ、５４％のＤＵＰ）。この評価では、ＣＬＡＭＭＳ及びＸＨＭＭのどちらも、デフォルトのパラメータ及び手順で実行された。任意の特定のデータセットに対して中央値数の２倍のコールを有するサンプルを外れ値と見なすことが推奨される。この例示的なデータセットでは、ＣＬＡＭＭＳコールの中央値数／サンプルは１１である。ＣＬＡＭＭＳが２２を超えるコールを実行する、２６個のサンプルからのＣＬＡＭＭＳコール（例えば、合計の０．８％）が除外された。これらのサンプルからのアレイコールは、依然として試験セットに含められ得る。

図１０は、ＰｅｎｎＣＮＶ「至適基準」と比較したＣＬＡＭＭＳ及びＸＨＭＭのＣＮＶコールを示す。精度は、ＰｅｎｎＣＮＶコールによって裏付けられ得る、即ち、２つのアルゴリズムに同じフィルタ処理基準が適用され、指定された重なり閾値でＰｅｎｎＣＮＶコールが実際に重なるＣＬＡＭＭＳ／ＸＨＭＭコールの比率として計算され得る。リコール（例えば、感度）は、指定された重なり閾値で任意のＣＬＡＭＭＳ／ＸＨＭＭコールが重なるＰｅｎｎＣＮＶコールの比率として計算され得る（例えば、フィルタの適用はなし）。Ｆスコアは、精度及びリコールの幾何平均として定義され得る。

一態様では、ＣＬＡＭＭＳは、任意重なり基準を使用してＸＨＭＭよりも９．３％高い、３３％重なり基準を使用して５．８％高い、及び５０％重なり基準を使用して４．９％高いＦスコアを達成することができる。この改善は、ＣＬＡＭＭＳの精度の向上（例えば、重なり閾値に応じて１８％〜２０％の向上）によってもたらされる。

ＣＬＡＭＭＳは、一般に、ＣＮＶの分断点を評価する際にＰｅｎｎＣＮＶ又はＸＨＭＭよりも保守的であり（例えば、より小さいＣＮＶを報告する）、このことが、任意の重なりを使用すると５０％重なりよりもリコールが著しく向上する理由である。本明細書で論じるように、ＰｅｎｎＣＮＶ及びＸＨＭＭを含むアルゴリズムは、ビタビアルゴリズムを使用してＣＮＶ領域を同定し、エクソーム全体にわたって１方向（例えば、５’から３’）に走査を行う。このような方法は、ＣＮＶコールに方向バイアスを生じさせる。ＣＮＶを「開く」ことは事実上高コストであるが、ＣＮＶを「拡張する」ことは低コストであり、したがって、コールされたＣＮＶ領域は、３’端の分断点をオーバシュートする傾向がある。その一方でＣＬＡＭＭＳは、ビタビが前向き（５’から３’）及び後向き（３’から５’）に実行されるときに、コールされたＣＮＶ領域の交差部のみを報告するように構成され得、方向バイアスは除去される。

一態様では、検証は、以下のようにＴａｑＭａｎ ｑＰＣＲを使用して実行され得る。ＣＬＡＭＭＳによって予測されたＣＮＶ座（例えば、２０の希少、２０の一般）の選択を検証するために、ＴａｑＭａｎ定量的ＰＣＲが使用され得る。各座では、ＰＣＲベースのコピー数予測が、希少座及び一般座のそれぞれ５６／１６５サンプルのＣＬＡＭＭＳ ＣＮＶ遺伝子型と比較され得る。ＣＮＶ座は、ヒト遺伝子突然変異データベース内に記録されている疾患関連を有する少なくとも１つの遺伝子に重なった全ての座の組からランダムに選択され得る。

この方法を使用して、希少多型の１９／２０（９５％）が検証された。３／２０の一般多型座はもっともらしく正しかったが、ＰＣＲデータにおいて高い分散を有し、結果を不明瞭にした。残りの一般多形座の１６／１７（９４％）は偽陽性を有し、１つの座は５／
６のコールが正しかった。１３／１７（７６％）の不明瞭でない一般多形座は、（例えば、１００％の感度を有する９／１７の座を含めて、）９０％以上の感度を有した。他の４／１７は、８７．５％、８７．３％、８１．５％、及び７０．１％の感度を有した。１７座の精度値／感度値の平均は、それぞれ９９．０％及び９４．１％であった。

図１１は、希少ＣＮＶのＴａｑＭａｎ検証を示している表を示す。この例示的な検証では、一般ＣＮＶ座に対して試験された１６５個のサンプルは、各座が非２倍体コピー数のサンプルを正当な数で確実に有するために必要なサンプル数を最小化しようとしてランダムに選択されたものではない（例えば、このことが、表内のいくつかの座がちょうど１０個の予測されたＣＮＶを有する理由である）。

