企业官网建设流程全解析

做肿瘤单细胞分析的朋友，大概率都绕不开一个问题：怎么从混杂的细胞群里面，把恶性细胞和正常细胞分开。单靠marker基因往往不够，很多肿瘤克隆的标记本来就不典型，甚至还会出现异常丢失。这时候就需要从拷贝数变异（CNV）层面去判断。inferCNVpy就是干这个事的：它通过单细胞转录组数据来推断染色体区段的拷贝数状态，帮你把可能带有大片段扩增或缺失的细胞给筛出来。这个工具之前主要是在R生态里用，inferCNVpy则是Python版，能直接接进scanpy流程。这篇内容就把我实际跑通inferCNVpy的完整过程、关键参数、踩坑记录都整理出来，供准备上手的朋友参考。

1. 为什么我最终选了inferCNVpy

1.1 R版inferCNV的痛点与Python生态的契合

R语言里那个经典的inferCNV，功能确实强，尤其是后来加了HMM的版本，可以在概率框架里判断每个染色体区段的CNV状态。但问题也很明显：它是独立R包，和Seurat的衔接还算顺畅，可一旦你的分析主流程已经迁到了Python + scanpy，就会非常别扭。每次跑完scanpy聚类，导出数据给R，跑完结果再导回来，中间还涉及矩阵格式转换、基因注释格式统一，光这些准备工作就能耗掉大半天。

inferCNVpy走的是完全不同的路子。它本身就是一个Python包，直接读取AnnData对象，输入输出都是scanpy生态的标准格式。这意味着你在scanpy里做完了标准化、聚类、注释，直接拿这个AnnData去跑inferCNVpy，结果又回到AnnData里，整个过程不需要任何格式转换。

另外一个实际体验是，inferCNVpy的接口设计比R版更简洁。R版inferCNV的核心函数参数很多，很多参数要看文档才能理解；inferCNVpy把流程收敛成几个关键函数：infercnv、pca、leiden、hmm、heatmap，每一步的输入输出非常清楚，排错也容易。

1.2 它到底在算什么：滑动窗口与HMM的基本盘

要想用好inferCNVpy，不能只把它当成一个画热图的工具。它的底层逻辑值得先理解一下。

正常情况下，一个二倍体细胞的基因表达量在染色体上的分布应该是相对均匀的，不会出现大片区域的基因同时升高或降低。但如果某个细胞发生了染色体片段的扩增，那么这段区域内的基因拷贝数变多，转录水平整体就会偏高；反过来，缺失区域的基因转录水平会整体偏低。当然，单看某一个基因，这种信号非常弱，因为基因表达本身受太多因素调控，噪声极大。

inferCNVpy的核心思路就是用“滑动窗口”来压制这种单基因噪声。它把染色体按基因顺序排好，设定一个包含一定数量基因的窗口，比如250个基因，窗口内的表达值求平均，然后窗口依次往后滑动。这样，单个基因的随机波动被平均掉，剩下的是区域性的表达趋势，而这种趋势恰好能反映拷贝数状态。

这里有个很关键的细节：计算窗口均值时，并不是把细胞逐个单独算，而是把每个细胞窗口内所有基因的表达值汇总成一个值。这一步完成后，每个细胞都得到一串“染色体区段化”的表达强度值，后续的热图、聚类、HMM都基于这个矩阵。

HMM（隐马尔可夫模型）则是更进一步，它把这串表达强度值当成观测序列，去推断背后的隐藏状态序列。这里的隐藏状态就是“拷贝数正常”、“拷贝数扩增”、“拷贝数缺失”等。HMM会综合考虑每个位置观测到的表达水平，以及状态之间的转移概率，最后给出一个平滑后的CNV状态路径。简单说，滑动窗口负责降噪，HMM负责分段判状态，两者配合才能得到有生物学意义的结果。

2. 上手前的准备：环境、数据与参考细胞

2.1 安装和依赖只有一行命令

inferCNVpy的安装比较简单，直接用pip装就行，它依赖scanpy、numpy、pandas、scikit-learn、statsmodels这些常见库，如果你的scanpy环境已经装好，额外补齐的包并不多。

我在一个干净的环境里实测，创建新conda环境后执行这条命令，几分钟就装完了：

conda create -n cnv python=3.10 -y conda activate cnv pip install scanpy infercnvpy

需要提醒的是，inferCNVpy对Python版本有一些要求，我用的Python 3.10没有问题。如果你在旧的Python 3.8环境里遇到依赖冲突，建议直接新建环境，不要去强解依赖，省时省力。

装完之后可以跑一个快速自检，确认版本号能正常输出：

import infercnvpy print(infercnvpy.__version__)

