目次
遺伝子パネル検査や全エクソーム検査のデータから、ゲノム全体のコピー数変化（増えた・減った）を読み取ることは、従来とても難しいとされてきました。そのハードルを、通常は捨てられていた「的外れの読み取りデータ」を逆手に取って乗り越えたのが、オープンソースの解析ツール「CNVkit（シーエヌブイキット）」です。本記事では、CNVkitがどのような仕組みでゲノム全体のコピー数を推定するのか、その独自のアルゴリズムやバイアス補正、がんゲノム診療での使われ方までを、臨床遺伝専門医の視点でわかりやすく解説します。
Q. CNVkitとは何をするツールですか？まず結論だけ知りたいです
A. CNVkitは、遺伝子パネル検査や全エクソーム検査など「一部の領域だけ」を狙って読むシーケンスデータから、ゲノム全体のコピー数変化を推定するオープンソースの解析ソフトです。最大の特徴は、通常は不要として捨てられる「的外れに読まれた配列（オフターゲットリード）」を、薄い全ゲノムデータとして再利用する点にあります。これにより、わずか293遺伝子を狙ったパネルからでも、約10万塩基（100キロベース）の解像度でゲノム全体を見渡せることが報告されています。
- ➤核心アイデア → 狙った領域（オンターゲット）と、捨てられていた的外れ領域（オフターゲット）を組み合わせ、ゲノム全体を均一にスキャン
- ➤バイアス補正 → GC含量・配列反復・標的の密度という3つの系統的な偏りを数式で補正して精度を高める
- ➤がんゲノムへの応用 → 腫瘍の純度や倍数性を考慮して絶対コピー数を算出。PureCNなど外部ツールとも連携
- ➤得意・不得意 → ヘテロ欠失の検出に強い一方、高レベル増幅の再現性はアレル情報を持つツールに一歩譲る面も
- ➤臨床での位置づけ → 小児固形腫瘍パネルやがん遺伝子パネルでの検証が進み、診断支援ツールとして活用
1. CNVkitとは：狙い撃ちシーケンスの弱点を克服する解析ツール
私たちのゲノムは、通常どの領域も2コピー（父由来・母由来の1本ずつ）を持っています。ところが、ある領域がまるごと増えたり減ったりすることがあり、これをコピー数変異（CNV）と呼びます。CNVは、先天性の症候群や知的障害の原因になるほか、がんの発生・進展を促す重要な遺伝的ドライバーでもあります。次世代シーケンサー（NGS）の普及により、シーケンスで読まれた「リードの深さ（読まれた回数）」の局所的な増減からコピー数を推定する解析が広く定着しました[1]。
💡 用語解説：リードデプス（読み取り深度）
シーケンサーはDNAを細かい断片に分けて何度も読み取ります。ゲノム上のある地点が「何回読まれたか」を示すのがリードデプス（読み取り深度）です。もしその領域のコピー数が増えていれば、材料となるDNAが多いぶん読まれる回数も増え、逆に欠失していれば読まれる回数が減ります。この「読まれた回数の多い・少ない」を手がかりに、コピー数の増減を推定するのがリードデプス法の基本的な考え方です。
全ゲノムシーケンス（WGS）ならゲノム全体を均一に読めるため、コピー数解析にも理想的です。しかし臨床の現場では、コスト・計算負荷・関心のある遺伝子に十分な深さを確保したいという理由から、全エクソームシーケンス（WES）やカスタム遺伝子パネルによる「標的リシーケンス（狙い撃ちの読み取り）」が優先されることが少なくありません。ただし、この狙い撃ち方式には固有の弱点があります。設計した標的（ベイト）領域と領域のあいだ、つまりイントロンや遺伝子間領域には、読み取りデータがすっぽり抜け落ちた広大な「空白地帯」ができてしまうのです[1]。
💡 用語解説：ベイト（プローブ）とハイブリッドキャプチャ
パネル検査やエクソーム検査では、読みたいエクソンなどの領域に相補的な「釣り針」のようなDNA断片（ベイト、またはプローブ）を用意し、それでねらった配列だけを引っかけて回収します。この技術をハイブリダイゼーション捕獲（ハイブリッドキャプチャ）と呼びます。ただし、この釣りは完璧ではありません。ねらっていない配列も一定量まぎれこんで回収され、いっしょにシーケンスされてしまいます。この「まぎれこみ」こそが、CNVkitが逆手に取る材料になります。
CNVkitは、こうした標的リシーケンスの限界を克服し、狙い撃ちデータから「ゲノムワイド」なコピー数プロファイルを再構築するために設計されたオープンソースツールです。カリフォルニア大学サンフランシスコ校（UCSF）のTalevichらによって開発され、2016年に学術誌『PLOS Computational Biology』で発表されました[1]。ソフトウェアはGitHubで公開され、誰でも自由に利用できます。CNVkitが対象とするのは、遺伝性疾患に関わる生殖細胞系列のCNVと、がんに関わる体細胞コピー数異常（SCNA）の両方です。この二つの違いについては後の章でくわしく触れます。
