用途：从肿瘤单细胞或单核 RNA-seq 数据推断大规模拷贝数变异（CNV），据此区分恶性与正常细胞，并识别亚克隆。核心原理是：基因组窗口内的平均表达只是 DNA 拷贝数的代理而非直接测量，需沿染色体平滑表达并与拷贝中性基线比较，分辨率约为染色体臂或 5 Mb 级大片段，无法解析焦点基因或外显子。
主要方法：inferCNV 基于参考（需正常细胞），沿染色体平滑表达并可选用 HMM 输出离散状态；copyKAT 与 SCEVAN 无需参考，内部估计二倍体基线后分类非整倍体与二倍体；Numbat 结合表达与定相 B 等位基因频率，适合亚克隆与拷贝中性 LOH，但需要 BAM 和定相参考。
使用方式：inferCNV 需原始计数矩阵、细胞分组注释和基因排序文件，用 ref_group_names 指定正常组，液滴数据 cutoff=0.1、全长 Smart-seq 用 1，HMM=TRUE 输出状态。copyKAT 传入基因×细胞矩阵，可经 norm.cell.names 提供已知正常条码锚定基线。Numbat 先用 pileup_and_phase.R 生成等位基因计数与定相，再运行 run_numbat。inferCNV 不直接给出每细胞恶性标签，需对观察细胞做 CNV 评分或子聚类后阈值判定，并用 add_to_seurat 写回。
适用场景与限制：CNV 推断须按样本或患者分别进行，跨患者整合会抹除私有核型信号。CNV 静默肿瘤（如许多血液和低级别肿瘤）以及平衡的全基因组加倍在表达方法中不可见，无推断 CNV 不等于细胞正常。参考选择最关键，应优先使用同一样本中经谱系标记确认的非恶性细胞，且参考与肿瘤性别需匹配，否则会伪造性染色体 CNV。HLA 与 Ig/TCR 位点、细胞周期相关条带易产生假信号。亚克隆判定属较弱假设，需等位基因或 DNA 证据佐证。参考示例测试版本为 inferCNV 1.18+、copyKAT 1.1+、numbat 1.4+、SCEVAN 1.0+，使用前应核对已安装版本与 API。