目次
📍 クイックナビゲーション
遺伝子検査で「ゲノムのどの部分が増えたり減ったりしているか」を調べるとき、その大きな手がかりになるのがコピー数変異（CNV）です。GATK-gCNVは、次世代シーケンサー（NGS）で読み取った膨大なデータの中からこのCNVを高い感度で拾い上げる、世界的に広く使われている解析ソフトウェアです。この記事では、GATK-gCNVが「何を」「どうやって」検出しているのか、そしてそれが実際の遺伝子診断とどうつながっているのかを、一般の方にもわかりやすく、遺伝専門医の視点から解説します。
Q. GATK-gCNVとは何ですか？まず結論だけ知りたいです
A. GATK-gCNVは、全エクソーム（WES）や全ゲノム（WGS）のNGSデータから、生まれつき持っているコピー数変異（CNV＝遺伝情報の欠失や重複）を高い感度で検出する解析ツールです。米国ブロード研究所が開発したGATKという解析ソフト群の一部で、リードの「量」の変化を統計モデルで読み解き、技術的なノイズと本物の変異を切り分けます。大規模データでは19万人規模のUK Biobank解析にも使われ、レアなCNVの検出で高い成績を示しています。
- ➤何を検出するか → NGSデータから「遺伝子のかたまり単位の増減（CNV）」を検出
- ➤仕組みの核心 → リードの被覆量の変動を、統計モデルでノイズと変異に分離
- ➤強み → 圧倒的な感度。特にレアCNVの拾い上げに優れる
- ➤弱み → 感度が高い分、精度（偽陽性の少なさ）は課題が残る
- ➤臨床との接点 → 単一エクソン欠失は苦手で、確認検査（MLPA等）との併用が前提
1. GATK-gCNVとは？CNVを見つけるための解析ツール
私たちのゲノム（遺伝情報の全体）には、1文字だけが変わる小さな変化から、遺伝子まるごとが失われたり増えたりする大きな変化まで、さまざまなタイプの個人差が存在します。このうち、ある領域の「コピーの数」が標準（通常は2本）から増減している変化をコピー数変異（CNV：Copy Number Variation）と呼びます。GATK-gCNVは、このCNVを次世代シーケンサーのデータから見つけ出すために開発された、専門の解析ソフトウェアです。
💡 用語解説：コピー数変異（CNV）
人は父と母から染色体を1本ずつ受け継ぐため、ほとんどの遺伝子を「2コピー」持っています。この本来2つあるはずのコピーが、生まれつき1つに減っていたり（欠失）、3つ以上に増えていたり（重複）する変化がCNVです。数千塩基から数百万塩基におよぶ比較的大きな変化で、その中に含まれる遺伝子の量が変わることで、発達の遅れや先天性疾患の原因になることがあります。デュシェンヌ型筋ジストロフィーの一部などは、まさにこの欠失が原因で起こります。
GATK-gCNVの「GATK」とは、米国のブロード研究所（Broad Institute）が開発・提供しているGenome Analysis Toolkitという、ゲノム解析における世界標準といえるソフトウェア群のことです。そのバージョン4以降に追加された、生殖細胞系列（＝生まれつき全身の細胞が共通して持つ）のCNVを検出する専用モジュールが「GermlineCNVCaller」、通称GATK-gCNVです。「germline（ジャームライン）」は生殖細胞系列を意味し、がん細胞などで後天的に生じる変異ではなく、親から受け継いだ・あるいは生まれる過程で新しく生じた、体のすべての細胞に共通する変異を対象にしていることを表します。
💡 用語解説：次世代シーケンサー（NGS）とリードデプス
次世代シーケンサー（NGS）は、DNAを短い断片（リード）に分けて一度に大量に読み取る装置です。ゲノムの同じ場所が何本のリードで覆われたかを示す量をリードデプス（Read-Depth：読み取りの深さ）と呼びます。もしある領域が欠失していれば、そこを覆うリードの数は減り、重複していれば増えます。GATK-gCNVは、この「リードの量の増減」を手がかりにCNVを推定する仕組みになっています。
ここで一つ、大きな技術的な壁があります。リードの量は、CNVがなくても検査の条件によって簡単に上下してしまうのです。特に、遺伝子の重要部分だけを濃縮して読む全エクソーム検査（WES）や遺伝子パネル検査では、DNAを捕まえるプローブ（釣り針のような分子）の効き具合のばらつき、配列のGC含有量の偏り、装置ごとのクセなどが積み重なり、リードの量に予測しづらい変動が生じます。従来の多くの手法は「ノイズを取り除く工程」と「変異を判定する工程」を別々に行っていたため、本物の変異をノイズと間違えて消してしまったり、逆にノイズを変異と誤検出してしまったりするジレンマを抱えていました。GATK-gCNVは、この2つの工程を一つの統計モデルの中で同時に扱うことで、その問題を根本から解決しようとした点に大きな特徴があります。