2. 捨てられていたデータを活かす：オン・オフターゲット統合の発想
🔍 関連記事：CNV（コピー数変異）とは／ゲノム疾患とCNV／CNV-seq／低深度WGS
CNVkitの最も独創的な点は、ハイブリッドキャプチャのときにまぎれこんだ「オフターゲットリード（的外れの読み取り）」を、ゴミとして捨てるのではなく、「薄く広く読まれた全ゲノムデータ」として積極的に再利用するという発想にあります[1]。ねらった領域を高い深さで読んだデータ（オンターゲット）と、この薄い全ゲノムデータ（オフターゲット）を組み合わせることで、標的のすきまに空いていた広大な空白地帯をも埋め、ゲノム全体をシームレスにスキャンできるようになります。
CNVkitの基本発想：2種類のデータを組み合わせる
🎯 オンターゲット
ねらった遺伝子領域。高い深さで読まれ、エクソン単位の細かい解像度。ただし範囲は狭い。
🌐 オフターゲット
まぎれこんだ的外れ領域。薄いが全ゲノムに広く分布。すきまの空白地帯を埋める。
ゲノム全体を均一にスキャンしたコピー数プロファイル
オフターゲット領域のリードは、ねらった領域にくらべて読まれる回数（深さ）は少ないものの、ゲノム上のどこ由来かを特定するのに十分な精度（マッピング品質）を保っています。開発チームの検証では、293遺伝子を対象としたパネルデータにおいて、オンターゲットリードの98.5%が最高品質でゲノムにマップされたのに対し、オフターゲットリードでも88.3%が最高品質に達していました[1]。オフターゲット側でわずかに品質が下がるのは、そこに反復配列（後述）が比較的多く含まれるためで、この影響は後の補正で打ち消されます。全エクソームデータではさらに一貫性が高く、オン・オフの双方で99.0%が最高品質を達成していました[1]。
ビン（区画）に分けて安定したシグナルを取り出す
薄いオフターゲットデータからは、狭い範囲を細かく見ても読み取り数がまばらすぎて信頼できません。そこでCNVkitは、標的領域の「すきま」を大きな区画（ビン）に区切り、区画ごとに読み取り数をまとめて評価します。オフターゲットのビンは通常100キロベース（10万塩基）オーダーの大きさに設定され、テロメアやセントロメア、高度な反復配列といった「そもそも正しく読めない領域」は「アクセス可能領域ファイル」を使ってあらかじめ除外されます[1]。逆に、ねらった領域（オンターゲット）は数百塩基という細かいビンに分割され、エクソン単位の高解像度を確保します。
重要なのは、オンとオフのビンサイズを、それぞれの1区画あたりに含まれる平均リード数がほぼ均一になるよう調整する点です。これは、狙った領域の平均サイズに、ターゲット濃縮の倍率（もとの何倍に濃縮されたか）を掛け合わせることで最適なオフターゲットのビン幅を求めるという考え方に基づいています[1]。こうしてデータの解像度と統計的な重みのバランスをそろえることで、ゲノム全体を偏りなくスキャンできるようになります。開発チームの実データでは、わずか293遺伝子をねらったパネルでも、オフターゲットを約146キロベースの大きなビンに体系化することで、合計28,000以上の観測ポイントから、100キロベース単位の均一なゲノムスキャンを実現できることが示されました[1]。
3. カバレッジを歪める3大バイアスと、その数理補正
シーケンスの読み取り深度は、DNAの複製・捕獲・PCR増幅などさまざまな生化学的な要因によって、場所ごとに不均一になります。もし補正をせずにそのまま「読まれた回数の多い・少ない」でコピー数を判断すると、実際にはコピー数が正常なのに増減があるように見える「偽の変化」を拾ってしまいます。CNVkitは、複数の正常サンプルをまとめた基準（プールリファレンス）と比べる一次的な正規化を行ったうえで、残る3つの主要な系統的バイアスを、サンプル自身のデータを使って数学的に補正します[1]。その3つとは、GC含量・配列反復度・標的の密度です。
💡 用語解説：系統的バイアスとローリングメディアン補正
系統的バイアスとは、偶然のばらつきではなく「ある条件のところでは決まって読み取り数が多く（少なく）なる」という、規則性のある偏りのことです。たとえば「GCが多い配列は決まって増えやすい／減りやすい」といった傾向です。
