psse軟體cnv是什麼文件

A. InferCNV推斷腫瘤細胞CNV及計算細胞CNV score

InferCNV是broad出品的一款對單細胞轉錄組測序數據推斷CNV的工具包。這里我們對其自帶的數據運行該工具包看一下效果。

首先需要准備3個輸入文件， 我們來看一下其自帶的三個文件：

其運行分兩步，首先建立一個inferCNV對象：

然後就可以運行啦。這里需要注意的是由於軟體自帶的單細胞表達矩陣是smart-seq2的結果，所以需要設定cutoff為1， 如果是10X結果需要設定cutoff為0.1。

自帶數據運行的很快，所有中間和最終結果都保存在我們設定的文件夾test_example下。

首先CNV heatmap如下圖，可以看到上半部分是對照組細胞，基本沒有CNV event。下半部分是腫瘤細胞（Oligodendroglioma），可以看到其特有的Chr1p及Chr19q缺失。同時由於我們設定了cluster_by_groups=TRUE，我們還可以看到每個樣本有自己特有的 number event。

接下來我們用infercnv.observations.txt來計算每個細胞的CNV score。這里我們根據經驗設置一系列的threshold來判斷對於每個基因其 number是不變（Neutral），減少（Copy loss）或增多（Copy gain）。Copy neutral 其score為0，Copy loss和Copy gain都認為是有event， 其score不為0。這里簡單粗暴的分了五類，具體如何更好的計算score其實大家可以集思廣益，比如建立經驗cdf等等。這里我們畫了個線箱圖如下所示。可以看到Cluster1里細胞的CNV score明顯高於其他三組，對應回之前的heatmap（顏色相對應），可以看到確實第一組細胞的CNV event比較多，其次是第四組。

https://github.com/broadinstitute/inferCNV/wiki
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4123637/

B. word無法啟動轉換器RECOVR32.CNV是什麼意思

word無法啟動轉換器RECOVR32.CNV是由於轉換器錯誤，需要重新刪除，具體操作步驟如下：

1、首先，我們點擊電腦的桌面上的右下角開始按鍵，點擊之後出現彈窗，點擊右側的運行。

C. CNV變異分析策略介紹

拷貝數異常( number variations, CNVs)是屬於基因組結構變異（structural variation），根據大小可分為兩個層次：顯微水平（microscopic）和亞顯微水平(submicroscopic)。顯微水平的基因組結構變異主要是指顯微鏡下可見的染色體畸變, 包括 整倍體或非整倍體、缺失、插入、倒位、易位、脆性位點等結構變異。亞微水平的基因組結構變異是指 DNA 片 段 長 度 在 1Kb-3Mb 的基因組結構變異, 包括缺失、插入、重復、重排、倒 位、DNA 拷貝數目變化等，這些統稱為 CNV （也稱為拷貝數多態性( number polymorphisms, CNPs）。

對於分析CNV，目前已經開發出了很多的檢測軟體。經典策略為Read-pair, split-read，read-depth和assembly。先簡單介紹一下這四個策略的原理:

參考：
https://cloud.tencent.com/developer/article/1556091

D. cnv文件怎麼打開

什麼軟體生成的，一般matlab可以大力

E. CNVFNT24.PCH文件

系統文件損壞了，建議去刷一次系統。

F. PSP怎麼轉換街機

首先，街機的CPS1游戲不用轉換，CPS2和NEOGEO的游戲要轉換。一般在你下載的模擬器包裡面有一個叫做romcnv的文件夾，裡面就有轉換軟體，你在PC端運行以後，會讓你選擇要轉換的游戲，你選擇後就會自動轉換，轉換好的文件就在CHEAT文件夾下，然後你就把轉後後生成的帶CHEAT的文件放到你模擬器的CHEAT文件夾下，原游戲ROM放到模擬器的ROM文件夾下，然後把你的模擬器放到PSP/GAME文件夾下，OK，可以玩了。