2.2 AnnData格式的硬性要求

inferCNVpy直接基于AnnData对象运行，所以你的表达矩阵必须在Anndata的X里。有几个地方需要提前检查：

第一，表达值是log-normalized状态。inferCNVpy不适合直接输入raw counts，你需要先跑完标准化和对数转换。如果用的是log1p之后的矩阵，通常没有问题。

第二，基因注释信息必须完整。var这个数据框里要有染色体信息和基因位置信息，inferCNVpy需要知道每个基因在哪个染色体上的什么位置，才能按顺序排布滑动窗口。我常用的列名是chromosome、start、end，不同版本的inferCNVpy可能对列名的要求略有差异，建议跑之前先看下文档，确认当前版本默认读哪些列。

如果你处理的是10X数据，常见的基因注释文件里都能找到这些信息，做一个merge就能补上。以human为例，大概这样操作：

import pandas as pd gene_anno = pd.read_csv("hg38_gene_annotation.csv") adata.var = adata.var.reset_index().merge( gene_anno, left_on="index", right_on="gene_name", how="left" ).set_index("index")

第三，细胞注释列要在obs里。必须有一个列来指定每个细胞的类型或分组，因为inferCNVpy要用其中一部分正常细胞作为参考基线。

2.3 参考细胞怎么选才不容易翻车

这一步是整个分析中最容易被低估的环节。参考细胞就是你认为“确定正常”的细胞，inferCNVpy会拿它们的表达均值作为基线，其他细胞的CNV信号都相对这个基线计算。参考细胞选得好不好，直接决定结果靠不靠谱。

我看到不少新手犯的错误，是随便抓一堆T细胞当参考。问题在于，T细胞本身就存在V(D)J重组，TCR区域的基因表达天然有较大波动，如果参考T细胞数量又少，这些波动可能被当成CNV信号，导致结果里出现假阳性。

我的建议是，如果条件允许，至少选两种以上不同谱系的正常细胞作为参考，比如T细胞加B细胞加髓系细胞。这样可以互相抵消谱系特异的表达模式，让基线更接近真正的中性状态。

数量上也要注意。参考细胞太少，比如只有三五十个，均值估计会很不稳定。我一般会要求在200个以上，当然这取决于数据整体大小和细胞注释的可靠性。如果是注释不明确的公共数据集，宁可先保守一点，只在信心很高的正常细胞群上运行。

另外还有一个容易忽略的坑：性别差异。如果分析对象是男性肿瘤和女性正常组织混合数据，性染色体上的表达差异巨大，会把整个X染色体的信号拉偏。处理方式要么过滤性染色体，要么保证参考细胞和样本在性别上尽量一致。这些都属于上游质控要解决的问题，但很多人会等到热图出来才意识到。

3. 完整实操：从表达矩阵到CNV热图

3.1 数据预处理：不要做过头

这里我直接用自己跑过的一套模拟肿瘤混合数据来演示。假设你已经有一个AnnData对象，包含肿瘤组织样本，里面既有恶性细胞也有免疫细胞和基质细胞。

最关键的一点：对表达矩阵不要做过度的特征选择。比如高变基因筛选、PCA降维这些scanpy常规分析步骤，会严重干扰CNV推断，因为CNV信号是分布在全基因组范围内的，用高变基因会把它破坏掉。你要用的X矩阵应该是所有基因的log-normalized表达值。

预处理只需要做最简单的过滤和标准化：

import scanpy as sc import infercnvpy as cnv # 去掉在所有细胞中表达量过低的基因 sc.pp.filter_genes(adata, min_cells=3) # 总表达量标准化 sc.pp.normalize_total(adata, target_sum=1e4) # 对数转换 sc.pp.log1p(adata)

做完这一步就可以进入inferCNVpy流程了。注意，不要先跑sc.pp.highly_variable_genes，也不要先用harmony之类的整合工具。如果要整合多个样本的批次效应，必须在标准化之后、inferCNVpy之前谨慎处理，最好是先看一下批次是否真的影响了CNV区域的整体表达。

3.2 核心参数window_size和step怎么定

准备工作做完，运行infercnv的函数就这一句：

cnv.tl.infercnv( adata, reference_key="cell_type", reference_cat=["T cells", "B cells"], window_size=250, step=50, )

参数不复杂，但window_size和step这两个值值得花心思。

window_size表示滑动窗口里包含多少个基因。值越大，窗口内的基因越多，平均下来噪声越小，但代价是分辨率下降，一些小范围的拷贝数片段会被抹平。值越小，分辨率越高，但噪声也越大。step表示窗口每次滑动的基因数，step越小，窗口重叠越多，热图越平滑，计算量也越大。

我自己的经验是先跑一个默认值window_size=250、step=50，看看整体效果。如果热图噪音太大、看起来很花，就把window_size加大到500甚至1000。如果怀疑有小片段CNV被平滑掉了，就把window_size降到100、step降到20再对比。

