Luyện nói tiếng Anh bằng Shadowing qua video: CNV analysis with Daniel Howrigan

Chọn chế độ luyện tập

Mỗi chế độ mở một phòng luyện tập toàn màn hình.

196 câu

Nếu các câu quá ngắn hoặc quá dài, hãy bấm Edit để chỉnh sửa.

Hello.

My name is Daniel Harrigan, and today I'll be talking about how to run copy number variation analysis.

Today's talk, I'll address a couple of questions, namely, what is a copy number variant and how do we detect it with genotype data?

What does the CNV file format look like?

And what does CNV analysis output look like?

Finally, how do I use this to run CNV burden and association tests?

So, what is a copy number variant?

Well, I define it here as a subset of structural variation involving a gain

or duplication or a loss slash deletion of genomic sequence.

Now, I call it a subset of structural variation because structural variation

can encompass basically any change in the length of a genomic sequence

that can be as small as a single base pair insertion

or deletion now most snips that we we think of are just substitutions

so the actual size of the genome isn't changed with a single nucleotide polymorphism

but a structural variant can encompass anything from very small all the way to entire chromosomes.

What we call CNVs, while it being kind of a general name,

falls into the category of roughly at least defined here at minimum one kilobase to submicroscopic.

With array data, we generally say something around 10 to 100 kilobases, given our sensitivity to detect these CNVs,

whereas larger CNVs usually are greater than 500 kilobases up to multiple megabases.

And then we get into much larger events.

Now, I'm not going to get into the details of the mechanisms that cause it.

I've listed a few here.

You can look them up.

But there are different hotspots in the genome

that are more prone to these copy number variants due to repeat regions

or often ways in the machinery that can make mistakes and lead to these gains or losses of genomic sequence.

How do we detect it using genotype data?

So when we run across the genome collecting a bunch of SNPs, I show here kind of the basic mechanism

or at least a figure showing how we take light intensity from different experiments looking at capturing either

you know allele a i have aa as allele a

or the b allele being tt here

and then a heterozygous you can see a mix of both red

and green now we can leverage these allele frequencies

và bây giờ với màu xanh lá, chúng ta có thể tận dụng các tần số alen này

and what we call the b allele frequency

và cái mà chúng ta gọi là tần số alen b

or at least the frequency of of the t in this case now normally

hoặc ít nhất là tần suất của chữ t trong trường hợp này, theo cách thông thường

when there's no copy number variant these will be roughly equal

khi không có biến thể số lượng bản sao, các giá trị này sẽ xấp xỉ bằng nhau.

and so will be around 50 percent

và như vậy sẽ vào khoảng 50 phần trăm

when we see something like a large deletion or any sort of deletion we should see a loss of heterozygosity,

khi chúng ta quan sát thấy một đoạn mất đoạn lớn hoặc bất kỳ loại mất đoạn nào, chúng ta sẽ thấy hiện tượng mất tính dị hợp tử.

and therefore we will see a gap in these B alleles,

và do đó chúng ta sẽ thấy một khoảng trống ở các alen B này,

at least at any site that you would normally be heterozygote at.

ít nhất là ở bất kỳ vị trí gen nào mà bình thường bạn sẽ có trạng thái dị hợp tử.

With the duplication, these would be a little bit off, so it would be more like two -thirds,

Với sự trùng lặp này, các giá trị sẽ hơi lệch đi một chút, nên kết quả sẽ gần đúng là hai phần ba.

one -third, and you would see maybe a movement kind of akin to where these pink lines may be going,

khoảng một phần ba, và bạn sẽ thấy một chuyển động tương tự như hướng mà những đường màu hồng này đang đi.

even though they don't quite to find that you would see in a duplication

mặc dù chúng không hoàn toàn giống với những gì bạn sẽ thấy trong một bản sao chép

that the b allele frequencies move off 50 but not to one

tần số alen b sẽ lệch khỏi mức 50% nhưng không tiến tới mức 100%

and zero now that's looking at the b alleles the other thing

và bằng không, bây giờ đó là đang xem xét các alen b, một điều khác nữa

we use to detect it is the log r ratio

chúng tôi sử dụng tỷ số log r để phát hiện nó.

and this is basically measuring the light intensity and when you see a drop here

và về cơ bản thì thiết bị này dùng để đo cường độ ánh sáng, và khi bạn thấy chỉ số giảm ở đây

where we would see maybe in in all of these calls you should see a drop of say 50 percent

trong tất cả các cuộc gọi này, chúng ta có thể thấy sự sụt giảm khoảng 50%.

when we have a deletion and you will see subsequently a rise of about 33 percent

khi chúng ta có một sự xóa bỏ và sau đó bạn sẽ thấy một sự gia tăng khoảng 33 phần trăm

for a duplication now i'm not going to get into the details of the colors

về phần bản sao, bây giờ tôi sẽ không đi vào chi tiết về các màu sắc.

that are used to detect these copy number variants suffice to say this is kind of the foundation that it's built upon

được sử dụng để phát hiện các biến thể số lượng bản sao này, đủ để nói rằng đây chính là nền tảng mà toàn bộ hệ thống được xây dựng trên đó.

