目次
遺伝子検査の結果が「どれだけ信頼できるか」は、DNAを「どれだけ深く読んだか」で大きく左右されます。この“深さ”を表す指標がリードデプス（Read Depth）です。同じ場所を何回読んだかという数字が、変異が「本物か・ノイズか」を見分ける土台になり、モザイクや稀な変異の見逃しリスクにも直結します。本記事では、リードデプスの基本から、検査ごとに必要な深さの目安、コピー数変異（CNV）の検出、データのゆがみ（バイアス）を補正する最新の計算手法まで、遺伝専門医がやさしく解説します。
Q. リードデプス（Read Depth）とは何ですか？まず結論だけ知りたいです
A. リードデプスとは、次世代シーケンサーがゲノム上の「ある1つの塩基位置」を平均して何回読み取ったかを示す数字です。「30x（サーティエックス）」なら、その領域を平均30回読んだことを意味します。同じ場所を何度も読むほど、そこにある変異が「本物の変異」なのか「単なる読み取りミス（ノイズ）」なのかを統計的に区別しやすくなり、検査の信頼性が上がります。深さが足りないと、少数の細胞にだけ存在する変異（モザイクなど）を見逃す危険性が高まります。
- ➤基本の考え方 → 「総読み取り塩基数 ÷ ゲノムサイズ」で計算する平均の深さ
- ➤検査で変わる目安 → 全ゲノムは約30x、全エクソームは約100xが一つの基準
- ➤CNV検出への応用 → 深さの増減からコピー数の欠失・重複を読み解く
- ➤見かけの深さの罠 → GCバイアスやマッピングのゆがみを補正しないと誤判定に
- ➤臨床的な意味 → 平均だけでなく「コール可能な領域の広さ」が結果の質を決める
1. リードデプスとは？シーケンス解析の信頼性を支える基本指標
次世代シーケンサー（NGS）の登場によって、ヒトのゲノム全体を一度に読み取ることが日常的にできるようになりました。しかし、シーケンス（DNAの塩基配列を読む作業）には相応のコストと計算資源がかかるため、「どこまで深く読むか」という設計が、得られる情報の質と量を大きく左右します。この“深さ”を数値化したものがリードデプス（Read Depth）です。専門的には、カバレッジ（網羅率）とほぼ同じ意味で使われることも多く、両者の違いを整理して理解しておくと、検査結果の見方がぐっと分かりやすくなります。
💡 用語解説：リードデプス（Read Depth）と「30x」の読み方
リードデプスとは、参照ゲノム（ヒトの標準的な設計図）の特定の塩基位置に、シーケンサーが読み取った短い配列（リード）が平均で何本重なっているかを示す数です[1]。「30x」という表記は、その領域が平均して約30回読み取られていることを意味します[2]。同じ場所を何回も読むほど、そこにある変化が「本物」なのか「たまたまの読み取りミス」なのかを見分けやすくなる、というのが基本的な考え方です。
リードデプスは、シンプルな計算式で求められます。「平均デプス ＝ シーケンスした総塩基数 ÷ ゲノムサイズ」です[2]。たとえばヒト全ゲノムシーケンス（WGS）で、150塩基対（bp）のペアエンドリードを6億リード取得したとすると、読み取った総塩基数は「6億 × 150 × 2＝1,800億塩基（180Gbp）」になります。ヒトゲノムの大きさを約30億塩基（3Gbp）とすると、平均デプスは「180Gbp ÷ 3Gbp ＝ 60x」と計算できます[2]。このように、出力量とゲノムサイズが分かれば、平均的にどのくらいの深さで読めているかを見積もれます。
なぜ「深さ」が重要なのか——統計的信頼性の担保
リードデプスが重要なのは、データの「統計的な信頼性」を支えるからです。ゲノム解析では、ある位置で見つかった塩基の変化が「真の生物学的な変異」なのか、それとも「シーケンスエラーやランダムなノイズ」なのかを区別しなければなりません。1回だけ読んで見つかった変化は偶然のミスかもしれませんが、30回・50回と読んでそのうち多くで同じ変化が確認されれば、本物である確からしさが高まります[3]。逆に深さが足りないと、サンプル内にわずかしか存在しない稀な変異——たとえば腫瘍組織の一部の細胞にだけ生じた体細胞変異など——を見逃す危険が高まります[3]。
💡 用語解説：モザイク・体細胞変異とは
受精卵の段階から全身の細胞が共有する変異を生殖細胞系列変異と呼ぶのに対し、生まれた後に一部の細胞だけに生じる変異を体細胞変異といいます。体の中に「変異を持つ細胞」と「持たない細胞」が混在している状態がモザイクです。こうした変異は全細胞のうちわずかな割合にしか存在しないことがあり、シーケンスで捉えるには十分な深さが必要です。深さが足りないと、少数派の変異が「読まれなかっただけ」なのか「存在しない」のか判別できず、見逃しにつながります。