这里的权衡逻辑很像处理时间序列数据的滑动平均：窗口越宽，曲线越平滑，但细节丢失越多。CNV推断需要在“去除单基因噪声”和“保留小片段变异”之间找平衡，没有绝对正确的参数组合，要根据具体数据的基因密度和波动程度来调整。

3.3 运行之后，结果存在哪

运行完infercnv，所有结果都会写回AnnData对象，其中最核心的就是adata.obsm["X_infercnv"]。这是一个新的矩阵，行还是细胞，列变成了“窗口”而不是“基因”，每个值代表该细胞在这个窗口内的平均表达强度。后续的PCA、聚类、热图全都是基于这个矩阵。

同时建议养成一个习惯，跑完立刻检查结果是否正常：

print(adata.obsm["X_infercnv"].shape)

这个shape应该远小于原始基因矩阵的维度。如果发现矩阵行数和细胞数对不上，或者直接报错，多半是前置的基因注释、参考细胞名称写错了。

3.4 HMM状态识别与可视化输出

滑窗结果是一连串连续的数值，虽然能看趋势，但很难直接拿来下结论：到底哪些区段算扩增、哪些算缺失？这时候就需要跑HMM，拿到状态注释。

inferCNVpy里HMM的调用并不复杂，但我建议先做一步PCA和聚类，让HMM能利用细胞之间的相似性信息，效果会比直接对每个细胞单独跑稳定得多。整体顺序大概是：

cnv.tl.pca(adata) cnv.tl.leiden(adata) cnv.tl.hmm(adata)

跑完以后，HMM的状态会存在adata.obs的列里，不同版本状态列的名称可能不同。通常你能看到每个细胞在每一个窗口位置都被分配了一个状态，0一般代表正常，1或更高代表扩增，负值代表缺失。

可视化部分最常用的就是heatmap函数。inferCNVpy有两个幸运之处，一是画热图不需要自己拼染色体边界，二是它保留了组树结构，能直观看到哪些细胞聚成一类、共享哪些CNV事件：

cnv.pl.heatmap( adata, reference_key="cell_type", reference_cat=["T cells", "B cells"], dendrogram=True, show=True, )

如果你还想按染色体分开展示，可以用chromosome_heatmap，把每条染色体的状态铺开，很适合做报告配图。

3.5 从热图到结论：怎么判断恶性细胞

热图出来了，下一步才是关键——怎么把恶性细胞筛出来。

看热图有个常见误区，就是只盯着红色和蓝色看，觉得颜色越深越恶性。其实要看的是“模式”：恶性细胞通常在多条染色体上同时出现大范围的扩增或缺失，形成一种独特的横向条纹，而正常细胞的热图区域应当相对均匀，没有明显的大段色块。

我的习惯是，先不急着定义恶性，而是看聚类树。如果某几个聚类簇共享相似的CNV模式，比如3号染色体长臂全部扩增、8号染色体长臂缺失，这类细胞大概率来自同一个恶性克隆。再结合marker基因的表达（比如上皮来源的EPCAM、间质来源的VIM）做二次验证，基本就能锁定恶性细胞群。

这里也想强调一点：inferCNVpy给出的是一种统计推断，不是金标准。特别是在参考细胞不理想、参数不合适的条件下，结果可能失真。所以它更适合用来“筛选候选恶性细胞群”，而不是直接用它给每个细胞下定论。最终结论最好结合基因组测序或者FISH等实验验证。

4. 常见问题与排查技巧实录

4.1 参考细胞自己都带CNV怎么办

这个情况比想象中更常见。我遇到过几次，注释为正常T细胞的亚群，跑出来的热图在TCR区域附近有明显条带，甚至在6号染色体MHC区域也有异常信号。如果你笃定这些细胞是正常的，那这条带多半是转录活性的自然差异，不是真CNV。

但如果参考细胞里混入了一部分肿瘤细胞，问题就更严重了，基线本身被污染，所有结果都会出偏差。一个有效的排查方式是，先只用你最有把握的一类正常细胞做参考跑一遍，把结果热图单独拿出来看。如果参考细胞区域出现了大面积CNV信号，就得回头检查细胞注释，把可疑细胞从reference_cat里剔除。

还有一个更系统的办法：先用inferCNVpy跑一遍初筛，把明显带CNV模式的细胞临时标记为肿瘤候选，然后将这个信息做一个临时注释，再以临时注释里“正常”的细胞作为参考跑第二轮。这种两轮策略在实际分析中很稳，能有效避免人为注释误差。

4.2 热图花成一片，是参数问题还是数据问题

热图特别花，找不到明显条带，通常有三种可能。

第一，参考细胞选得不好，基线噪声大。解决办法是检查参考细胞数量，或者更换更干净的正常细胞群。

第二，window_size太小。基因表达噪声太大时，小窗口扛不住，导致整张图全是椒盐噪声。调大window_size，比如从250调到500，通常会有明显改善。