図１２は、一般ＣＮＶのＴａｑＭａｎ検証を示している表を示す。図１３は、ＬＩＬＲＡ３一般多型座に対するＣＬＡＭＭＳ及びＴａｑＭａｎのコピー数予測の比較を示しているグラフである。図１４は、ＬＩＬＲＡ３一般多型座に対するＣＬＡＭＭＳ及びＴａｑＭａｎのコピー数予測の比較を示しているグラフである。

方法及びシステムは好ましい実施形態及び具体的な実施例と一緒に記載されているが、記載されている特定の実施形態によってその範囲を限定されるものではなく、本明細書に記載の実施形態はあらゆる面において制限ではなく例示を意図するものである。

特に明示的な記載のない限り、本明細書に記載されたいかなる方法も、その工程が特定の順序で実行される必要があるものと解釈されることは全く意図されていない。したがって、方法の請求項でその工程が従うべき順序を実際に列挙してなく、工程が特定の順序に制限されることを請求項又は説明で特に明記されていない場合、いかなる点においても順序が暗示されるようなことは全く意図されていない。このことは、工程又は作業フローの整列に関するロジックの問題、文法的な構成又は句読点から導き出される明白な意味、本明細書に記載された実施形態の番号又は種類を含め、解釈についての考えられるいかなる黙示基準にも当てはまる。

本願の全体を通じて、様々な出版物が参照される。これによって、方法及びシステムが属する最新技術を更に十分に説明するために、これらの出版物の開示内容全体が参照により本願に組み込まれる。

本発明の範囲及び趣旨から逸脱することなく様々な修正及び変更を行えることは当業者には明白であろう。本明細書及び本明細書に開示された実施例の考慮から、他の実施形態は当業者には明白であろう。本明細書及び実施例は例示としてのみ考慮され、実際の範囲及び趣旨は以下の特許請求の範囲によって示されることが意図される。

Claims (22)