CNVkitは、この偏りの強さと実測の読み取り深度の関係を、ローリングメディアン（移動中央値）という手法で滑らかな傾向線として描き出し、その傾向線を実測値から差し引くことで偏りを取り除きます。中央値を使うのは、極端な外れ値に振り回されにくく頑健だからです。さらに、近くのプローブ同士が似たGC含量を持つことで偏りを過大評価しないよう、プローブの並び順をいったんシャッフルしてから偏りの値の順に並べ替える工夫もされています[1]。
① GC含量バイアス ② 配列反復度バイアス
1つ目のGC含量バイアスは、PCR増幅のときに、GCが多い配列とATが多い配列とで増えやすさに差が出ることから生じます。CNVkitは、各区画の読み取り深度と、その区画のGC含量との関係をプロットし、ローリングメディアンで描いた傾向線を差し引いて平滑化します[1]。平滑化の窓の幅は、サンプルのノイズの大きさに合わせて微調整できるようになっています。
2つ目の配列反復度バイアスは、ゲノム上の反復配列が多い領域で起こります。反復配列が多いと、リードがゲノムのどこ由来か決めにくくなってマッピング品質が下がるうえ、捕獲のときにも反復配列をブロックするCot-1 DNAによって捕まりにくくなります。CNVkitは、RepeatMaskerというツールで定義された反復配列の割合を指標として、GC含量と同じ手順でこの負の偏りを取り除きます[1]。この補正は、反復配列を多く含みがちなオフターゲット領域のノイズを抑えるうえで欠かせません。
③ 標的密度バイアス：ベイトの端と間隔が生む偏り
3つ目の標的密度バイアスは、ハイブリッドキャプチャに特有の物理的な現象から生まれます。CNVkitはこれを、平均インサートサイズ（DNA断片の長さ）、標的の大きさ、隣の標的との間隔という3つの量を使った数理モデルで表現し、ねらった領域（オンターゲット）にだけ適用します[1]。このバイアスは、次の相反する2つの効果の組み合わせとして理解できます。
📉 ショルダー効果（読み取り減）
ベイト領域の両端（ショルダー＝肩の部分）では、DNA断片がプローブにうまく結合しきれず、捕獲効率が落ちます。その結果、端に近いほど読み取り数が減る方向の偏りが生じます。標的が短いほど、この端の影響が相対的に大きくなります。
📈 フランク効果（読み取り増）
2つのベイトが近接していると、片方を捕まえるプローブが、隣の領域を巻き込んだ長い断片も引き寄せてしまいます。その結果、標的の外縁で読み取り数が人工的に増える方向の偏りが生じます。間隔が断片長より広ければ、この巻き込みは起きません。
CNVkitは、読み取りを減らすショルダー効果と、読み取りを増やすフランク効果を線形に組み合わせ、最終的な「ネット密度バイアス」として定義します[1]。左右がすぐ別の標的と隣り合っている理想的なタイル状の配置ではこの値はほぼゼロになり、逆に周囲から孤立した小さな標的ほど負の方向に大きくなります。この幾何学的な密度補正は、あくまで捕獲を意図したオンターゲット領域だけに適用され、捕獲をねらっていないオフターゲット領域には適用されません。これらの補正がすべて終わると、各区画の最終的なコピー比（対数スケール）が算出されます。
4. 解析パイプライン：データがコピー数コールになるまで
🔍 関連記事：染色体マイクロアレイ検査結果の見方／ExomeDepth／CoNIFER
CNVkitはPythonで書かれたコマンドラインツールで、カバレッジの取得からセグメンテーション、アノテーション、可視化まで、一連の作業を役割ごとの小さなコマンドで実行します[1]。全部をまとめて自動実行する「batch」コマンドで一気に流すこともできますし、各段階を個別に細かく制御することもできます。全体の流れは、下の図のように「読み取り数を数える → 正常群と比べて補正する → 連続した区間にまとめる → 整数のコピー数を確定する」という順に進みます。
CNVkitの主要な処理ステップ
① coverage：BAMファイルから各区画の読み取り深度を数える → .cnn
② reference：複数の正常サンプルから基準データベースを作る → .cnn
③ fix：正常群と比較し、3大バイアスを補正 → .cnr（対数コピー比）
④ segment：区画をつなげて連続した区間に分ける → .cns
⑤ call：純度・倍数性を考慮し、整数コピー数を確定
セグメンテーション：バラバラの点を「区間」にまとめる