理想的な条件では、ある位置のリード数はポアソン分布という統計モデルに従うと仮定されます。これは「平均的な回数を中心に、実際の回数がばらつく」ことを表す分布です。ところが実際のライブラリ調製（DNAをシーケンスできる形に整える工程）では、PCRという増幅反応で限られた数の分子を何度もコピーするため、見かけ上の深さは増えても「独立した証拠」は増えていない、という状況が起こり得ます[4]。同じ分子を繰り返し数えているだけの状態では、きれいなポアソンモデルから外れていきます[4]。こうしたマッピングや増幅の“ゆがみ（バイアス）”を理解し、適切に補正することが、リードデプス解析の中心的な課題となります。
2. 検査別に必要なリードデプスの目安と設計の考え方
必要なリードデプスは、「シーケンサーがどれだけ出力できるか」ではなく、「実験の生物学的なボトルネックは何か」「その先の解析で何を知りたいか」によって決めるべきものです[4]。2014年に発表された影響力の大きいレビュー論文では、全ゲノム（WGS）・全エクソーム（WES）・トランスクリプトーム（RNA-seq）など、目的ごとに求められる深さの性質が大きく異なることが整理されています[1]。
全ゲノム（WGS）と全エクソーム（WES）の戦略の違い
WGS（全ゲノムシーケンス）は、ゲノム全体をできるだけ均一な深さでカバーすることを目指します。一方のWES（全エクソームシーケンス）は、タンパク質をコードする領域（エクソン）など、ゲノム全体のわずか数パーセントに絞って読むため、同じ深さのカバレッジをWGSより1桁低いコストで達成できます[5]。この効率の良さから、WESは検査できる人数を大きく増やせるため、集団遺伝学や稀なメンデル遺伝性疾患の研究で強力なツールになっています[5]。ただしWESには、プロモーターやエンハンサーといった「遺伝子の働きを調節する重要な領域」がほぼ含まれないという根本的な限界もあります[5]。
実際の検査運用では、WESでは読みにくいエクソンでも一定の深さを確保する目的で、WGSより高い100xが標準とされることが一般的です。読者の皆さんが検査報告書で見かける「99% at 20x」のような表記は、「検査対象領域の99%以上を、20回以上の深さで読めている」という意味です。数字が高いほど、その領域を安定して読めていることになります。
💡 用語解説：平均デプスの落とし穴と「コール可能な領域の広さ」
平均デプスが高いサンプルでも、GC含有量のかたより・キャプチャの不均一・繰り返し配列・PCR重複などの影響で、部分的に極端に薄くなる「弱点領域（weak spots）」が生じます[4]。全体の平均が高くても、生物学的に重要な領域が薄ければ変異を見逃しかねません。そのため現代の検査設計では、単純な平均デプスではなく、「信頼して判定できる領域がどれだけ広いか（コール可能な領域の広さ／Callable breadth）」を重視するのがベストプラクティスとされています[4]。
主なアプローチの比較
RNA-seqでの深さ——低発現遺伝子・スプライシング・融合遺伝子
RNA-seq（発現している遺伝子の量を測る解析）で深さを増やす最大のメリットは、発現量がごく低い遺伝子や、変化の幅が小さい微妙な発現変動を、統計的な有意性をもって検出できるようになることです[6]。深さと検出できる遺伝子数の関係は直線的ではありません。あるヒト脂肪組織を対象とした研究では、500万リードの深さでは発現遺伝子のわずか16%しか検出できなかったのに対し、1億リードに増やすと検出率が79%へと急上昇したことが報告されています[7]。
また、白血病などの血液腫瘍でみられる稀な遺伝子融合（2つの遺伝子がつながって新しい異常な遺伝子ができる現象）を漏れなく検出するには、2億以上のペアエンドリードが必要とされ、信頼性の高い検出に絞る場合でも3億リードの出力が推奨されるケースがあります[8]。このように「何を検出したいか」で必要な深さは大きく変わります。
3. リードデプスからコピー数変異（CNV）を読み解く仕組み
コピー数変異（Copy Number Variation：CNV）とは、一般にゲノム上で50bpや1kbを超えるDNAのまとまりが重複したり欠失したりする変化を指します。これは1文字だけが変わる単一塩基の変化（SNV）よりも、個人間のDNAの違いの大部分を占め、疾患へのかかりやすさにも重要な役割を果たす構造変異（Structural Variation：SV）の一種です[9]。CNVの主要なシグナルであるリードデプスは、多くの技術的な交絡因子（結果をゆがめる要因）の影響を受ける連続的な数値であるため、その検出はバイオインフォマティクスの中でもとりわけ難しいテーマです[10]。
💡 用語解説：なぜ「深さ」でコピー数が分かるのか
リードデプス法によるCNV検出は、「ある領域のコピー数が多ければ、そこに由来するリードも多く読まれる（＝深さが増える）」という単純明快な仮説に基づいています[11]。通常2コピー（父由来1つ＋母由来1つ）ある領域が3コピーに増えていれば深さは約1.5倍に、1コピーに欠けていれば約0.5倍になる、という理屈です。深さが高いほど小さな変化まで見分けられるようになる性質があり、数百塩基から染色体全体まで、幅広いサイズのCNVを検出できます[11]。
