基因组拷贝数变异(CNV)是指在人类和其他哺乳动物中发生的基因组结构变异,是导致某些疾病发生的主要原因。为了探索拷贝数变异的致病机制,通常使用基因芯片测得癌症细胞样本的全基因组拷贝数。然而由于癌症样本中,不可避免地含有一些癌细胞以外的正常细胞,导致芯片测出的癌细胞样本的拷贝数混入了正常细胞,从而偏离其真实值。本文的研究目标就是针对SNP芯片检测的癌细胞样本拷贝数,研究并实现了一个拷贝数预处理系统,计算出癌细胞样本中的正常细胞分数,还原癌细胞的真实拷贝数。由此本文的主要研究工作如下:(1)在BACOM算法的基础上,本文提出了一套拷贝数预处理方法。以原始癌症细胞正常细胞样本对为数据源,通过重新设计的数据处理流水线,得到校正的去除正常细胞污染的癌症细胞真实拷贝数,为后续检测CNV区域提供了一个绝对归一化标准。通过将本系统分别与BACOM方法和ABSOLUTE方法进行对比,验证了系统的可行性与有效性。(2)在等位基因平衡位点提取部分,首先通过K-Means初步确定AB型基因位点,在段内对基因型为AB的位点通过滑动窗口求皮尔逊相关系数,确定基线范围,然后通过区间匹配方法寻找拷贝数观测量所对应的真实整数值,对全基因组拷贝数进行归一化校正。通过对比BACOM中的仅进行缺失类型判断的算法,验证了区间匹配法在判断拷贝数类型上的优势。(3)在拷贝数分段阶段,实现和对比了多种分段算法。首先,本文实现了目前比较主流的分段算法,包括基于HMM的分段算法,基于递归思想的分段算法,基于Lasso的分段算法,和PCF分段算法。其次,本文设计了一套基于随机数发生器、多模板的仿真数据生成模型,并运用此模型生成一组仿真测试数据集,对上述分段算法进行对比分析。最后,以分段算法的准确率和分段效率作为衡量标准,选择两者均表现良好的PCF算法。(4)在上述理论研究和预处理系统实现的基础上,本文引入分布式计算框架Apache Spark,将K-Means聚类基因分型和平衡位点相关系数计算移植到Spark平台实现,验证了单核算法向基于Spark平台的分布式算法移植的可行性。