CANOESとは｜全エクソーム解析からコピー数変異（CNV）を高精度に検出するアルゴリズムを遺伝専門医が解説

遺伝子の一部が「増えたり」「欠けたり」するコピー数変異（CNV）は、発達障害や先天性心疾患などの原因になる重要な変化です。従来はこれを調べるために専用の検査（マイクロアレイ）が必要でしたが、「CANOES（カヌーズ）」というアルゴリズムを使うと、全エクソーム検査（WES）のデータ1つからCNVも一緒に見つけられるようになります。この記事では、CANOESがどんな仕組みで小さなCNVを高精度に検出するのか、他の手法と何が違うのか、そして実際の診療でどのように役立っているのかを、遺伝専門医の視点からわかりやすく解説します。

1. CANOESとは：WESデータからCNVを取り出す解析エンジン

近年、遺伝性疾患や発達障害の原因を調べる検査として、全エクソーム検査（WES）が急速に広まりました。WESは、ヒトの遺伝情報全体のうちタンパク質の設計図となる「エクソン」と呼ばれる領域（ゲノム全体の約1〜2%）だけを選んで詳しく読み取る手法です。この領域には、既知の病気の原因となる変異の大部分が集中しているため、効率よく原因を探すことができます。

WESは、DNAの1文字だけが置き換わる一塩基変異（SNV）や、数塩基の小さな挿入・欠失を見つけることは得意です。しかし、数十塩基から数メガ塩基（100万塩基）にもおよぶ比較的大きな領域の増えたり欠けたりする変化＝コピー数変異（CNV）を、WESのデータから直接見つけ出すことは長らく技術的に困難でした。CANOESは、まさにこの「WESからCNVを検出する」という難題を解くために生まれた解析アルゴリズムです。

CANOESという名前は「CNVs with an Arbitrary Number Of Exome Samples（任意の数のエクソームサンプルからCNVを検出する）」の頭文字をとったものです[1]。2014年、コロンビア大学のShen研究室（Yufeng Shen、Backenrothら）によって、遺伝学分野の主要誌『Nucleic Acids Research』に発表されました。オープンソースで公開されており、世界中の研究機関や臨床ラボで利用されています。

なぜWESからCNVを取り出せると嬉しいのか

従来、CNVの検出にはマイクロアレイ染色体検査（CMA、aCGH）や定量的PCRといった、SNVを調べるWESとは別の独立した検査が必要でした。つまり、原因を探すために「SNVを調べるWES」と「CNVを調べるマイクロアレイ」の2つの検査を別々に受ける必要があったのです。これは患者さんにとって、費用の増加、診断までの時間の長期化、そして貴重な検体を余分に消費するという負担につながっていました。

もし1回のWESデータから、SNVとCNVの両方を高精度に取り出すことができれば、遺伝学的検査の流れは大きく効率化されます。CANOESは、この「一元化」を実現するための中核技術のひとつであり、追加の実験コストをかけずに診断率を押し上げる点で、大きな臨床的・経済的インパクトを持っています。

2. なぜWESからのCNV検出は難しいのか：リードデプスとノイズ

CANOESの巧妙さを理解するには、まず「WESからCNVを見つけるとき、何を手がかりにするのか」を知る必要があります。その手がかりがリードデプス（Depth of Coverage：DOC、読み取りの深さ）です。次世代シークエンサー（NGS）は、DNAを細かい断片に分けて何度も繰り返し読み取ります。ゲノムのある場所が何回読み取られたか——これがリードデプスです。

原理はシンプルですが、現実のWESデータには大きな落とし穴があります。それは、リードデプスに巨大な「システムノイズ（技術由来のばらつき）」が含まれていることです。DNAを断片化する工程のムラ、エクソンを捕まえるための「プローブ（釣り針のような分子）」の効率の違い、GC含量（塩基のGとCの割合）が極端な領域で起こるPCR増幅のかたより——こうした実験的な要因が積み重なり、読み取り回数は本来の値から大きくブレてしまいます。