次世代シーケンスデータからCNVを検出するアルゴリズムは、大きく「リードペア（RP）」「スプリットリード（SR）」「アセンブリ（AS）」「リードデプス（RD）」の4つに分類されます[11]。このうちリードデプス法は、上記のとおり「深さとコピー数が相関する」という仮説に基づいて設計されています。実際の解析は、次の3つの段階で進みます[10]。
この一連の流れ——生のアライメントデータを区画ごとに数え、バイアスを正規化し、数学モデルでセグメントに区切って最終的にコピー数の増減として判定する——が、リードデプスベースのCNV解析の基本的な計算の枠組みです[10]。
4. CNV検出ツールの比較とセグメンテーション技術
CNVを検出するツールは数多く開発されていますが、その性能はデータの条件（シミュレーションか実データか、変異の長さ、深さ、腫瘍純度、CNVの型）によって大きく変わります[9]。ある包括的なベンチマーク研究では、単一サンプル解析における12の代表的なCNV／SV検出ツールの性能が比較・評価されました[9]。これらは、主にリードデプス法に頼る「専用CNVツール」と、複数の手法を組み合わせる「汎用の構造変異ツール」に分けられます[9]。
性能を左右する要因はいくつかあります。まず変異のサイズと深さで、短いCNVはアルゴリズムに除外されやすく見逃されがちな一方、長い変異は比較的見つけやすい傾向があります[9]。次に腫瘍純度です。正常なコントロールがない単一サンプル解析では、サンプルに含まれるがん細胞の割合（腫瘍純度）が低いと「シグナルの交絡」が起こり、CNV検出に欠かせない深さのシグナルの信頼性が大きく下がります[9]。
興味深いのは、シミュレーションと実データでの成績のズレです。Control-FREECなどは、多数の構成にわたるシミュレーションデータでは期待通りの性能を出さなかったものの、実際のヒトゲノム標準データ（GIABのHG002）を用いた検証では高い適合率を示しました[9]。これは、特定のアルゴリズムが単純化されたシミュレーションよりも、実データに潜む複雑なノイズパターンに最適化されていることを示唆しています[9]。ツール選びは「どのデータで・何を検出したいか」に合わせる必要がある、ということです。
CNVnatorの平均シフト（Mean-shift）法
CNVnatorは、1000人ゲノムプロジェクトでの広範な検証を通じて調整された、集団規模のゲノムデータからCNVを発見・ジェノタイピングするための標準的なツールです[12]。リードデプスでアクセスできるCNVにおいて、86〜96%という高い感度と、比較的低い偽発見率を示すことが報告されています[12]。その核心は、画像のエッジ（輪郭）検出に似た「平均シフト（Mean-shift）」という手法を採用している点にあります[12]。各区画の深さのシグナルを隣と比べて「最も似た方向」へ寄せていき、隣り合うベクトルが逆を向く位置をコピー数変化の境界として数学的に決める、という考え方です。さらに帯域幅を段階的に広げながら繰り返すことで、数百bpの微小な欠失から染色体レベルの巨大な増幅までを同時に見つけられます[12]。後継のCNVpytorでは、SNPのBアレル頻度シグナルを併せて解析し、コピー数中立のヘテロ接合性喪失（CN-LOH）などの複雑なイベントの可視化も支援しています[13]。
Control-FREECのLASSOベース平滑化と腫瘍対応
Control-FREECは、腫瘍サンプルの解析に特化した高度な機能を備えたツールです[14]。がんゲノム解析で深刻な問題となる「正常サンプルの不在」や「がん細胞の倍数性（染色体セットが通常の2倍体からずれること）」に自動的に対処できます[14]。正常な2倍体の前提が崩れるがん細胞では基準となるコピー数の推定が難しいのですが、Control-FREECはユーザー指定または自動推論した主要な倍数性に基づいて絶対コピー数を割り当てます[15]。セグメンテーションにはLASSOベースの全変動（Total Variation）アルゴリズムが使われ、局所的なスパイクや極端なドロップアウトといった外れ値に強く、深いシーケンスのコピー数プロファイルをなめらかにするのに適しています[15]。WESにも対応し、ウィンドウサイズを0に設定すると、一定間隔ではなく実際の「エクソン単位」でリードカウントを行うよう適応します[14]。
5. データのゆがみを取り除く——バイアス補正の最前線
生のリードデプスは、そのままではコピー数の正確な代理指標にはなりません。技術的な要因による系統的なゆがみ（バイアス）を数学的に取り除くことが、その先の解析の成否を左右します。ここでは代表的な2つのバイアスと、その補正戦略を見ていきます。
GC含有量バイアスとその補正
💡 用語解説：GCバイアスとは