G. 10X單細胞個性化分析之CNV篇

目前單細胞分析而言，分析方向大致包括以下幾個方面，1）器官發育（這個用空間轉錄組更為合適）；2）疾病樣本，尤其是腫瘤樣本的分析研究；3）其他非模式物種的細胞圖譜。其中對於腫瘤樣本的分析，在基因組研究中CNV的分析佔了很重要的一部分，CNV(Copy number variation, 拷貝數變異)是由基因組發生重排而導致的, 一般指長度為1 kb 以上的基因組大片段的拷貝數增加或者減少, 主要表現為亞顯微水平的缺失和重復。CNV 是基因組結構變異(Structural variation, SV) 的重要組成部分。CNV位點的突變率遠高於SNP(Single nucleotide polymorphism), 是人類疾病的重要致病因素之一。而對於單細胞轉錄組，識別腫瘤細胞和發生的CNV事件同樣重要，實際分析中，也經常用軟體來判斷腫瘤細胞。當然還可以做腫瘤異質性、克隆進化方面的探索，而本篇來介紹單細胞數據的CNV分析。關於單細胞CNV分析，目前主流的分析軟體為inferCNV和後起的「新秀」CAT，本篇就從這兩個軟體著手，體現CNV分析在單細胞研究中的重要作用。

InferCNV用於探索腫瘤單細胞 RNA-Seq 數據，以確定體細胞大規模染色體拷貝數改變的證據，例如整個染色體或大段染色體的gain或loss。這是通過與一組參考「正常」細胞相比，探索腫瘤基因組位置上基因的表達強度來完成的。 生成的熱圖說明了每個染色體上的相對表達強度，並且與正常細胞相比，腫瘤基因組的哪些區域過度表達或更少表達通常變得很明顯。

用inferCNV判斷腫瘤細胞的CNV事件通常包括以下幾個步驟(如下圖)：

1）樣本的基礎質控和注釋；

2）選擇合適的reference；

3）依據基因在染色體上的位置對基因進行排序；

4）數據處理，包括腫瘤細胞與ref的信號比較去除、數據均一化處理、降低噪音等過程；

5）CNV最終的預測。

從分析過程中來講，inferCNV需要的輸入文件包括：表達矩陣、細胞注釋信息、基因在染色體上的位置信息。

使用inferCNV分析單細胞轉錄組，確定reference是最關鍵、也是最開始需要考慮的內容，如果不指定reference，那麼軟體默認會把 樣本中所有細胞的基因平均表達值作為「基線」來識別腫瘤細胞 ，這種方法目前沒有文章引用，原因也很簡單，混淆所有細胞作為reference，其中也包括了腫瘤細胞，無法確定分析結果的准確性。所以做inferCNV最為基礎和關鍵的地方， 還是前期對樣本的質控和細胞注釋，選擇合適的reference，在此基礎上才可以合理地進行inferCNV分析 。

最佳的reference選擇是對應腫瘤細胞類型的正常細胞類型，也是高分文章通常的做法，例如上皮細胞癌變，那麼就以正常的上皮細胞作為reference來分析腫瘤細胞的CNV事件，這樣分析的結果可靠，但是有一個問題，尤其對於人的腫瘤樣本，往往取不到正常的組織區域，就會給CNV分析帶來不小的麻煩，有些腫瘤樣本會帶有癌旁區域，癌旁部分含有正常的細胞類型，但是在細胞解離的過程中跟腫瘤細胞混淆在一起，後續的分析無法很好的區分，這種情況下，只能退而求其次，選擇免疫細胞（T、NK等）作為reference，同時遵守一個原則，盡量多的選擇reference細胞類型，最大限度保證結果可信，在文章A single-cell and spatially resolved atlas of human breast cancers中，就將免疫和內皮細胞最為reference來推斷腫瘤細胞的CNV事件，下圖為中設置E8細胞作為reference分析得到的CNV結果,可見選擇合適的reference會得到良好的分析結果，不僅可以判斷細胞類型發生的CNV事件，也可以分析腫瘤細胞內部的異質性。

InferCNV演算法的詳細步驟涉及以下內容：

1）過濾基因：從計數矩陣中刪除那些在少於「min_cells_per_gene」中表達的基因，這一步類似於樣本質控過程中的基因去除。

2）測序深度的歸一化（總和歸一化）：read counts per cell are scaled to sum to the median total read count across cells。 值不是每百萬計數 (cpm) 等指標，而是每中位數總和的計數（這一點區別於Seurat分析單細胞的均一化）。