このノイズがあまりに大きいため、「読み取りが減っているのは本物の欠失なのか、それとも単なる実験のブレなのか」を見分けることが極めて難しいのです。真のCNVというシグナルが、ノイズの海に埋もれてしまう——これがWESからのCNV検出における根本的な課題です。CANOESは、このノイズを統計的に正しくモデル化することで、シグナルとノイズを賢く切り分けます。

3. CANOESの統計モデルの核心：負の二項分布という発想

CANOESの最大の技術的ブレークスルーは、リードの数（読み取り回数）をどの統計モデルで表現するかという選択にあります。CNV検出ツールの性能は、使う統計モデルが現実のNGSデータの特徴をどれだけ忠実に反映できるかに、ほぼ完全に左右されます。まずは、CANOES以前のツールが抱えていた限界から見ていきましょう。

ポアソン分布とガウス分布、それぞれの弱点

リードの数をモデル化する最も単純な方法はポアソン分布を仮定することです。理屈のうえでは、各領域にリードがマッピングされる事象は独立しているように見えるため、ポアソン分布が合いそうに思えます。しかしポアソン分布には「平均と分散（ばらつき）が等しい」という決定的な数学的特徴があり、実際のWESデータはこの制約にまったく従いません[2]。前章で述べた実験的要因により、実際のデータのばらつきは平均をはるかに上回ってしまうのです。この現象を過分散（Overdispersion）と呼びます。

過分散を無視してポアソン分布を使うツール（ExomeDepthや一部のモデル）は、自然な実験的変動を「生物学的なコピー数の異常」と誤認し、構造的に偽陽性が多くなる弱点を抱えています。一方、XHMMやCoNIFERといったツールは、主成分分析（PCA）などでノイズを取り除いたうえで、データをガウス分布（正規分布）で近似します。この方法はコホート全体の共通ノイズ（バッチ効果）を強力に除去するため特異度は高くなりますが、強い平滑化によって数エクソン単位の小さなシグナルまでノイズと一緒に消してしまうという代償があります[1]。その結果、ガウス近似モデルは「小さな欠失」を検出する感度が著しく低下してしまうのです。

負の二項分布による解決

CANOESは、この過分散の問題に正面から取り組むために、負の二項分布（Negative Binomial Distribution）をモデルの基盤に据えました[1]。負の二項分布は、平均を表すパラメータに加えて、データの散らばり具合を制御する「サイズパラメータ（分散パラメータ）」を別に持っています。この追加パラメータという数学的な柔軟性のおかげで、ポアソン分布では吸収しきれなかったシーケンス深度データの極端なばらつきを、正確に表現できるようになります。

リードのデータを負の二項分布に当てはめることで、CANOESは正常な2コピー状態におけるノイズの許容範囲を正確に定義します。これにより、ガウス近似ツール（XHMMなど）が見落としてしまう1〜3エクソン程度の微細な欠失を、ノイズに埋もれさせることなく高い感度で捉えられます。これは特に、小さな遺伝子内欠失が原因となる希少疾患の解析において、決定的な強みとなります[1]。

「本来いくつになるはずか」を動的に決める仕組み

CNVを見つけるには、「変異がなければ、このエクソンのリードデプスは本来いくつになるはずか」という期待値（ベースライン）を正確に推定する必要があります。CANOESは、同じ実験で一緒に処理された複数のサンプル群を「参照モデル」として動的に利用する、回帰ベースのアプローチを採用しています[1]。

ただし、数百のサンプルを単純に平均するだけでは、実験のバッチごとのかたよりを補正しきれません。そこでCANOESは非負最小二乗法（NNLS）という手法を使い、対象サンプルと最もノイズの傾向が似た参照サンプルの組み合わせを自動的に選び出します[3]。「非負」とは、参照サンプルの重みが必ずゼロ以上になるという制約で、リードの数がマイナスになることは物理的にあり得ないという生物学的な現実に一致しています。これにより、対象サンプルにとって理想的な「加重平均のものさし」が作られ、エクソンごとの期待リードデプスが精密に算出されます。

4. CANOESの解析の流れ：データから判定まで

ここまでの統計的な仕組みを踏まえて、CANOESが実際にどのような手順でCNVを検出するのか、全体の流れを見てみましょう。CANOESはブラックボックスの単体ソフトではなく、既存のバイオインフォマティクス（生命情報科学）のツール群と組み合わせて動く設計になっています[4]。

