inferCNV:inferCNV用与探索肿瘤单细胞RNA-seq数据，分析其中的体细胞大规模染色体拷贝数变化(copy number alterations, CNA), 例如整条染色体或大片段染色体的增加或丢失(gain or deletions)。工作原理是，以一组"正常"细胞作为参考，分析肿瘤基因组上各个位置的基因表达量强度变化. 通过热图的形式展示每条染色体上的基因相对表达量，相对于正常细胞，肿瘤基因组总会过表达或者低表达。
inferCNV常用用途是区分上皮细胞是良性还是恶行，以及肿瘤细胞的恶性程度。
流程：
参考（ https://github.com/broadinstitute/inferCNV/wiki ）
首先安装 JAGS ：
Linux环境下安装： conda install -c conda-forge jags
（注意：inferCNV十分吃资源，建议在服务器上运行，因此只列出Linux环境）
然后安装相应R包：
需要准备3个输入数据：
1.单细胞RNA-seq表达量的原始矩阵
2.注释文件，记录肿瘤和正常细胞
3.基因或染色体位置文件
第一个是 Genes x Cells的表达矩阵(matrix) ，行名是基因，列名是细胞编号。
第三个是基因位置信息文件，命名为 geneOrderingFile.txt 。一共四列，第一列对应第一个文件的行名，其余三列则是基因的位置，没有标题。注：基因名不能有重复
由于笔者数据集太大，无法保存count矩阵，因此选择先抽取十分之一细胞进行cnv检测
这一步的一个关键参数是 , 用于设置参考组。假如你并不知道哪个组是正常，哪个组不正常，那么设置为ref_group_name=NULL, 那么inferCNV会以所有细胞的平均表达作为参照，这适用于有足够细胞存在差异的情况。
第二步的关键参数是 ，用于筛选哪些基因会用于分析，即所有细胞平均表达量的最小阈值。官方教程建议10X设置为1，Smart-seq2设置为1。 则用于声明是否根据细胞注释文件的分组对肿瘤细胞进行分群。 参数选择为T则会对图片进行去噪，以便更直观地判断CNV。为了给读者进行一个区分比较，笔者放denoise为T和F两种情况图片以供参考（以下两张图片非上步骤实际运行结果）
最终会输出很多文件在 目录下,实际有用的是下面几个：
上述步骤只是为了确定哪些亚群中可能存在恶性细胞，不建议直接以上述抽样结果为最终结论。还需对抽样时显示为恶性细胞亚群进行细分后再进行infercnv
行：两个热图的行均对应于细胞
列：两个热图的列均对应于基因，按照染色体位置排序。
提取信息：inferCNV会输出一个 map_metadata_from_infercnv .txt 文件用于记录每个细胞的元信息，所有信息都可以从该文件中进行提取。或者使用 infercnv::add_to_seurat 将信息直接增加到原来的seurat对象中。
参考：