2. 仕組みの核心：なぜ高い感度でCNVを見つけられるのか
🔍 関連記事：CNV（コピーナンバーバリアント）とは／構造変異（SV）／遺伝情報の欠失とは
GATK-gCNVが他のツールと一線を画すのは、リードの量の変動とCNVが起きる確率を、一つの統一されたベイズ確率モデルという枠組みの中で同時に計算する点です。数千から数万規模の大量のサンプルから、既知・未知の技術的なクセを自動的に学び取り、それを「説明し尽くして取り除く（explaining away）」ことで、純粋なコピー数の状態だけを推論します。少し専門的になりますが、その土台になっている3つの統計手法を、順にかみくだいて説明します。
① 負の二項分布：ノイズの「ばらつき」を正しく見積もる
リードの数を数えるようなデータは、理論上は「ポアソン分布」という分布に従うと仮定されることが多いのですが、実際のシーケンスデータ、特にプローブで濃縮するタイプの検査では、その仮定が許すよりもはるかにばらつきが大きくなります。これを過分散（オーバーディスパージョン）と呼びます。ライブラリを作る際のPCR増幅の偏りや、プローブの相性の違いが主な原因です。GATK-gCNVは、この現実を正確にとらえるために、リードの数を「負の二項分布」という、ばらつきの大きさを柔軟に表現できる確率分布でモデル化しています。これにより、「たまたまリードが少なかっただけ」なのか「本当に欠失があるのか」を、統計的に適切に区別できるようになります。
💡 用語解説：ベイズ確率モデルとは
ベイズ統計とは、「あらかじめ持っている予想（事前の知識）」と「実際に観測されたデータ」を組み合わせて、もっともらしい結論を確率として導く考え方です。たとえば「この領域は普通2コピーのはず」という事前の予想に、「今回はリードが半分しかない」という観測を足し合わせて、「ここは欠失している確率が高い」と判断します。GATK-gCNVは、この考え方をゲノム全体に対して大規模に適用し、変異かノイズかを確率的に判定します。
② 階層的隠れマルコフモデル：「となり同士」のつながりを利用する
生まれつきのCNVは、ゲノム上でバラバラ・単独に起きるのではなく、隣り合った領域（連続するエクソンや対象領域）にまたがって、ある程度の幅を持って現れる性質があります。つまり「ある区間が欠失しているなら、そのすぐ隣も欠失している可能性が高い」という、空間的なつながりがあるのです。GATK-gCNVはこの性質を階層的隠れマルコフモデル（HHMM）という仕組みで取り込み、単独の区間だけを見るのではなく、連続する区間のまとまりとしてCNVをとらえます。これにより、1区間だけを見ていたら見逃してしまうような弱いシグナルも、連続性を根拠に拾い上げられるようになります。最終的には「ビタビアルゴリズム」という手法で、ゲノム全体で最も筋の通ったコピー数の並びが特定され、同時にその判定の品質スコアも算出されます。
③ 変分推論：現実的な時間で計算を終わらせる工夫
これだけ複雑なモデルを、厳密に計算しようとすると、何万ものサンプルを扱う場合には天文学的な時間がかかってしまい、実用になりません。そこでGATK-gCNVは、変分推論（Variational Inference）という近似計算の枠組みを採用しています。これは、扱いにくい複雑な確率分布を、扱いやすい単純な分布の組み合わせで「十分に近い形」に置き換えて計算する手法です。コピー数の状態も、リードの偏りの要因も、すべてこの枠組みの中で同時に推定されます。実際の実装では、通常5回程度の繰り返し計算でうまく答えが落ち着く（収束する）ことが確かめられており、この計算効率の良さが、GATK-gCNVの高い感度を実用的な時間で実現する土台になっています。
リードの「量」の情報から、技術的ノイズを差し引き、隣接領域のつながりを考慮したうえで、各領域が欠失・正常・重複のどれなのかを確率つきで推定する。
3. 解析の流れ：データの前処理からCNV判定まで
🔍 関連記事：エクソーム解析とは何か／エクソーム解析と全ゲノム解析の違い
GATK-gCNVは単独のツールというより、複数の処理ステップが密接に連携する一連のパイプライン（作業の流れ）として設計されています。全エクソーム（WES）と全ゲノム（WGS）の両方に対応し、男女が混在した集団でも性染色体の本数（男性はXY、女性はXX）を賢く扱える能力を備えています。中心となる計算エンジンは、gcnvkernelという専用のPythonモジュールに支えられており、実際に動かすには適切な計算環境の準備が前提となります。以下、大まかな流れを追ってみます。