DNAは4種類の塩基（A・T・G・C）でできており、そのうちG（グアニン）とC（シトシン）が占める割合を「GC含有量」といいます。GCバイアスとは、ある領域のGC含有量によって、その領域の読まれやすさ（深さ）が変わってしまう現象です。放っておくと、コピー数の変化のような本当の生物学的シグナルを覆い隠してしまうため、補正が欠かせません[16]。
2012年の重要な研究（Benjamini と Speed）により、GCバイアスについて大切なことが明らかにされました。第一に、深さに最も影響するのは、シーケンスされた短いリード自体のGC含有量ではなく、シーケンス前のDNAフラグメント全体のGC含有量だということです[16]。第二に、この効果は「単峰性（山が1つの形）」で、極端にGCが多いフラグメントだけでなく、極端にATが多いフラグメントも一様に「過小評価」される、という点です[16]。これは、ライブラリ調製におけるPCR増幅の効率のかたよりが、GCバイアスの主な原因であるという仮説を強く裏づけるものでした[16]。
最も広く使われる補正は、LOESS回帰（局所的に曲線を当てはめて平滑化する手法）です[17]。ゲノムを一定の区画に分け、各区画のGC含有量と平均リードカウントを計算し、期待される深さと実際の深さの比率から補正係数を導きます[17]。CNVnatorやCNVkitをはじめ多くのツールがこの方法を採用しています。近年では、血液中を漂うセルフリーDNA（cfDNA）のように微量で、しかもアポトーシス由来の特有な断片長分布を持つサンプル向けに、ゲノム全体を一律に平均する従来法では不十分なため、フラグメント単位で精密に補正する「Griffin」や、それをさらに高速化した「GCfix」といった新しいアルゴリズムが開発されています[18][19]。
マッピングバイアスと反復配列の壁
💡 用語解説：マッピング可能性（Mappability）とは
マッピング可能性とは、ある領域から生まれたリードが、ゲノム上の正しい位置に「あいまいさなく」貼り付けられる確率のことです。繰り返し配列や部分的に重複した領域（似た配列が複数箇所にある領域）では、リードがどこ由来か特定しにくく、複数箇所に貼れてしまう“あいまいなリード”がたまり、CNVの誤検出（偽陽性・偽陰性）を招きます[20]。
定量的な研究によると、マッピング可能性スコアが0.3を下回る領域では、欠失と重複の深さの分布が似通ってしまい、統計的に両者を区別することが不可能になることが示されています[21]。こうした領域では、本来なら深さが増えるはずの重複領域が正常以下に見えたり、逆に欠失領域が正常以上に見えたりと、シグナルが壊滅的に劣化します[21]。対処法としては、極端な領域をあらかじめ除外する「ハードフィルタリング」、マッピング可能性トラックを読み込んで基準線を調整する「正規化モデリング」、シミュレーションでエラーを起こす位置のブラックリストを作る方法などがあります。
💡 ポイント：ロングリードによる「根本的な解決」
情報科学的な補正が限界に達する領域（タンデムリピートやMHC領域など）では、ショートリードの深さをどれだけ増やしても信頼性は上がりません。ここでは「何回読むか（カウント）」ではなく「どれだけ長く読むか（スパン）」が鍵になります。ロングリードシーケンサーを用いたあるベンチマークでは、15xのHiFiロングリードが30xのショートリードWGSより約30%多くのCNVを検出し、特に部分重複領域で威力を発揮したと報告されています[10]。ナノポアシークエンサーを含む長鎖読み取り技術は、深さ解析の限界を補う次の一手として注目されています。
WES特有のアーティファクトと正常パネル（PoN）
全エクソーム（WES）データには、ハイブリダイゼーション・キャプチャ（狙った領域を釣り上げる工程）のプローブ親和性の違いによる、極端に不均一なカバレッジという固有の課題があります[22]。この技術的なばらつきは、局所的な配列の特徴や個々のサンプルのライブラリ特性に依存するため、ゲノム全体を一律に扱う単純なGC補正では対処しきれません[22]。そこでGATK（ゲノム解析の標準的なツール群）のベストプラクティスでは、「正常パネル（Panel of Normals：PoN）」を構築します[23]。これは、対象の腫瘍サンプルと同じキャプチャ手順・同じプラットフォームで処理した多数の健康な正常サンプルの深さプロファイルをまとめて解析するもので、プローブ固有の非効率やライブラリ由来の“システム全体のノイズの基準線”を確立し、体細胞CNV検出での偽陽性を大きく減らします[22]。
6. カバレッジ計算を高速化する計算ツールの進化
シーケンスデータの量が膨大になるにつれ、ゲノム全体のリードデプスを計算する前処理そのものが、計算資源を激しく消費するボトルネックになってきました。従来はSamtools（samtools depth）、BEDTools（bedtools genomecov）、GATK、Sambambaなどが標準的に使われてきましたが、現代の大規模解析では計算時間の最適化が急務になっています[24]。