補正が終わった段階では、コピー比は区画ごとにバラバラの点として並んでいます。これを、コピー数がほぼ一定とみなせる連続した区間（セグメント）にまとめる作業がセグメンテーションです。CNVkitはいくつかの手法を選べますが、既定では円形バイナリセグメンテーション（CBS）を用います。CBSはもともとアレイCGHのデータ解析のために開発されたアルゴリズムで、RのDNAcopyパッケージに実装されており、コピー数が切り替わる境界点を統計的に検出します[2][3]。全エクソームやカスタムパネルで高い検出精度を示すことが知られています。
💡 用語解説：セグメンテーションとは
ゲノムを左から右へ眺めていったとき、「ここからここまではコピー数が下がっている」「ここから急に増えている」といった境目を見つけ、同じコピー数の区間ごとに区切る作業です。区画ごとの点データはどうしても上下にばらつくため、そのまま見ても判断が難しいのですが、区間としてまとめることで「どの範囲が、どれくらい増減しているか」がはっきりと読み取れるようになります。円形バイナリセグメンテーション（CBS）は、この境目を統計的に精度よく見つける代表的な手法です[2]。
CBS以外にも、高速なハールウェーブレットに基づく純Pythonの手法や、実験的な隠れマルコフモデル（HMM）ベースの手法が用意されています。とくにがん向けの5状態HMMは、大きなゲノム欠失のなかに局所的な増幅（フォーカルアンプリフィケーション）が生じるような、がん細胞に特徴的なパターンの同定にすぐれます[1]。セグメンテーションで得られた各区間には、平均コピー比や区間内のプローブ数といった情報が付き、次の「整数コピー数の確定」へと引き継がれます。
CNVkitは、これらの中間ファイルを一貫した列構成のタブ区切りテキストとして出力します。とくに.cnr（補正済みコピー比）と.cns（セグメント）は、他のツールやRでの下流解析にそのまま渡せる橋渡し役になります。また、IGV（統合ゲノムビューア）互換の標準セグメント形式や、CNVイベントを構造変異として記述するVCF形式でのエクスポートにも対応しており、既存の解析パイプラインへ組み込みやすい設計になっています[1]。近年は、個人を特定しうるゲノム情報を含まないカバレッジ情報だけを共有できるbedGraph形式の直接入力もサポートされ、プライバシーに配慮したデータ共有がしやすくなっています。
5. がんゲノムでの応用：純度・倍数性を考えた絶対コピー数
がんの臨床検体は、いわば「混ざりもの」です。腫瘍のまわりには正常な間質細胞や免疫細胞がまじりこみ（正常細胞の混入）、がん細胞自身も染色体の数が正常からずれ（異数化）、さらに性質の異なる複数のクローンが入り交じっていることもあります。こうした複雑さがあるため、区画のコピー比を「実際に何コピーあるのか」という整数へ変換する作業は簡単ではありません[1]。
💡 用語解説：腫瘍純度（Purity）と倍数性（Ploidy）
腫瘍純度とは、検体に含まれる細胞のうち、実際にがん細胞が占める割合のことです。純度が低いほど正常細胞の「うすめ効果」が強くなり、がん由来のコピー数変化がぼやけて見えにくくなります。倍数性は、がん細胞ゲノム全体がおおよそ何倍の状態にあるかを表します。正常な二倍体細胞は2コピーが基準ですが、がんではゲノム全体が2倍化していることもあり、その場合は「何を基準に増減を測るか」自体がずれてしまいます。CNVkitはこの純度と倍数性を考慮に入れて、うすめ効果を差し引く逆算を行います[1]。
CNVkitの「call」コマンドは、腫瘍純度と倍数性を仮定してコピー比を数式でモデル化し、まじりこんだ正常細胞のコピー寄与を取り除いて、純粋な100%がん細胞スケールへと逆算します[1]。純度が病理診断や一塩基バリアントのアレル頻度からあらかじめ分かっている場合は、それを使って各区間のコピー数を最も近い整数へ丸めます。一方、純度の情報がない場合は、あらかじめ決めた対数比の境界（しきい値）に従って「ヘテロ欠失」「ホモ欠失」「コピー数中性」「獲得」「高度増幅」といったクラスを機械的に割り当てる方式も選べます。
アレル情報との組み合わせ：LOHの検出とPureCN連携
読み取り深度だけを見ていると、見逃してしまう現象があります。その代表が、コピー数中性のヘテロ接合性の消失（LOH）です。これは、コピー数は2のまま保たれているのに、片方の親由来のアレルだけが失われて両方が同じ親由来になってしまう現象で、深度の増減としては現れないため、深度だけでは検出できません。この課題を解決するため、CNVkitは一塩基多型（SNP）のアレル頻度（BAF）情報をVCFから取り込み、深度とアレルのバランスを同時に見られる環境を用意しています[1]。
💡 用語解説：BAF（B-アレル頻度）とLOH
