企业官网建设流程全解析

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",quietly=TRUE))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.0.5，celltype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?pwd=n1ci 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_name"B_cell,T_cell"\--annoRNA_snn_res.0.5\--outdir./fib_b&

参数说明

📊 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：

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