このボトルネックを打破するために開発されたのがMosdepthです[24]。その最大の革新は、非常にシンプルなアルゴリズムにあります。従来のように各塩基位置でリードの重なりを逐一数えるのではなく、リードの「開始位置」で配列の値を+1、「終了位置」で−1するという処理だけを行い、あとは配列の先頭からの累積和を計算するだけで、任意の位置の深さを瞬時に求めます[24]。この段階でペアエンドの重なりによる二重カウントも回避されます[24]。30xのヒト全ゲノムで、従来ツールが1〜2時間以上を要するのに対し、MosdepthはCPU時間で約25分、マルチスレッド環境ではさらに短時間で完了します[24]。唯一のトレードオフはメモリ使用量ですが、最大の染色体でも約1GB程度であり、現代の計算環境では実質的に無視できるコストとされています[24]。純粋な深さ計算やCNVコール用の平均ウィンドウカバレッジ算出において、現在最も高速で堅牢なフレームワークの一つと位置づけられています[24]。
7. リードデプスと臨床——遺伝子診断・遺伝カウンセリングとのつながり
ここまで技術的な話が続きましたが、リードデプスは決して研究者だけのテーマではありません。遺伝子検査の結果がどれだけ信頼できるか——ひいては、ご家族にお伝えする診断や再発リスクの確かさ——は、この深さの設計に大きく依存しています。深さが不足すれば、モザイクや体細胞変異、稀なバリアントを見逃し、「異常なし」という結果が実は偽陰性（本当はあるのに検出できていない状態）である可能性が高まります。
たとえば、原因がなかなか特定できない症状に対してWESやWGSを行う場合、十分な深さとカバレッジで取得した高品質なデータは、その時点で診断がつかなくても、後日、新しい知見に基づいて再解析できる「デジタル資産」としての価値を持ちます。逆に、深さが不十分なデータでは再解析の余地も限られてしまいます。検査の質は、一度きりの結果だけでなく、将来の可能性にも関わるということです。
また、CNVの解釈は臨床の現場と直結しています。染色体マイクロアレイ（CMA）やシーケンスベースの解析で見つかったコピー数の増減が、病的な意味を持つのか・意義不明なのかを判断するには、まずその検出自体が信頼できる深さとバイアス補正のもとで行われている必要があります。臨床遺伝専門医による遺伝カウンセリングでは、こうした技術的な背景も踏まえながら、結果の意味と限界を分かりやすくお伝えすることを大切にしています。
8. よくある誤解
誤解①「平均デプスが高ければ安心」
平均の深さが高くても、GCバイアスやキャプチャの不均一で、特定の重要領域だけが極端に薄いことがあります。大切なのは平均値ではなく「信頼して判定できる領域の広さ（Callable breadth）」です。
誤解②「デプスとカバレッジは同じもの」
同義で使われる場面もありますが、厳密にはデプス＝同じ場所を何回読んだか（深さ）、カバレッジ＝対象領域の何%を読めたか（広さ）を指すことが多く、どちらが欠けても見逃しの原因になります。
誤解③「深く読めばどんな変異も見つかる」
反復配列や部分重複の多い領域では、ショートリードをいくら深く読んでも識別が困難です。こうした領域では読む回数ではなく読む長さ（ロングリード）が根本的な解決策になります。
誤解④「生のデプスがそのままコピー数」
生の深さにはGCバイアスやマッピングのゆがみが混ざっているため、正規化・補正を経て初めてコピー数の代理指標になります。補正なしの深さで判断すると誤検出につながります。
よくある質問（FAQ）
🏥 遺伝子検査・出生前診断のご相談
検査の深さやカバレッジ、CNV解析の意味など
遺伝子検査の技術的な背景も踏まえたご相談は
臨床遺伝専門医が在籍するミネルバクリニックへお気軽にどうぞ。
参考文献
- [1] Sims D, et al. Sequencing depth and coverage: key considerations in genomic analyses. Nature Reviews Genetics. [PubMed 24434847]
- [2] Read Depth in Sequencing: Coverage Explained. Genomics & Informatics Lab. [Genomatics]
- [3] Sequencing Depth vs. Coverage: Key Metrics in NGS Explained. [3billion]
- [4] Sequencing Depth & Coverage Guide. CD Genomics. [CD Genomics]
- [5] Sims D, et al. Sequencing depth and coverage: key considerations in genomic analyses (full text). [PDF]