ヒトの多くの箇所には、AかBかのように2種類の型（アレル）を持つ一塩基多型（SNP）があります。両親から1本ずつ受け継ぐため、正常なら読み取りのうちB型が占める割合（BAF）はおよそ50%になります。ところが、片方のアレルが失われると、この割合が33%や67%といった値へずれます。深度の変化とアレルのずれを同時に見ることで、深度だけでは分からないLOHや、正常細胞のまじり具合まで読み解けるようになります。
とくに、R/Bioconductorのパッケージである「PureCN」は、CNVkitが出力する補正済みカバレッジ情報を入力としてそのまま使えるよう対応しています[4]。PureCNは、ゲノム全体のカバレッジの変動と、ヘテロ接合SNPのアレルのずれを同時にモデルに組み込むことで、ペアとなる正常組織がない検体（腫瘍のみ）であっても、腫瘍純度・倍数性・絶対コピー数・LOHの状態、さらには変異が体細胞性か生殖細胞系列かの分類まで推定できるツールです[4]。CNVkitはこのほか、がん解析エコシステムで広く使われるパイプラインや、サブクローン構造を解析するソフトウェアとの連携インターフェースも備えており、精密ながんゲノム解析を支える基盤の一つとなっています[1]。こうした体細胞変異と生殖細胞系列変異の区別は、遺伝性腫瘍かどうかの判断にも関わる重要なポイントです。
6. 他のCNV検出ツールとの比較
CNVkitは、数あるCNV検出ツールの一つです。エクソームデータからのCNV検出には、XHMM・CoNIFER・ExomeDepth・GATK-gCNVなど多くのツールが存在し、それぞれ得意分野や前提が異なります。近年の比較研究では、CNVkitは生殖細胞系列・体細胞の両方に使える汎用性の高いツールとして位置づけられ、WESとWGSの双方に対応できる数少ないツールの一つとされています[5]。
がんの体細胞コピー数解析では、CNVkitのほかにSequenza・Facets・ASCATといったツールも広く使われます。これらの多くは、腫瘍純度と倍数性を同時に推定したり、アレルごとのリードを直接モデル化したりする点に強みを持ちますが、その一方で同一患者由来のペア正常検体を必須とするものが多く、またSNPのカバー率に性能が依存する傾向があります。CNVkitはペア正常がなくても動く柔軟性と、遺伝子数の少ないパネルでもゲノム全体を見渡せる点が際立った持ち味です[1][5]。
ベンチマークで見える得意・不得意
がん細胞株などを用いた多因子ベンチマーク比較からは、いくつかの性能特性が浮かび上がっています。CNVkitはカバレッジの変動への追従性が高く、とくにヘテロ接合型欠失の検出感度にすぐれる傾向があります。一方で、高レベルの遺伝子増幅の判定においては、アレル情報を内包するツールにくらべて、繰り返し測定したときの再現性がやや劣ることが指摘されています[6]。もっとも、こうした「WESからのCNV検出は感度・特異度の面でまだ発展途上であり、従来の染色体マイクロアレイ検査が引き続き重要な役割を果たす」という指摘は、CNVkitに限らずWESベースのCNV検出全般に共通する課題でもあります[6]。実際の運用では、目的や検体の状態に応じてツールを選び、必要に応じて別の方法で確認することが望まれます。
7. 遺伝診療との接続：CNVkitの結果が意味を持つために
🔍 関連記事：遺伝子検査とは／臨床遺伝専門医とは／マイクロアレイ染色体検査（CMA）
CNVkitはあくまで解析ツールですが、その出力は最終的に、遺伝性疾患の診断や、がんゲノム医療での治療選択という「臨床の意思決定」へとつながっていきます。たとえば、乳がんなどで見られるHER2（ERBB2）遺伝子の増幅は、分子標的薬の適応を左右する重要な所見です。こうしたコピー数の増減を短時間で見きわめる解析基盤は、いわゆるプレシジョン・オンコロジー（精密がん医療）を支える裏方といえます。
臨床でCNVを扱う場面では、CNVkitのようなNGSベースの解析と、従来から使われてきた染色体マイクロアレイやMLPAといった手法とを、目的に応じて使い分けることが重要です。CNVkitの原著論文自体も、その性能をアレイCGHで同定されたコピー数変化と比較して検証しており、両者は競合するというより補い合う関係にあります[1]。実際の解釈の場面では、検査結果の見方や病的意義の判定に、専門的な知識が欠かせません。
結果を「診断」につなげる遺伝カウンセリング
解析ツールが示すのは、あくまで「このあたりのコピー数がこう変化している」という技術的な事実です。それが本当に病気に関係するのか、遺伝性なのか、家族にどのような意味を持つのか——こうした問いに答えるのが、遺伝カウンセリング・遺伝診療の役割です。当院では、臨床遺伝専門医が、検査結果の意味やその後の選択肢について、ご本人・ご家族とともに丁寧に整理していきます。CNVのような検出結果を前にしたとき、その数字が持つ意味を医学的な文脈のなかで正しく位置づけることが、納得のいく意思決定につながります。