データの前処理と注釈づけ
最初のステップは、質の高い入力データを整えることです。まずリファレンスゲノム（基準となる配列）から、解析対象とする区間のリストを作成します。次に、アライメント（配列の位置合わせ）済みのデータから、各区間に何本のリードがマッピングされたかを数えます。さらに、それぞれの区間にGC含有量やマッパビリティ（その配列がゲノム上でどれだけ独自か）といった共変量（バイアスの手がかりになる情報）を付け加えます。これらの情報は、後のモデリングでノイズ要因として明示的に使われるだけでなく、ノイズの多い極端な区間をあらかじめ除外するためにも活用されます。特に対象領域を絞るWESでは、この区間の絞り込みの厳しさが、最終的な感度と精度に直結します。
基準となる本数の決定とCNVの判定
計算の第一歩は、各染色体の基準となるコピー数（ベースライン倍数性）を決めることです。集団全体を見渡して、たとえば男性サンプルの性染色体はXY、女性サンプルはXXといった、サンプルごと・染色体ごとの標準的な状態を確率的に推定します。この基準を出発点として、次のステップで欠失や重複といった代替の状態の確率が割り当てられていきます。
推論の中核を担うのがGermlineCNVCallerというツールです。ここで、リードの量の変動を説明するベイズモデルがフル稼働します。このツールの動きは、たくさんの調整項目（ハイパーパラメータ）で細かくコントロールでき、対象とするデータの性質に合わせた調整が求められます。たとえばモデルが考慮する最大のコピー数、データを説明するために抽出するノイズ要因の数、内部の繰り返し計算の上限などがあり、標準の設定は実行時間を優先した控えめな値になっているため、装置や検査の種類が変わるときには、これらを慎重に調整することが強く推奨されています。最終的には、区間ごとの判定がまとめられ、標準的なVCF形式という遺伝子解析で広く使われるファイル形式で出力されます。この結果は、IGVなどの可視化ツールでの目視確認や、マイクロアレイなどで得られた「正解データ」との照合による品質チェックへとつながっていきます。
4. 2つの運用モード：コホートモードとケースモード
GATK-gCNVを使ううえで戦略的に重要なのが、実行モードの選択です。このツールには、計算資源やプロジェクトの規模に応じて、性質の異なる2つの動作モードが用意されています。この使い分けを理解することが、大規模なデータを現実的な時間とコストで解析する鍵になります。
👥 コホートモード
提供されたサンプル群全体を使い、ゼロからノイズモデルを学習しながら、そのグループ内の各サンプルのCNVを同時に判定するモードです。
未知の系統的な誤差まで学習するため計算負荷は高く、安定した結果を得るには最低30サンプル、推奨は100サンプル以上とされています。
🔬 ケースモード
コホートモードで事前に作っておいたモデル（基準となる集団のパネル）を読み込み、新たな少数のサンプルに対して判定だけを行うモードです。
学習の工程を省くため計算資源と時間を大きく削減でき、少数例の解析やバッチ処理が難しい臨床的な場面での標準的なやり方になります。
興味深いことに、GATK-gCNVは基準となる集団と個別サンプルとの間に、ある程度の読み取りの深さの違いがあっても、比較的頑健（ロバスト）に動作します。たとえば基準集団が平均15〜20倍の深さで、個別サンプルが30倍の深さであっても（同じ装置で読んでいれば）、モデルはこれをサンプル固有の深さの違いとして吸収できます。ただし解析を成功させるには、カバレッジの安定性やGCの偏りといった品質指標が、基準集団と個別サンプルの間で極端にかけ離れていないことを確認することが必須の条件になります。
超大規模データを扱うPCAバッチ処理
数万から数十万というサンプルを一度にコホートモードで処理するのは、現在の計算機の性能では物理的に不可能です。また、技術的なノイズの性質が大きく異なるサンプルを無理に混ぜて一つのモデルを作ると、精度が著しく落ちてしまいます。この問題を解決するために、大規模プロジェクトでは主成分分析（PCA）を使ったバッチ処理という洗練された戦略が採られます。代表的なゲノム区間のリード情報をもとにサンプルを似た者同士のグループ（バッチ）に自動的に分け、各バッチから抽出した一部のサンプルでコホートモードのモデルを作り、残りの膨大なサンプルはケースモードで並列に高速処理する、というハイブリッドな方法です。これにより、精度を犠牲にせず、現実的なコストで巨大なデータを処理できるようになります。
5. 性能と他ツールとの比較：感度と精度のトレードオフ