What I'm going to talk about next is given

Điều tôi sắp nói đến tiếp theo là đã được định sẵn.

that you've run copy number variant callers here are the kind of QC calls that you're moving into the analysis stage.

sau khi bạn đã chạy các công cụ gọi biến thể số lượng bản sao, đây là những loại kiểm soát chất lượng mà bạn sẽ chuyển sang giai đoạn phân tích.

Now, I use Plink to analyze the CNV data so you can get a bunch of different file formats,

Bây giờ tôi đang sử dụng Plink để phân tích dữ liệu CNV, vì vậy bạn có thể nhận được nhiều định dạng tệp khác nhau.

copy number variants from different callers.

các biến thể số lượng bản sao từ các công cụ gọi khác nhau.

But you would let, you know, if you want to use Plink, you would convert this into this particular file format, which is the .cnv file.

Nhưng nếu bạn muốn sử dụng Plink, bạn sẽ cần chuyển đổi tệp này sang định dạng tệp cụ thể này, đó là tệp .cnv.

And it's basically individual identifiers, the chromosome, the start and end position of this CNV,

Và về cơ bản đó là các mã định danh cá nhân, nhiễm sắc thể, vị trí bắt đầu và kết thúc của biến đổi số lượng bản sao (CNV) này.

the type, one being a deletion, three being a duplication.

loại biến dị, trong đó một trường hợp là mất đoạn, ba trường hợp là lặp đoạn.

and then also there's a few other fields here the score

và sau đó còn có một vài trường khác ở đây là điểm số

and sites field in this example i use the score being say the number of copy number variant callers

và trường trang web trong ví dụ này, tôi sử dụng điểm số là số lượng công cụ gọi biến đổi số lượng bản sao.

that agreed upon this given call

đã được thống nhất trong cuộc gọi này

and it could range up to six sites here being the number of snips that are used to call the cnv

và số lượng các vị trí được sử dụng để xác định CNV có thể lên đến sáu vị trí.

Now, I note here that score and sites are not forced into a particular convention.

Bây giờ, tôi lưu ý ở đây rằng điểm số và các trang web không bị bắt buộc phải tuân theo một quy ước cụ thể nào.

You could say replace score with the number of genes overlapping the CNV,

Bạn có thể thay điểm số bằng số lượng gen trùng với vùng CNV.

or the sites being some other variable that you would be interested in measuring.

hoặc các trang web là một biến số khác mà bạn quan tâm đến việc đo lường.

Now along with this file, plink creates a .cnv .map file,

Bây giờ cùng với tệp này, plink tạo ra một tệp .cnv và một tệp .map,

and this is basically breaking down the break points of each

và về cơ bản đây là việc phân tích các điểm dừng của từng phần.

cnv into akin to a map file similar to what we have for snip data

chuyển đổi thành một tệp bản đồ tương tự như tệp chúng ta đang dùng cho dữ liệu SNIP

and you can see here i note

và bạn có thể thấy ở đây tôi đã ghi chú

that every different position is mapped even the the end position

rằng mọi vị trí khác nhau đều được ánh xạ, kể cả vị trí cuối cùng

but also maybe a single position after that end

nhưng cũng có thể là một vị trí duy nhất sau điểm kết thúc đó

because you may want to do a test an additional final

vì bạn có thể muốn thực hiện một bài kiểm tra cuối cùng bổ sung

test after the end of a CNB to see how things have changed.

kiểm tra sau khi kết thúc một CNB để xem mọi thứ đã thay đổi như thế nào.