3）對數轉換：單個矩陣值 (x) 轉換為log(x+1)，這里對數轉換的作用與Seurat分析中的相同。

4）center by normal gene expression： 從對應基因的所有細胞中減去正常（參考）細胞中每個基因的平均值。 由於此減法是在對數空間中執行的，因此這有效地導致了相對於正常細胞平均值的對數倍變化值。

5）對數倍數變化值的閾值動態范圍。 abs(log(x+1)) 超過'max_centered_threshold' (default=3) 的任何值都被設定為該值（設置了最高上限）。

6）chromosome-level smoothing：對於每個細胞，沿每個染色體排序的基因具有使用加權運行平均值擬合的表達強度。 默認情況下，這是一個包含 101 個基因的窗口，具有pyramidinal weighting scheme。

7）centering cells：如果大多數基因不在 CNV 區域中，每個細胞的中心表達強度中值設定為零。

8）相對於正常細胞的調整：再次從腫瘤細胞中減去正常值的平均值。 這進一步補償了擬合處理後產生的差異。

9）log轉換被還原，這使得amplification 或 deletion的證據在平均值周圍更加對稱。

上述就是推斷CNV分析的基本過程，但是通常為了更加准確的推斷CNV事件，往往還要添加兩個步驟 de-noising filters 和HMMs演算法。

降噪的目的是降低噪音（正常細胞中的殘余信號），同時保留腫瘤細胞中可被解釋為 CNV 的信號。

基礎分析結束後的正常信號保存在初步的 inferCNV 對象，該對象已被smoothed、centered，並減去了正常（參考）細胞的平均值，如下圖：

為了確定分析得到的是真正的CNV事件，需要對腫瘤細胞的CNV信號進行檢驗，也就是降噪，inferCNV通常有三種方法處理這一過程。

1）可以使用「noise_filter」屬性設置與平均值的特定閾值偏差，如下圖：

如上圖，設置0.1為過濾閾值，也就是在這種情況下，reference基因表達0.9~1.1以外的基因表達被判定為CNV事件，高於1.1為gain，低於0.9為loss，這也是inferCNV默認的過濾方法。

2）動態閾值設置：可以使用「sd_amplifier」設置調整閾值。 可以使用 1.5 * reference基因表達的標准差進行過濾，如下圖：

如前所述，低於最小閾值為loss，高於最大閾值為gain。

3）通過 sigmoidal（邏輯）函數調整強度（軟閾值）：可以通過應用 sigmoidal 函數來應用過濾梯度，而不是應用嚴格的閾值，該函數可以減少接近均值的強度，而不是更遠離均值的強度，如下圖：

目前inferCNV支持兩種基於 HMM 的 CNV 預測模型，稱之為 i3 和 i6 模型。每種方法都對已通過標准 inferCNV 處理的對象操作，包括減去與「正常（參考）」細胞對應的信號和smoothed操作。

1）i3模型：loss、normal、gain三種狀態，如前所述，大多數信號對應於normal而異常信號強度對應於CNV。

2）i6 模型：一種六態 CNV 模型，可預測以下 CNV 水平：

· state 1 : 0x = complete loss
· state 2 : 0.5x = loss of one
· state 3 : 1x = neutral
· state 4 : 1.5x = addition of one
· state 5 : 2x = addition of two copies
· state 6 : 3x = essentially a placeholder for >2x copies but modeled as 3x.

此外，預測的 CNV 區域使用貝葉斯網路進一步分析，以計算每個細胞屬於給定狀態的 CNV 區域的後驗概率。 具有高於最大閾值的平均後驗概率正常（無 CNV）的 CNV 區域作為可能的假陽性預測被移除。

在腫瘤研究中，可以通過CNV預測分析區分腫瘤細胞和非惡性細胞。2018年紐約大學計算醫學研究所等單位的研究人員在 Nature Biotechnology 發表了利用單細胞和空間轉錄組研究胰腺導管癌（PDAC）異質性的文章。為了區分癌細胞和非惡性導管細胞，該研究對PDAC-A和PDAC-B 2例單細胞數據進行了CNV預測分析。發現PDAC-A中高表達 TM4SF1 （簇1）和 S100A4 （簇2）的兩個細胞群及PDAC-B中高表達 TM4SF1 的一個細胞群表現出拷貝數變異特徵。通過免疫熒光驗證發現PDAC-A中TM4SF1和S100A4在惡性導管細胞中表達，PDAC-B中TM4SF1與惡性細胞標志物KRT19共定位，結合CNV預測結果證實了PDAC樣本存在轉錄不同的腫瘤細胞群。