どんなに理論が優れていても、ツールの真価は実際のデータでの成績で決まります。GATK-gCNVは、CNVkit・ExomeDepth・XHMM・cn.MOPS・CONIFERといった主要な競合ツールと、複数の独立した研究で幅広く比較されてきました。ここではまず、CNV解析につきものの「感度」と「精度」という2つの指標を整理します。
💡 用語解説：感度（Recall）と精度（Precision）
感度（Recall）は「本当にあるCNVのうち、どれだけ拾えたか」を表します。感度が高いほど、見逃しが少ないことを意味します。
精度（Precision）は「見つけたと報告したCNVのうち、どれだけが本物だったか」を表します。精度が高いほど、間違い（偽陽性）が少ないことを意味します。この2つはしばしば「あちらを立てればこちらが立たず」の関係（トレードオフ）にあり、両立が難しいのが特徴です。
総じて、対象領域だけを濃縮するWESデータからのCNV検出は、ゲノム全体を均一に読むWGSデータに比べて、本質的に感度が低くなる傾向があります。実際、多くのツールでWESでの感度は総じて低く、0〜0.65という低い範囲に収まるケースが多く報告されています。その厳しい条件のなかで、GATK-gCNVは極めて高い感度を達成するツールとして明確に位置づけられています。WGSデータの評価では、最も高い感度を達成した数ツールの一つに数えられ、38サンプルのWGS比較では2番目に多いCNV数を検出するなど、微小な変動も逃さない強力な探索能力が示されています。
ただし、この高い感度はある程度の精度の犠牲の上に成り立っているというトレードオフも見過ごせません。WGSデータでは、GATK-gCNVを含むすべてのツールで精度は全体的に低調で、GATK-gCNVの精度は31%を下回るという結果も示されています。多くのCNVを拾う分、そのままでは偽陽性が増えやすいのです。一般には信頼性スコアで下位の判定を除外すれば精度が上がると期待されますが、GATK-gCNVは下位を除外しても感度を高く保つ例外的な粘り強さを見せる一方、その操作が精度の飛躍的な向上には直結しなかった、という厳しい現実も報告されています。
主要ツールの特性比較
これらの結果からわかるのは、単一のツールで感度と精度の両方を完璧に満たすのはほぼ不可能だということです。そのため、真に網羅的で高精度な解析を目指す場合には、GATK-gCNVの高い感度と、大きなCNVの捕捉が得意なcn.MOPSなど、性質の異なるツールを組み合わせるアンサンブルアプローチ（統合的な手法）が、見逃しを防ぎつつ偽陽性を抑える最適な戦略として推奨されています。
6. 検出の限界：苦手とする2つの領域
GATK-gCNVは非常に強力ですが、万能ではありません。対象となるCNVの「サイズ」と「集団内での頻度」という2つの面で、はっきりとした性能の境界線が存在します。この限界を正しく理解しておくことは、結果を解釈するうえで欠かせません。
限界①：単一エクソンの小さな変異が苦手
GATK-gCNVは、2つ以上の十分に読めているエクソンにまたがるCNVには極めて高い性能を発揮します。しかし、3エクソン未満、特に単一のエクソンだけに限局する欠失や重複に対しては、性能が急速に低下する傾向があります。ここが臨床的に悩ましい点で、実際には単一エクソンの欠失が疾患の原因となるケース（たとえばデュシェンヌ型筋ジストロフィーの一部の欠失など）も多いのです。こうした小さな変異の検出には、IGVでの目視確認や、解像度に優れた別の手法による補完がしばしば必要になります。
💡 なぜ単一エクソンが難しいのか
GATK-gCNVは「隣り合う区間のつながり」を根拠にして、弱いシグナルを拾い上げる仕組みでした。ところが単一エクソンの変異では、その「つながり」の情報がほとんど使えません。1つの区間だけのリードの増減は、技術的なノイズと区別しにくく、判断の材料が足りなくなってしまうのです。だからこそ、この領域では確認検査との組み合わせが重要になります。
限界②：頻度の高いコモンCNVの識別が難しい
GATK-gCNVは、集団内での頻度が1%未満のレアCNV（まれなCNV）の検出に特化して最適化されています。一方で、頻度が1%を超えるコモンCNV（ありふれたCNV）では、一般集団に広く分布する真の多型と、プローブによる技術的なバイアスとをアルゴリズムが切り分けることが難しくなります。その結果、コモンCNVに対する検出性能、特に精度は、レアCNVに対する性能に比べて明らかに低下することが確認されています。この特性は、GATK-gCNVがどんな場面向けに設計されたツールなのかをよく表しています。
7. 大規模プロジェクトへの応用：UK BiobankとSSC