生のシーケンスデータ（BAM形式）からGCバイアス補正、NNLSによる参照サンプルの最適化、負の二項分布モデル、そして隠れマルコフモデル（HMM）による状態推定に至るまでのCANOESの処理の流れ。

前処理：リード数とGC含量の計算

まず、解析対象となる全サンプルの、アライメント済みのシーケンスデータ（BAMファイル）と、エクソンの座標を記した設計図（BEDファイル）を用意します。BEDtoolsというツールで各エクソン領域のリード数を一括で集計し、続いてGATK（Genome Analysis Toolkit）で各エクソンのGC含量を計算します[4]。GC含量はリードデプスに大きなかたよりを与える要因なので、この補正が精度を左右します。CANOESのコア部分はR言語で書かれており、nnlsなどの依存パッケージを使って計算が行われます。

判定：隠れマルコフモデルとビタビアルゴリズム

エクソンごとの期待リードデプスとばらつきが確定したら、次に「ゲノム上で連続する領域が、実際にどのコピー数状態にあるか」を推論します。ここでCANOESは、連続データの解析に適した隠れマルコフモデル（HMM）を使います[1]。各エクソンの状態は、DEL（欠失）・DIP（正常な2コピー）・DUP（重複）の3つのいずれかとしてモデル化されます。

5. 品質管理とトリオ解析：デノボ変異を正しく見分ける

バイオインフォマティクスによるCNV検出は、本質的に多くの偽陽性を生むリスクを抱えています。生データからそのまま出てきたCNV（Raw calls）を、そのまま臨床の判断に使うことはできません。そこでCANOESは、検出後の各CNVに対して統計的な「ジェノタイピング（品質評価）」を行います[1]。この評価は主に2つの品質スコアに依存します。

これらの品質スコアは、特にトリオ解析（お子さんと両親の3人を同時に解析する方法）で強力な威力を発揮します。お子さんで見つかったCNVが、親から受け継いだもの（遺伝性）なのか、お子さんの世代で新たに生じた新生突然変異（de novo変異）なのかを見分けることは、遺伝性疾患の診断において極めて重要なステップです[5]。

ここで重要なのが、単純に「子で見つかったCNVが親のコールにない」というだけでは、新生突然変異だと断定できないという点です。なぜなら、親のデータでそのCNVを見落としている（偽陰性の）可能性があるからです。もしこれを無視すると、実際には親から遺伝したCNVまで「新生突然変異」と誤って数えてしまい、非現実的な数の新生突然変異が報告されてしまうのです。

CANOESでは、子のCNVを真の新生突然変異と見なすために、子の「SQスコア」が閾値を超えるだけでなく、両親の該当領域の「NQスコア」も閾値を超えて確実に正常であることが証明されるという厳格な基準を採用しています[1]。実際、品質スコアの閾値を適切に引き上げていくと、各トリオあたりの新生突然変異CNVの数はゼロに近づき、親から子への変異の伝達率がメンデル遺伝の理論値（約50%）に収束することが確認されています。これは、品質スコアを活用したフィルタリングが、極めてクリーンなデータセットを生み出す決定的な手段であることを示しています。

6. 他のCNV検出ツールとの比較：万能な1つは存在しない

WESからのCNV検出には多くのツールが存在しますが、あらゆる状況（変異のサイズ、サンプルの品質、コホートの規模）で完璧な結果を出せる万能な単一ツールは存在しません。CANOESの強みと限界を理解するには、統計モデルの異なる他のツールとの比較が欠かせません。

ガウス近似モデル（XHMM・CoNIFER）との比較

XHMMやCoNIFERは、コホート全体のリード深度から主要なノイズ成分を抽出して取り除くことで正規化します。このアプローチはノイズ除去に極めて強力で、90%を超える高い特異度を達成します[6]。しかし、シグナルの変動をガウス分布に当てはめて平滑化しすぎるため、1〜2個のエクソンしか影響を受けない極めて微小なCNVがノイズと一緒に相殺されてしまう弱点があります。対照的に、過分散を許容するCANOESは、マイクロアレイを基準としたベンチマークで、XHMMが見逃しがちな微小CNVを高い感度で捉える能力が証明されています[1]。ただしCANOES単独では、特定の状況で偽陽性の管理が課題として残ることも報告されています[7]。