在腫瘤研究中，可以通過CNV預測分析探索腫瘤的克隆進化。2020年美國邁阿密大學等單位的研究人員在 Nature Communications 發表了利用單細胞測序研究葡萄膜黑色素瘤進化復雜性的文章。該研究對8例原發癌和3例轉移癌進行單細胞CNV預測分析，發現不同樣本間存在顯著的拷貝數變異差異，揭示了葡萄膜黑色素瘤潛在的腫瘤間異質性。進一步根據某個CNV在細胞中的佔比構建進化樹，發現驅動葡萄膜黑色素瘤突變的3條進化軌跡—低度轉移腫瘤中的 EIF1AX 突變、中度轉移腫瘤中的 SF3B1 突變及高度轉移腫瘤中的 BAP1 突變，繪制了葡萄膜黑色素瘤的進化軌跡及發展機制。

1）為分析來自第一代 scRNA-seq 技術的數據而設計的，技術具有較低的細胞通量和較高的覆蓋深度。

2）不適用於分析來自新開發的高通量 scRNA-seq 平台（微滴和納米孔平台）的數據，這些平台執行全轉錄組擴增和僅在非常稀疏的覆蓋深度下對 mRNA 的 3' 或 5' 端進行測序（10X的單細胞技術具有這個特點）。

3）不能准確地解決 特定染色體斷點的基因組位置或從非整倍體拷貝數譜中對腫瘤和正常細胞進行分類 。

CopyKAT 的工作流程將貝葉斯方法與層次聚類相結合（inferCNV其實也用到了層次聚類），以計算單個細胞的基因組拷貝圖譜，並從高通量 3' scRNA-seq 數據中定義克隆亞型。 分析流程將唯一分子標識符 (UMI) 計數的基因表達矩陣作為計算的輸入。分析從每行的基因注釋開始，按照它們的基因組坐標對它們進行排序（跟inferCNV的原理一致） 。執行 Freeman-Tukey 變換以穩定方差，然後執行多項式動態線性建模 (DLM) 以smoothed單細胞 UMI 計數中的異常值。下一步是檢測具有高置信度的正常細胞（reference），以推斷正常 2N 細胞的拷貝數基線值（軟體CopyCAT自動檢測）。為此，將細胞細分為幾個小的聚類（層次聚類），並使用高斯混合模型 (GMM) 估計每個聚類的方差。通過遵循嚴格的分類標准，具有最小估計方差的cluster被定義為「reference」。當數據只有少數正常細胞或腫瘤細胞具有接近二倍體基因組且拷貝數畸變 (CNA) 事件有限時，可能會發生潛在的錯誤分類。在這種情況下，CopyKAT 提供了一種「GMM 定義」模式來逐個識別二倍體正常細胞，其中假設單個細胞中基因表達的三種高斯模型的混合代表基因組 gain、loss和中性狀態 。當處於中性狀態的基因占表達基因的至少 99% 時，細胞被定義為「normal」細胞。

為了檢測染色體斷點（chromosome breakpoints），整合了泊松伽馬模型和馬爾可夫鏈蒙特卡洛 (MCMC) 迭代來生成每個基因窗口的後驗均值，然後應用 Kolmogorov-Smirnov (KS) 檢驗來加入在它們之間沒有顯著差異的相鄰窗口方法。為了加快計算速度，將數千個單細胞分成clusters，找到一致的染色體斷點並將它們合並在一起，形成樣本中整個細胞群的基因組斷點的聯合。然後將每個窗口的最終拷貝數值計算為跨越每個細胞中相鄰染色體斷點的所有基因的後驗平均值。通過將基因重新排列到 220-kb 可變基因組bin中，進一步將得到的拷貝數值從基因空間轉換為基因組位置，從而以大約 5 Mb 的解析度獲得每個單細胞的全基因組拷貝數譜。基因組解析度是根據整個基因組的中位相鄰基因距離（~20 kb）乘以基因窗口的大小（25個基因）來估計的（精度高於inferCNV）。然後對單細胞拷貝數數據進行層次聚類，以確定非整倍體腫瘤細胞和二倍體基質細胞之間的最大距離；但是，如果基因組距離不顯著，切換到 GMM 定義模型來逐個預測單個腫瘤細胞。最後，對單細胞拷貝數數據進行聚類以識別克隆亞群並計算代表亞克隆基因型的共有譜，以進一步分析它們的基因表達差異，流程圖如下：