🔍 関連記事：新生突然変異（de novo変異）／自閉症遺伝子検査
GATK-gCNVの理論的な優秀さとスケーラビリティ（規模を拡大できる能力）を最も劇的に示したのが、世界最大級のゲノムプロジェクトへの応用です。研究室レベルのテストを超えて、集団遺伝学の新たな地平を切り拓く産業レベルの基盤として機能することを証明しました。
UK Biobank：19万人規模のレアCNVカタログ
UK Biobankプロジェクトでは、197,306名という前例のない規模の参加者のWESデータにGATK-gCNVが適用されました。全サンプルを一度に処理することは不可能だったため、前述のPCAバッチ処理を用いて全サンプルを110の独立したバッチに分割し、各バッチの一部でモデルを学習させ、残りをケースモードで高速並列処理することで計算の壁を突破しました。この工夫により、クラウド上での実行コストはサンプルあたりわずか0.037ドルという水準に抑えられました。
厳格な品質管理を経て、GATK-gCNVは対象エクソンの89%で十分な品質を維持し、従来の標準ツールであったXHMM（83%）やCONIFER（72%）を上回るデータ保持率を示しました。さらに解像度が2エクソンを超える領域での評価では、感度81%・精度90%という優れた成績を収め、XHMM（感度75%・精度50%）やCONIFER（感度47%・精度49%）を置き換える新しい標準であることを証明しました。この解析から作られたレアCNVの参照カタログは、遺伝子ごとのCNV発生率と、その遺伝子がどれだけ変異を許容しにくいかを示す指標との間に強い相関があることを明らかにしました。
SSC：自閉症コホートでの精度検証
これと並行して、GATK-gCNVの精度はSimons Simplex Collection（SSC）という自閉症スペクトラム障害の研究コホートで厳密に検証されました。このコホートは、過去にマイクロアレイや高カバレッジのWGSで厳格に品質管理され、CNVの「正解」が明確になっているデータセットです。この正解が明らかなデータに対してWES解析を適用した結果、解像度が2エクソンを超えるレアなコーディングCNV（およびde novo CNV）に対して、最大95%という高い感度を達成しました。この結果は、米国の大規模精密医療プロジェクトであるAll of Usプログラムでの構造変異品質レポートにおけるGATK-gCNVの採用を後押しする重要な根拠にもなっています。
8. 臨床とのつながり：GATK-gCNVは診断とどう関わるか
🔍 関連記事：染色体マイクロアレイ（CMA）／MLPA／臨床遺伝専門医とは
ここまで技術的な話が続きましたが、GATK-gCNVは遺伝子診断のどこに位置づけられるのでしょうか。CNVの検出は、発達の遅れや先天性疾患、あるいは家族性の疾患の原因を突き止める遺伝子診断の重要な一部です。GATK-gCNVは、その中でも「NGSで読み取ったデータから、追加の実験なしにCNVを拾い上げる」役割を担います。つまり、遺伝子検査と診断のあいだをつなぐ「解析」の工程で働くツールなのです。
従来のCNV検査法との位置づけ
CNVを調べる方法は、GATK-gCNVのようなNGSベースの解析だけではありません。従来から使われてきた代表的な手法との関係を理解しておくと、それぞれの役割が見えてきます。
🩺 染色体マイクロアレイ（CMA）
ゲノム全体にわたるCNVを一度に調べられる、CNV検出の従来からの標準的な検査です。GATK-gCNVの結果を照合する「正解データ」としても使われます。詳しくはCMA検査結果の見方もご覧ください。
🔬 MLPA
特定の遺伝子について、エクソン単位で欠失や重複を高い精度で調べられる手法です。GATK-gCNVが苦手とする単一エクソンの変異の確認検査として、相補的に使われることがあります。
💡 大切なポイント：確認検査という考え方
GATK-gCNVは感度が高い一方で偽陽性も出やすいツールです。そのため、解析で見つかったCNVが本当に存在するのか、それが病気の原因といえるのかは、別の手法（MLPAなど）による確認や、臨床情報との照らし合わせを経て、慎重に判断される必要があります。1つの解析結果だけで結論を出すのではなく、複数の情報を組み合わせて診断に至るというのが、遺伝子診断の基本的な考え方です。
遺伝カウンセリングの役割
CNVが見つかった場合、その意味を正しく理解し、今後の対応を考えるうえで、遺伝カウンセリングが重要な役割を果たします。特にCNVの解釈には、「そのCNVが病気と関連するのか、それとも意味のない個人差なのか」という判断がつきまとい、これは専門的な知識を必要とします。GATK-gCNVのようなツールの特性（何が得意で何が苦手か）を理解したうえで結果を説明することは、臨床遺伝専門医の大切な仕事の一つです。当院では、こうした解析の背景も含めて、検査結果の意味を丁寧にお伝えすることを心がけています。