Note that the CNB file format commands are not available in Plink 1 .9, but the initial version granted the speed ups

Lưu ý rằng các lệnh định dạng tệp CNB không khả dụng trong Plink 1.9, nhưng phiên bản đầu tiên đã mang lại sự cải thiện về tốc độ.

that you get using the newer version of Plink aren't all

những gì bạn nhận được khi sử dụng phiên bản mới hơn của Plink không phải là tất cả

that applicable here because we're generally dealing with rare variation and

điều đó có áp dụng được ở đây không vì chúng ta thường đang làm việc với những biến thể hiếm gặp và

so these file sizes are generally not too large and the sorts of computing that you use is not too heavy.

vì vậy kích thước của các tệp này thường không quá lớn và các tác vụ tính toán bạn thực hiện cũng không đòi hỏi quá nhiều tài nguyên.

So what does CNV analysis output look like?

Vậy kết quả phân tích CNV trông như thế nào?

Usually whenever you run a command in Flink looking at your CNV files, you get out .cnv .indiv file.

Thông thường, mỗi khi bạn chạy một lệnh trong Flink để xem các tệp CNV của mình, bạn sẽ nhận được tệp .cnv và tệp .indiv.

So this is per sample file where you say the number of cnv segments

Vậy đây là tệp cho mỗi mẫu, trong đó bạn ghi rõ số lượng đoạn CNV.

that this individual has the number of kilobases that these segments cover

rằng cá thể này có số lượng kilobase tương ứng với phạm vi bao phủ của các đoạn này

and the average kilobases covered per segment you also get a cnv .summary file

và số lượng kilobase trung bình được bao phủ trên mỗi phân đoạn, bạn cũng sẽ nhận được tệp cnv.summary.

this is akin to the map file that is summarizing the number of affected

điều này tương tự như tệp bản đồ dùng để tóm tắt số lượng đối tượng bị ảnh hưởng

and unaffected individuals at any given break point or start, end, and plus one of a CMB.

và những cá nhân không bị ảnh hưởng tại bất kỳ điểm đứt gãy nhất định hoặc điểm bắt đầu, kết thúc và cộng thêm một đơn vị của một CMB.

And this is basically, you know, the output here, while it seems quite simple,

Và về cơ bản thì đây là kết quả đầu ra, mặc dù có vẻ khá đơn giản.

I'll show how with these files you can do quite sophisticated analysis by using a lot of different filters.

Tôi sẽ trình bày cách bạn có thể thực hiện các phân tích khá tinh chỉnh với các tệp này bằng cách sử dụng nhiều bộ lọc khác nhau.

So a lot of the magic in Plink is all the flags that you can use to subset your list of CNVs.

Vì vậy, phần lớn sức mạnh của Plink nằm ở các tùy chọn dòng lệnh mà bạn có thể sử dụng để lọc danh sách các biến thể số lượng bản sao (CNV) của mình.

So what I have here is a kind of verbose command just to show the optionality available in Plink.

Vì vậy, những gì tôi có ở đây là một loại lệnh khá dài dòng chỉ để minh họa các tùy chọn có sẵn trong Plink.

And for each of these, I describe what that function is doing.

Và đối với mỗi hàm trong số này, tôi sẽ mô tả chức năng của nó đang làm gì.

So with Plink, you have dash dash C file.

Vì vậy, với Plink, bạn có tùy chọn --c file.

This reads in the CNV and CNV map file.

Câu lệnh này đọc tệp CNV và tệp bản đồ CNV.

I want to select only deletions.

Tôi muốn chỉ chọn các phần bị xóa.

I want to select CNVs that are at least 100 kilobases in length.

Tôi muốn chọn các biến số sao chép (CNV) có chiều dài ít nhất 100 kilobase.

I want CNVs with a score of four or higher and at least 50 sites.

Tôi muốn các biến số sao chép (CNV) có điểm số từ bốn trở lên và có ít nhất 50 vị trí.

I want to exclude CNVs that overlap a particular region.

Tôi muốn loại trừ các biến số lượng bản sao (CNV) có vùng chồng lấn với một vùng cụ thể.

So I can insert a different text file with a list of chromosome and start -end positions here.

Vì vậy, tôi có thể chèn một tệp văn bản khác chứa danh sách các nhiễm sắc thể và vị trí bắt đầu - kết thúc vào đây.

And I want to make sure in this exclusion that the CNVs must overlap by at least 50 % to be excluded.

Và tôi muốn đảm bảo rằng trong tiêu chí loại trừ này, các biến số số lượng bản sao (CNV) phải chồng lấn ít nhất 50% mới được loại trừ.

I can also look at frequency where at least 10 CNVs overlap.

Tôi cũng có thể xem xét tần số tại đó có ít nhất 10 biến số cấu trúc bộ gen (CNV) chồng chéo lên nhau.