為了估計從單細胞 RNA 數據推斷出的拷貝數譜的預期解析度，需要GRCh38 (v28) 中所有基因的 BED 文件。因為染色體 Y 不包括在拷貝數計算中，只考慮了位於染色體 1-22 和染色體 X 上的基因，它們共有 56,051 個基因。 通過取基因起始位置和基因結束位置的平均值來估計單個基因的基因組中心位置 。接下來， 根據基因組位置對所有基因進行排序，並通過計算兩個基因中心之間的距離來估計兩個相鄰基因之間的距離 。總的來說，在整個基因組中定義了 56,028 個基因區間。從染色體 1-22 和染色體 X 中，基因區間的數量如下：5,127, 3,872, 2,925, 2,430, 2,779, 2,802, 2,292, 2,189, 2,137, 3,189, 2,857, 1,279, 2,152, 2,081, 2,440, 1,133、2,917、1,350、795、1,300 和 2,281。整個基因組中基因間隔的第一四分位數、中位數、平均值、第三四分位數和最大值如下：9,430 bp、24,532 bp、52,806 bp、58,485 bp 和 21,765,992 bp。因為基因區間的大小分布嚴重向右傾斜， 計算了中值來估計拷貝數解析度 。 因為需要在pipeline中的整個單細胞群中檢測到至少 7,000 個基因 ，所以這個數字相當於基因檢測率的中位數 7,000/56,051 ≈ 12.5%。最後，將分析中的最小基因間隔計算為每個基因間隔 24,532 bp ÷ 12.5% ≈ 200 kb。使用 25 個基因窗口啟動拷貝數分析；因此，估計片段的最小大小為 200 kb × 25 = 5 Mb，用於檢測每個細胞基因組中的拷貝數事件的基因組解析度。

同樣地，cat的輸入文件也需要三個：表達矩陣、注釋信息和基因位置文件，窗口的設置在25~200之間（inferCNV默認是50），在數據處理和分析結果方面大多借鑒了inferCNV，下圖是cat和inferCNV的分析結果比較。

從結果來看，cat檢測的CNV與inferCNV基本一致，在細節方面cat表現更好一點，尤其在斷點處基因的分析，分析更加精細化。

並非所有癌症類型都具有可用於區分正常細胞和腫瘤細胞的非整倍體拷貝數事件。特別是，小兒癌症和造血系統癌症（例如AML和CLL）的拷貝數變化很少，因此可能不適合CopyKAT分析。另一個限制是，CopyKAT主要限於基於整個基因組讀取深度的變化來檢測CNA事件，而不能用於檢測其他有助於基因組多樣性的基因組事件，包括染色體結構重排、插入、缺失和體細胞突變。此外，由於3''scRNA-seq數據的技術差異，CopyKAT無法在具有獨特基因型的單個細胞的基因組上提供可靠的拷貝數信息。這使得CopyKAT更適合於分析許多細胞已擴增並具有相似基因型的腫瘤中亞克隆，而不是分析復雜細胞或極為罕見的亞群。CopyKAT一個潛在問題是， 當scRNA-seq數據集沒有任何腫瘤細胞時，CopyKAT可能會嘗試錯誤地檢測具有最高基因表達水平的簇中的CNA事件 。在這種情況下，推斷的CNA事件將與這些癌症中已知的細胞遺傳事件不一致，具體需要忽略。

寫在後面

CNV分析在單細胞腫瘤樣本中占據了重要的分析篇幅，在預測基因發生的CNV事件中即表徵了腫瘤內的關鍵變化，也體現了瘤內的異質性，對於我們認識腫瘤起到了非常關鍵的作用；同時也要認識到，單細胞腫瘤樣本中的CNV推斷對於樣本前期的質控處理有很高的要求，同時也要添加註釋信息，以此為基礎來判斷CNV事件，這就要求再分析的過程一定要做好基礎分析，個性化的分析才足夠的可靠、可信。

文獻

[1] Anoop P. Patel, Itay Tirosh, et al. Single-cell RNA-seq highlights intratumoral heterogeneity in primary glioblastoma. Science. 2014 Jun 20: 1396-1401.