CNVkitはバイオインフォマティクスの研究・解析ツールであり、それ自体が診断を下すものではありません。検査結果の臨床的な解釈は、臨床遺伝専門医による評価と遺伝カウンセリングを通じて行われます。
8. よくある誤解
誤解①「パネル検査では狙った遺伝子しか見られない」
CNVkitを使えば、狙っていない領域のオフターゲットリードを再利用することで、パネルが直接カバーしていない広い範囲のコピー数変化まで見渡せます。わずか数百遺伝子のパネルからでも、染色体アーム全体の大きな異数性を捉えられることが報告されています。
誤解②「読み取り数が多い＝そのままコピー数が多い」
読み取り数はGC含量や反復配列、捕獲効率などで大きく歪みます。だからこそCNVkitは3つの系統的バイアスを数式で補正してから判断します。生の読み取り数だけで増減を語ると、偽の変化を拾ってしまう危険があります。
誤解③「深度を見ればすべてのコピー数異常が分かる」
深度だけでは、コピー数が2のまま片親のアレルが失われるコピー数中性LOHのような現象は見つけられません。こうした事象を捉えるには、SNPのアレル頻度（BAF）情報や、PureCNのような外部ツールとの組み合わせが必要です。
誤解④「解析ツールが病気を診断してくれる」
CNVkitが示すのは技術的なコピー数プロファイルであり、それ自体が診断ではありません。病的意義の判定や臨床的な解釈は、臨床遺伝専門医による評価と遺伝カウンセリングを通じて行われます。
よくある質問（FAQ）
🏥 遺伝子検査・ゲノム解析のご相談
コピー数変異（CNV）やゲノム解析、遺伝性疾患・遺伝性腫瘍に関する
遺伝子検査・遺伝カウンセリングは
臨床遺伝専門医が在籍するミネルバクリニックにお気軽にご相談ください。
参考文献
- [1] Talevich E, Shain AH, Botton T, Bastian BC. CNVkit: Genome-Wide Copy Number Detection and Visualization from Targeted DNA Sequencing. PLoS Comput Biol. 2016;12(4):e1004873. [PLOS Computational Biology] / [PubMed 27100738]
- [2] Olshen AB, Venkatraman ES, Lucito R, Wigler M. Circular binary segmentation for the analysis of array-based DNA copy number data. Biostatistics. 2004;5(4):557-572. [PubMed 15475419]
- [3] Venkatraman ES, Olshen AB. A faster circular binary segmentation algorithm for the analysis of array CGH data. Bioinformatics. 2007;23(6):657-663. [Bioinformatics / Oxford Academic] / [PubMed 17234643]
- [4] Riester M, Singh AP, Brannon AR, et al. PureCN: copy number calling and SNV classification using targeted short read sequencing. Source Code Biol Med. 2016;11:13. [PMC5157099] / [Bioconductor]
- [5] Gordeeva V, et al. Benchmarking germline CNV calling tools from exome sequencing data. Sci Rep. 2021;11:14416. [Scientific Reports]
- [6] Yao R, et al. Evaluation of three read-depth based CNV detection tools using whole-exome sequencing data. Mol Cytogenet. 2017;10:30. [PMC5569469]