- [6] Liu Y, et al. Evaluating the Impact of Sequencing Depth on Transcriptome Profiling in Human Adipose. PLOS ONE. 2013. [PubMed 23826166]
- [7] Evaluating the Impact of Sequencing Depth on Transcriptome Profiling in Human Adipose. PMC. [PMC3691247]
- [8] Copy Number Variation (CNV) Analysis: Detection Methods, Depth Strategies, and Bioinformatics Tools. CD Genomics. [CD Genomics]
- [9] Comparative study of tools for copy number variation detection using NGS data. PMC. [PMC12218993]
- [10] On the core segmentation algorithms of copy number variation detection tools. Briefings in Bioinformatics, Oxford Academic. [Oxford Academic]
- [11] Copy Number Variation (CNV) Analysis: A Guide for Clinical Researchers. Bionano. [Bionano]
- [12] CNVnator: an approach to discover, genotype, and characterize typical and atypical CNVs. PMC. [PMC3106330]
- [13] CNVpytor: a tool for CNV/CNA detection and analysis from read depth and allele imbalance in WGS. Oxford Academic (GigaScience). [GigaScience]
- [14] Control-FREEC: Copy number and allelic content caller. Boeva Lab. [Boeva Lab]
- [15] Control-FREEC: a tool for assessing copy number and allelic content using NGS data. PMC. [PMC3268243]
- [16] Summarizing and correcting the GC content bias in high-throughput sequencing. PMC. [PMC3378858]
- [17] Estimation and correction for GC-content bias in high throughput sequencing. UC Berkeley Statistics. [UC Berkeley]
- [18] GCparagon: evaluating and correcting GC biases in cell-free DNA at the fragment level. PMC. [PMC10657415]
- [19] GCfix: a fast and accurate fragment length-specific method for correcting GC bias in cell-free DNA. PMC. [PMC12133280]
- [20] Detection of CNVs from NGS Data — Secondary Analysis Series. Golden Helix. [Golden Helix]
- [21] Improving detection of copy-number variation by simultaneous bias correction and read-depth segmentation. PMC. [PMC3561969]
- [22] GATK-gCNV enables discovery of rare copy number variants from exome sequencing data. PMC. [PMC10904014]
- [23] Panel of Normals (PoN). GATK, Broad Institute. [GATK]
- [24] Mosdepth: quick coverage calculation for genomes and exomes. PMC. [PMC6030888]