ポアソン分布ベース（ExomeDepth・CODEX）との比較

ExomeDepthは、対象サンプルと相関の高い少数の参照を使うアプローチで、シミュレーションでは高い感度を示します。しかしポアソン分布ベースのモデリングの限界から、その特異度は54〜72%と低く、XHMM（93%）に比べて大量の偽陽性を生みます[6]。さらにExomeDepthのコールはメンデル遺伝の法則に反するものが多く、トリオ解析における信頼性に欠けます[8]。CODEXはポアソン分布の拡張モデルで精度のバランスが良いと評価されていますが、特定のベンチマークではCANOESが3エクソン以上にまたがる欠失の検出で堅牢なパフォーマンスを発揮することが示されています。

主要ツールの特性比較

CANOESとXHMMの「相補的」な関係

臨床診断のパイプラインで最も成功している戦略が、CANOESとXHMMの組み合わせです。CANOESは負の二項分布を使い、100kb〜10Mbのサイズ帯で、数エクソン単位の微細な欠失の検出を担います。一方XHMMはPCAでシステムノイズを除去し、200kb以上の大規模なバリアントで高い特異度を発揮し、重複の検出や性染色体データの処理を安定して担います[1]。この2つは統計的な基盤がまったく異なるからこそ、互いの弱点を補い合う理想的な関係にあります。実際、あるコホートでCANOESが検出したCNVの約7割が欠失に偏っていたのに対し、XHMMは重複と欠失をほぼ同数検出する傾向が観察されており、両者を組み合わせる必要性を裏付けています[9]。

近年では、CANOESを含む複数のツールの出力を「特徴量」として機械学習に取り込み、最終的な真偽を判定するメタ予測フレームワーク（CN-Learnなど）も開発が進んでいます。CANOES・CODEX・XHMM・CLAMMSの4ツールの出力を統合する機械学習アルゴリズムでは、個別ツール単独をはるかに上回る適合率・再現率が報告されています[6]。CANOESの出力は、こうした次世代の統合解析においても重要な部品として活用されています。

7. 臨床ゲノミクスにおける実績：診断率をどう変えたか

CANOESの真価は、コンピュータ上のシミュレーションではなく、実際の患者さんのコホートを対象とした大規模な臨床研究で実証されています。ここでは代表的なプロジェクトを紹介します。

先天性心疾患コホートのトリオ解析（PCGC）

先天性心疾患は、稀な新生突然変異CNVが強力な原因として関わることが知られています。PCGC（小児心臓ゲノム研究コンソーシアム）の研究では、先天性心疾患のお子さんを含む328サンプル（うち104組は両親を含む完全なトリオ）に対し、CANOESとXHMMの統合パイプラインが適用されました[1]。CANOESは高感度な検出力と、SQ／NQスコアによる厳格なメンデル遺伝フィルタリングを組み合わせることで、ノイズに埋もれがちな真の新生突然変異CNVを高い精度で特定することに成功しました。

アフリカの発達障害コホート（DDD-Africa）

コピー数変異は、発達遅滞や知的障害の重要な原因です。しかし低・中所得国では、WESに加えてマイクロアレイ検査を実施するための資金やリソースが圧倒的に不足しています。この課題に対処するため「DDD-Africa」プロジェクトは、505名の発達障害の発端者のWESデータに、CANOESとXHMMを組み合わせたパイプラインを導入しました[10]。

解析の結果、合計44個の病原性CNV（欠失31個・重複13個）が同定され、42名の患者さんの遺伝学的診断が新たに確定しました。これは、追加の実験室コストを一切かけることなく、純粋なアルゴリズムのみによって全体の診断率を8.3%も押し上げるという大きな臨床的インパクトでした[11]。親のデータが利用可能だった27名では、同定されたすべてのCNVが新生突然変異であることが証明され、ツールの精度の高さが裏付けられました。