1. サンプル分類技術を適用して基準被覆率データを選択するステップと、
   複数のゲノム領域を含むサンプル被覆率データを正規化するステップと、
   前記選択された基準被覆率データに基づいて混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップと、
   前記正規化されたサンプル被覆率データ及び前記当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型（ＣＮＶ）を同定するステップと、
   前記１つ又は２つ以上のコピー数多型を出力するステップと、を備える、方法。
2. サンプル分類技術を適用して基準被覆率データを選択するステップが、
   前記サンプル被覆率データの複数の評価指標を受信するステップと、
   前記サンプル被覆率データと前記基準被覆率データとの間の距離評価指標を前記複数の評価指標に基づいて定義するステップと、
   前記距離評価指標に基づいてサンプルごとに前記基準被覆率データを選択するステップと、を含んでなる、請求項１に記載の方法。
3. 前記サンプル分類技術が、クラスタリングアルゴリズム、判別アルゴリズム、又はこれらの組み合わせを含んでなる、請求項１に記載の方法。
4. 前記サンプル分類技術が、ｋ最近傍探索（ｋｎｎ）アルゴリズムと、前記サンプル分類技術を適用した基準被覆率データの選択と、を含んでなり、前記方法が、
   前記基準被覆率データに関連した複数の評価指標をスケーリングするステップと、
   前記基準被覆率データに関連した前記スケーリングされた複数の評価指標に基づいてｋ−ｄ木を生成するステップと、
   前記サンプル被覆率データに関連した複数の評価指標をスケーリングするステップと、
   前記サンプル被覆率データに関連した前記スケーリングされた複数の評価指標に基づいて前記サンプル被覆率データを前記ｋ−ｄ木に追加するステップと、
   前記サンプル被覆率データに対して所定の数の最近傍データを前記選択された基準被覆率データとして特定するステップと、を備える、請求項１に記載の方法。
5. 前記複数のゲノム領域を１つ又は２つ以上のコーリングウィンドウに分割するステップを更に備える、請求項１に記載の方法。
6. 複数のゲノム領域を含むサンプル被覆率データを正規化するステップが、
   コーリングウィンドウｗの生被覆率を決定するステップと、
   前記コーリングウィンドウｗのＧＣ比率を条件とする前記１つ又は２つ以上のコーリングウィンドウにわたって前記サンプル被覆率データの中央値被覆率を決定するステップと、
   前記生被覆率を前記中央値被覆率で割り、前記正規化されたサンプル被覆率データをもたらすステップとを含んでなる、請求項５に記載の方法。
7. 前記コーリングウィンドウｗのＧＣ比率を条件とする前記複数のウィンドウにわたって前記サンプル被覆率データの中央値被覆率を決定するステップが、
   前記１つ又は２つ以上のコーリングウィンドウをＧＣ比率によってビニングし、複数のビンをもたらすステップと、
   前記複数のビンのうちの各ビンに対して中央値被覆率を決定するステップと、
   前記コーリングウィンドウｗに最も近い２つのビンの前記中央値被覆率の間の線形補間を使用して別個の可能なＧＣ比率ごとに正規化係数を決定するステップとを含んでなる、
   請求項６に記載の方法。
8. 前記サンプル被覆率データをフィルタ処理することを更に備える、請求項１に記載の方法。
9. 前記サンプル被覆率データをフィルタ処理するステップが、
   前記複数のゲノム領域のうちのあるゲノム領域のマッピング可能性スコアに基づいて１つ又は２つ以上のコーリングウィンドウをフィルタ処理するステップと、
   多コピー重複ゲノム領域内のコーリングウィンドウの発生に基づいて前記１つ又は２つ以上のコーリングウィンドウをフィルタ処理するステップとを備える、請求項８に記載の方法。
10. 前記１つ又は２つ以上のコーリングウィンドウをマッピング可能性スコアに基づいてフィルタ処理するステップが、
    前記複数のゲノム領域のうちの各ゲノム領域に対してマッピング可能性スコアを決定するステップと、
    前記１つ又は２つ以上のコーリングウィンドウのうち、前記複数のゲノム領域のうちの前記ゲノム領域を収容するコーリングウィンドウを、前記複数のゲノム領域のうちの前記ゲノム領域の前記マッピング可能性スコアが所定の閾値を下回る場合に除外するステップとを含んでなる、請求項９に記載の方法。
11. 多コピー重複ゲノム領域内のコーリングウィンドウの発生に基づいて前記１つ又は２つ以上のコーリングウィンドウをフィルタ処理するステップが、
    前記１つ又は２つ以上のコーリングウィンドウのうちのあるコーリングウィンドウを、前記１つ又は２つ以上のコーリングウィンドウのうちの前記コーリングウィンドウが、多コピー重複が存在すると知られている領域内に発生する場合に除外することを含んでなる、請求項９に記載の方法。
12. 前記選択された基準被覆率データに従って前記混合分布モデルを訓練するステップを更に備える、請求項５に記載の方法。
13. 前記選択された基準被覆率データに基づいて混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップが、
    複数の混合分布モデルを、前記複数のゲノム領域のそれぞれにつき１つ決定するステップであって、前記複数の混合分布モデルの各構成要素が、特定のコピー数を条件とする期待される正規化された被覆率を表現する確率分布を含む、複数の混合分布モデルを決定するステップと、
    前記１つ又は２つ以上のコーリングウィンドウのそれぞれにおいて各コピー数の尤度を決定するために、期待値最大化アルゴリズムを使用して前記複数の混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップであって、前記選択された基準被覆率データが前記期待値最大化アルゴリズムに入力される、期待値最大化アルゴリズムを使用して前記複数の混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップとを含んでなる、請求項１２に記載の方法。
14. 前記正規化されたサンプル被覆率データ及び前記当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型を同定するステップが、
    前記１つ又は２つ以上のコーリングウィンドウのうちの各コーリングウィンドウに対する前記正規化されたサンプル被覆率データを前記ＨＭＭに入力するステップと、
    前記混合分布モデルに基づいて前記ＨＭＭの１つ又は２つ以上の出力確率を決定するス
    テップと、
    前記１つ又は２つ以上のコーリングウィンドウのうちのあるコーリングウィンドウを、前記コーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定するステップとを含んでなる、請求項１３に記載の方法。