なお、CNVによって起こる疾患の多くは、両親には見られず子どもで初めて生じる新生突然変異（de novo変異）によるものも少なくありません。家族歴がないからといって否定できるものではなく、こうしたリスクの評価も含めて、遺伝カウンセリングの中で扱われることになります。
9. よくある誤解
誤解①「感度が高いなら結果を全部信じていい」
GATK-gCNVは感度が高い分、偽陽性（実際にはない変異を検出してしまうこと）も出やすいツールです。見つかったCNVは、確認検査や臨床情報との照合を経てはじめて意味を持ちます。1つの結果だけで判断しないことが大切です。
誤解②「どんなCNVでも見つけられる」
単一エクソンだけの小さな欠失・重複や、集団に広く分布するコモンCNVは、GATK-gCNVが苦手とする領域です。得意・不得意を理解したうえで、他の手法と組み合わせることが前提になります。
誤解③「GATK-gCNVは検査そのものだ」
GATK-gCNVは検査キットや装置ではなく、NGSで読み取ったデータを後から解析するソフトウェアです。どんな装置でどう読んだかに加えて、どう解析したかも結果に影響します。
誤解④「1点の変異（SNV）もこれで分かる」
GATK-gCNVが対象とするのは、あくまでコピー数の増減（CNV）です。1文字だけが変わる小さな変異（SNV）や小さな挿入・欠失は、別の解析ツールが担当します。役割が分かれている点に注意が必要です。
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）を含む遺伝子検査・ゲノム解析や
その結果の解釈に関する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ご相談ください。
参考文献
- [1] GATK-gCNV: A Rare Copy Number Variant Discovery Algorithm and Its Application to Exome Sequencing in the UK Biobank. bioRxiv. [bioRxiv]
- [2] GATK-gCNV enables discovery of rare copy number variants from exome sequencing data. PMC. [PMC10904014]
- [3] GermlineCNVCaller. GATK – Broad Institute. [Broad Institute]
- [4] (How to) Call rare germline copy number variants. GATK – Broad Institute. [Broad Institute]
- [5] DetermineGermlineContigPloidy. GATK – Broad Institute. [Broad Institute]
- [6] A Comparison of Tools for Copy-Number Variation Detection in Germline Whole Exome and Whole Genome Sequencing Data. PMC. [PMC8699073]
- [7] Detection of germline CNVs from gene panel data: benchmarking the state of the art. Briefings in Bioinformatics. [Oxford Academic]
- [8] Incorporating CNV analysis improves the yield of exome sequencing for rare monogenic disorders. Frontiers in Genetics. [Frontiers]
- [9] gCNV Open file limits exceeded at GermlineCNVCallerCohortMode step (Issue #5714). broadinstitute/gatk – GitHub. [GitHub]
- [10] All of Us Short-Read Structural Variant Quality Report (CDRv7). All of Us Research Program. [All of Us]