1,090人の発達障害コホートでの統合解析

SNVとCNVの同時解析の有用性を検証したDongらの研究では、1,090人の非血縁の発達障害患者にクリニカルエクソーム検査（CES）が実施されました[12]。この研究ではCNV検出にCANOESとHMZDelFinderが並行して用いられ、CANOESは3つ以上のエクソンを巻き込む広範な欠失の検出を、HMZDelFinderは単一エクソンレベルの検出を補完的に担いました。結果として、SNVとCNVの統合解析による全体の診断率は41.4%に達し、そのうちCNV単独による診断が12%を占めました。この研究は、WESデータを用いた一元的な解析が、マイクロアレイの代替として臨床で機能することを決定づけるものでした。

マイクロアレイとの直接比較で示された高い精度

CANOESを中心としたワークフローは、従来のゴールドスタンダードとの直接比較でも高く評価されています。3,776サンプルの臨床遺伝子パネルデータでCANOESの予測をQMPSF（定量的マルチプレックスPCR）で照合した結果、総合的な陽性的中率（PPV）は87.8%という高い数値を達成しました[13]。また1,056のWESサンプルでは、CANOESベースのパイプラインはマイクロアレイ（aCGH）と比較して86.4%のPPVを維持しました。特筆すべきは、aCGHではプローブの密度が不十分で見逃されていた単一エクソン解像度の微細なCNVを検出できた点で、NGSアプローチの解像度における優位性を明確に示しています[13]。

CANOESの応用範囲は希少疾患にとどまりません。アルツハイマー病のような複雑な多因子疾患における「極めて稀なCNV」の役割を解明するための大規模プロジェクトでも、WESデータから構造多型を抽出する標準エンジンとしてCANOESをベースにしたパイプラインが採用され、22,319名規模のCNVコールデータが学術機関に公開されています。今後、全ゲノムシークエンス（WGS）データへの適応など、アルゴリズムのさらなる最適化が期待されています。

8. よくある誤解

9. 臨床遺伝専門医からのメッセージ

よくある質問（FAQ）

参考文献

• [1] Backenroth D, et al. CANOES: detecting rare copy number variants from whole exome sequencing data. Nucleic Acids Research. 2014;42(12):e97. [Oxford Academic] / [PMC4081054]
• [2] ERDS-Exome: A Hybrid Approach for Copy Number Variant Detection from Whole-Exome Sequencing Data. IEEE/ACM Trans Comput Biol Bioinform. [IEEE Computer Society]
• [3] CANOES: detecting rare copy number variants from whole exome sequencing data (Bioinformatics Home). [Bioinformatics Home]
• [4] ShenLab/CANOES 公式ドキュメント（GitHub）. [GitHub]
• [5] Joint detection of copy number variations in parent-offspring trios. Bioinformatics. 2016;32(8):1130. [Oxford Academic]
• [6] A machine-learning approach for accurate detection of copy number variants from exome sequencing (CN-Learn). Genome Research. 2019;29(7):1134. [Genome Research]
• [7] Detection of de novo copy number deletions from targeted sequencing of trios. Bioinformatics. 2019;35(4):571. [Oxford Academic]
• [8] CLAMMS: a scalable algorithm for calling common and rare copy number variants from exome sequencing data. Bioinformatics. 2016;32(1):133. [Oxford Academic] / [PMC4681995]
• [9] Ximmer: a system for improving accuracy and consistency of CNV calling from exome data. GigaScience. [PMC6177737]
• [10] Copy Number Variant analysis by exome sequencing is an effective approach to optimize diagnostic yield for developmental disorders – the DDD-Africa study. medRxiv. [medRxiv]
• [11] Copy Number Variant analysis by exome sequencing – the DDD-Africa study (PMC). PMC. [PMC12889869]
• [12] Diagnostic Utility of Trio–Exome Sequencing for Children With Neurodevelopmental Disorders. PMC. [PMC11937947]
• [13] Detection of copy-number variations from NGS data using read depth information: a diagnostic performance evaluation. PMC. [PMC7852510]

関連記事