15. 前記混合分布モデルに基づいて前記ＨＭＭの１つ又は２つ以上の出力確率を決定するステップが、
    前記１つ又は２つ以上のコーリングウィンドウのうちのコーリングウィンドウｗにて、ＨＭＭ状態ｓが与えられ、状態ｓに対応するｗの前記混合分布モデルの構成要素に基づいて、正規化された被覆率値ｘを観測する確率を決定するステップを含んでなる、請求項１４に記載の方法。
16. 前記１つ又は２つ以上のコーリングウィンドウのうちの前記コーリングウィンドウを、前記コーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定するステップが、
    前記複数のゲノム領域のうちのあるゲノム領域上で５’から３’の方向にビタビアルゴリズムを実行するステップと、
    前記複数のゲノム領域のうちの前記ゲノム領域の３’から５’の方向にビタビアルゴリズムを実行するステップと、
    前記１つ又は２つ以上のコーリングウィンドウのうちの前記コーリングウィンドウを、前記コーリングウィンドウに関連した前記複数のゲノム領域のうちの前記ゲノム領域が前記５’から３’の方向及び前記３’から５’の方向において非２倍体の最も可能性の高い状態を有する場合にＣＮＶとして同定するステップと、を含んでなる、請求項１４に記載の方法。
17. 複数のゲノム領域を含むサンプル被覆率データを設けるステップと、
    基準被覆率データの表示を受信するステップであって、前記基準被覆率データがサンプル分類技術に基づいて選択される、基準被覆率データの表示を受信するステップと、
    前記サンプル被覆率データに適用する１つ又は２つ以上のフィルタを選択して前記サンプル被覆率データを正規化するステップと、
    前記基準被覆率データに基づいて混合分布モデルを前記正規化されたサンプル被覆率データに当てはめることを要求するステップと、
    前記正規化されたサンプル被覆率データ及び前記当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型を同定することを要求するステップと、
    前記１つ又は２つ以上のコピー数多型の表示を受信するステップとを備える、方法。
18. 前記基準被覆率データに基づいて前記混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップが、
    複数の混合分布モデルを、前記複数のゲノム領域のそれぞれにつき１つ決定するステップであって、前記複数の混合分布モデルの各構成要素が、特定のコピー数を条件とする期待される正規化された被覆率を表現する確率分布を含む、複数の混合分布モデルを、前記複数のゲノム領域のそれぞれにつき１つ決定するステップと、
    １つ又は２つ以上のコーリングウィンドウのそれぞれにおいて各コピー数の尤度を決定するために、期待値最大化アルゴリズムを使用して前記複数の混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップであって、前記選択された基準被覆率データが前記期待値最大化アルゴリズムに入力される、期待値最大化アルゴリズムを使用して前記複数の混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップと、を含んでなる、請求項１７に記載の方法。
19. 前記正規化されたサンプル被覆率データ及び前記当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型を同定するステップが、
    前記１つ又は２つ以上のコーリングウィンドウのうちの各コーリングウィンドウに対する前記正規化されたサンプル被覆率データを前記ＨＭＭに入力するステップと、
    前記混合分布モデルに基づいて前記ＨＭＭの１つ又は２つ以上の出力確率を決定するステップと、
    前記１つ又は２つ以上のコーリングウィンドウのうちのあるコーリングウィンドウを、前記コーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定するステップと、を含んでなる、請求項１８に記載の方法。
20. 複数のゲノム領域を含むサンプル被覆率データを受信するステップと、
    前記サンプル被覆率データに対する第１の複数の評価指標を取得するステップと、
    前記サンプル被覆率データ及び基準被覆率データにサンプル分類技術を適用して、前記基準被覆率データのサブセットを選択するステップと、
    前記複数のゲノム領域を含む前記サンプル被覆率データを正規化するステップと、
    前記基準被覆率データの前記サブセットに基づいて混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップと、
    前記正規化されたサンプル被覆率データ及び前記当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型を同定するステップと、
    前記１つ又は２つ以上のコピー数多型を出力するステップとを備える、方法。
21. 前記基準被覆率データの前記サブセットに基づいて前記混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップが、
    複数の混合分布モデルを、前記複数のゲノム領域のそれぞれにつき１つ決定するステップであって、前記複数の混合分布モデルの各構成要素が、特定のコピー数を条件とする期待される正規化された被覆率を表現する確率分布を含む、複数の混合分布モデルを、前記複数のゲノム領域のそれぞれにつき１つ決定するステップと、
    １つ又は２つ以上のコーリングウィンドウのそれぞれにおいて各コピー数の尤度を決定するために、期待値最大化アルゴリズムを使用して前記複数の混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップであって、前記基準被覆率データの前記サブセットが前記期待値最大化アルゴリズムに入力される、期待値最大化アルゴリズムを使用して前記複数の混合分布モデルを前記正規化されたサンプル被覆率データに当てはめるステップと、を含んでなる、請求項２０に記載の方法。
22. 前記正規化されたサンプル被覆率データ及び前記当てはめられた混合分布モデルに基づいて隠れマルコフモデル（ＨＭＭ）により１つ又は２つ以上のコピー数多型を同定するステップが、
    前記１つ又は２つ以上のコーリングウィンドウのそれぞれに対する前記正規化されたサンプル被覆率データを前記ＨＭＭに入力するステップと、
    前記混合分布モデルに基づいて前記ＨＭＭの１つ又は２つ以上の出力確率を決定するステップと、
    前記１つ又は２つ以上のコーリングウィンドウのうちのあるコーリングウィンドウを、前記コーリングウィンドウの状態の最尤配列が非２倍体である場合にＣＮＶとして同定するステップと、を含んでなる、請求項２１に記載の方法。