[2] Gao R , Bai S , Ying C H , et al. Delineating number and clonal substructure in human tumors from single-cell transcriptomes[J]. Nature Biotechnology, 2021:1-10.

[3] Moncada R, Barkley D, Wagner F, et al. Integrating Microarray-based Spatial Transcriptomics and Single-cell RNA-seq Reveals Tissue Architecture in Pancreatic Ductal Adenocarcinomas[J]. Nature Biotechnology , 2018, 38(3):333-342.

[4] Durante M A, Rodriguez D A, Kurtenbach S, et al. Single-cell Analysis Reveals New Evolutionary Complexity in Uveal Melanoma[J]. Nature Communications , 2020, 11(1):496.

H. 大家注意下 O2007Cnv.exe 。這個有病毒的。望大家注意了

這可能是感染性病毒，感染了幾乎所有的exe文件。處理感染性病毒要特別謹慎，因為很多殺毒軟極不是修復文件而是直接刪除。雙擊360系統急救箱，然後單擊「開始系統急救」。 系統引擎初始化完成後，單擊「修復」，勾選需要修復的類型，然後單擊「立即修復」，完成後重新啟動電腦。如果你不知道屬於哪一類故障不懂得應該修復哪一類可以使用系統推薦的修復級別，不用選擇而直接單擊「立即修復」，或者勾選「全選」然後直接單擊「立即修復」，希望我的回答對你有幫助。

I. Trojan_Downloader.Win32.Aqent.cnv

Trojan.DL是一種在windows系統下的特洛伊木馬病毒，一般是PE病毒。
PE的意思是可移植的執行體，即portable executable，是windows下的一個32位的文件格式，保留了MZ文件頭以便於運行於DOS，在windows中廣泛存在這種格式，除了.dll和VxD格式不屬於這個格式，是病毒喜歡感染的類型，可以在安全模式下刪除，危害和一般病毒是一樣的，就是普通病毒，只不過病毒通過修改可執行文件的代碼中程序入口地址，變成病毒的程序入口，導致運行的時候執行病毒文件，這是比較常用的方式，刪除就沒事了。

舉例說明Win32.Tenga 特點：

病毒分類 WINDOWS下的PE病毒 病毒名稱 Win32.Tenga
別 名 病毒長度
危害程度 傳播途徑
行為類型 WINDOWS下的PE病毒 感 染
該病毒是一個WIN32 PE感染型病毒,病毒感染普通PE EXE文件並把自己的代碼加到EXE文件尾部.修改原程序的入口點以指向病毒體,病毒本身沒有什麼危害.但被感染的文件可能被破壞不能正常運行

這病毒還會感染正常的EXE程序文件,使到他會不停的復制,還會利用網路來復制自己到其他電腦上的,就算你有防火牆都沒用.
用瑞星和金山殺毒軟體殺不了，重新啟動又會回來。

在你系統啟動的時候,會突然運行一個家DL.EXE的DOS文件的時候,恭喜你,中招了...怎麼辦??

解決辦法如下：

重啟電腦進入安全模式，然後在拔掉網線的情況下全盤殺毒。

通過WINDOWS UPDATE升級關鍵安全更新補丁，關閉不安全的共享以及使用復雜組合的登錄密碼能有效的防止這類蠕蟲的再次感染。使用網路防火牆也可以達到一定程度的預防。
關於Trojan.DL.Delf

病毒名稱 Trojan.DL.Delf
病毒分類 WINDOWS下的PE病毒
病毒長度 15872位元組
行為類型 WINDOWS下的木馬程序

殺trojan.dl類型病毒木馬最好的就是買正版殺毒軟體

"輸入注冊碼後接著關掉自動更新，每次升級後得再次輸入注冊碼"

(木馬剋星在他面前小兒科罷了，你再去下載一個木馬殺客，中木馬時,兩個合起來一起殺)

正常模式殺不死的，進入安全模式再殺！！！

我是復制的