第三，上游数据本身质量差。比如测序深度很低、dropout率高，这类数据连marker基因表达都不稳，更别提CNV了。这种时候不要硬调参，先回数据质控流程，把低质量细胞和基因过滤掉，或者用更多细胞合并分析来增强信号。

如果数据是从多个样本合并来的，batch效应也会让热图看起来非常奇怪。比如某一片细胞全是同一个样本的，整片区域表达量偏高，但并不是CNV。解决思路是用整合算法先做批次校正，但要注意整合后的值会改变表达量分布，可能需要重新做标准化，保证inferCNVpy的输入矩阵是合理的表达量矩阵。

4.3 与R版inferCNV结果对不上是谁的锅

很多人在同一批数据上分别跑R版inferCNV和inferCNVpy，结果发现热图风格差异很大，于是担心某个工具算错了。

其实两者在核心原理上是同源的，滑窗加HMM的思想一致，但实现细节不同，包括窗口滑动的边界处理、基因排序方式、HMM初始参数不同等。更关键的是，R版默认对表达矩阵做了额外的归一化步骤，而inferCNVpy要求前置标准化基本完成，这个输入差异就会导致最终数值规模不同。

我的建议是，不要追求两次结果完全一致，而是看关键结论是否一致：同一个细胞簇是否都被判为CNV阳性、是否存在相同的染色体片段异常。如果大方向一致，细节上的色阶差异完全正常。如果你发现一片细胞在R版里是明显扩增，在inferCNVpy里却是正常，那才说明某个环节出了问题，优先检查输入矩阵和参考细胞是否完全一致。

4.4 常见问题速查表

整理一张表，把我在实践里踩过的坑和对应解法记录下来：

4.5 一个容易被忽略的细节：基因排序

inferCNVpy分析的基础是基因在染色体上的正确排序。如果你从不同来源合并表达矩阵，基因symbol大小写不一致、Ensembl ID混用，都会导致基因注释匹配不上，进而影响窗口顺序。

我习惯在跑之前做一次基因ID统一：

adata.var["chr"] = adata.var["chr"].astype(str).str.replace("chr", "", regex=False) adata.var["start"] = pd.to_numeric(adata.var["start"], errors="coerce") adata.var["end"] = pd.to_numeric(adata.var["end"], errors="coerce") adata = adata[:, ~adata.var[["chr", "start", "end"]].isna().any(axis=1)].copy()

把没有位置信息的基因直接去掉，比让它们参与计算更安全。另外一个细节是染色体的表示方式，很多公共数据里染色体用“chr1”表示，部分注释文件用“1”，inferCNVpy内部可能不区分，但你自己最好统一成一种格式，避免merge时产生大量空值。

5. inference之后，还能往下做什么

跑完inferCNVpy并不是终点，反而是一个新分析的起点。

最常用的做法是把它的结果转成细胞层面的标签，然后接回常规的单细胞分析流程。比如，你根据热图和HMM结果标记出一批“疑似恶性细胞”，可以把这个label存到adata.obs里，作为后续差异表达分析的分组依据。也可以将恶性细胞单独提取出来，再细分亚群，研究克隆内异质性。

更有意思的是对不同亚克隆的CNV事件做差异比较。比如你识别出两个肿瘤亚群，一个带有7号染色体扩增，一个带有10号染色体缺失，你可以在CNV层面验证这些亚群的稳定性，然后回到转录组层面，看看推动这些亚群分化的转录因子和信号通路有什么不同。

我自己的流程通常是：

adata.obs["malignant"] = adata.obs["cell_type"].isin(malignant_clusters) sc.tl.rank_genes_groups(adata, groupby="malignant")

不过这里要提醒一句：通过CNV划出的恶性细胞群，在做差异表达时往往差异基因非常多，因为背后是整段染色体拷贝数变化，不只是单个基因的调控变化。这时候要区分清楚，哪些基因是CNV驱动的事件，哪些是细胞状态转变的伴随变化，否则很容易把拷贝数效应误当成转录调控的结果。

写在最后的一些体会

inferCNVpy不是万能的，但只要用对了场景，它的性价比非常高。我从一开始完全照搬默认参数，到后来学会根据数据特征调整窗口大小、谨慎选择参考细胞，整个分析稳定性有了质的提升。如果再让我给新手提三个建议：先检查参考细胞，再检查基因注释，最后才去调参数。这三个顺序不能乱，前面的问题不解决，后面的调参都是在沙滩上盖楼。这个工具体量不大，但每个环节都值得认真对待，你把它用好了，单细胞数据分析里的很多疑难问题都会迎刃而解。