I would like to exclude those because maybe I'm more interested in very rare.

Tôi muốn loại trừ những cái đó vì có lẽ tôi quan tâm hơn đến những thứ rất hiếm.

100

uh cnvs i can also write out the frequencies of of these of these cnvs as well just

Ừ, các biến đổi số lượng bản sao (CNV), tôi cũng có thể liệt kê tần số của các biến đổi số lượng bản sao này nữa.

101

so i can guarantee which cnvs are being dropped

vì vậy tôi có thể đảm bảo được những CNVS nào sẽ bị loại bỏ

102

which cnvs are being kept

những CNV nào đang được giữ lại

103

and then i can run a basic burden test using a permutation model

sau đó tôi có thể chạy một bài kiểm tra gánh nặng cơ bản bằng mô hình hoán vị.

104

and here i just set the number of permutations these 10 000

và ở đây tôi chỉ đặt số lượng hoán vị là 10.000

105

so you can see there's a lot of different flags here and it's manipulating a lot of these flags

bạn có thể thấy có rất nhiều cờ khác nhau ở đây và nó đang thao tác rất nhiều cờ trong số đó

106

that can give you just what you would like in terms of your analysis now granted

điều đó có thể cung cấp chính xác những gì bạn mong muốn về mặt phân tích của bạn ngay bây giờ.

107

using the burden tests in plank doesn't handle covariates it basically just looks at something like case control status

việc sử dụng các phép kiểm định gánh nặng trong PLINK không xử lý được các biến số đồng biến, về cơ bản nó chỉ xem xét những thứ như tình trạng bệnh - đối chứng.

108

and so what i recommend is taking the output particularly the cnd cnv .indiv file

và vì vậy, tôi khuyên bạn nên lấy kết quả đầu ra, đặc biệt là tệp cnd cnv .indiv.

109

and reading that into say python or r i prefer r to run more sophisticated models

và đọc dữ liệu đó vào Python hay R, tôi thích dùng R hơn để chạy các mô hình phức tạp hơn.

110

and so you can see when you put more filters here

và bạn có thể thấy khi bạn đặt thêm nhiều bộ lọc vào đây

111

if i go back the number of segments will change depending on what filters,

nếu tôi quay lại, số lượng phân đoạn sẽ thay đổi tùy thuộc vào các bộ lọc nào đang được áp dụng.

112

and obviously, subsequently, the number of kilobases covered by these segments will change as a function.

và rõ ràng là sau đó, số lượng kilobase được bao phủ bởi các đoạn này sẽ thay đổi theo một hàm số.

113

And it's kind of iteratively reading in these files at different filtering steps that can produce a wide range of tests.

Và việc lặp đi lặp lại đọc các tệp này ở các bước lọc khác nhau có thể tạo ra rất nhiều loại kiểm thử khác nhau.

114

So I've shown a couple figures here that we published when looking at CNV burden in the PGC schizophrenia.

Vì vậy, tôi đã trình bày một số biểu đồ ở đây mà chúng tôi đã công bố khi nghiên cứu về gánh nặng CNV trong dự án tâm thần phân liệt của PGC.

115

So I took in those .CNV .indiv files into R.

Vì vậy, tôi đã nhập các tệp .CNV và .indiv đó vào R.

116

I ran a logistic regression predicting schizophrenia status and adding a number of covariates,

Tôi đã thực hiện một mô hình hồi quy logistic để dự đoán tình trạng tâm thần phân liệt và bổ sung một số biến số kiểm soát vào mô hình.

117

such as principal components, genotype platforms, and then basically as I iteratively ran different

ví dụ như các thành phần chính, các nền tảng kiểu gen, và sau đó về cơ bản là khi tôi chạy lặp đi lặp lại các phương pháp khác nhau

118

uh commands in plank to look at kv cnv counts lengths frequencies whether

các lệnh trong Plank để xem số lượng, độ dài và tần số của các kv cnv

119

or not they're in

hoặc là họ có tham gia hay không

120

or not in particular regions you can build up a number of tests of overall burn

hoặc ở những khu vực cụ thể, bạn có thể xây dựng một loạt các bài kiểm tra về mức độ cháy tổng thể.

121

so in this example here this would be all cnvs deletions

vì vậy trong ví dụ này, tất cả đây đều là các dạng mất đoạn CNV.

122

and duplications stratified by different genotyping platforms and then all together and then b here i'm stratifying by different frequencies

và các sự trùng lặp được phân tầng theo các nền tảng giải trình tự gen khác nhau, sau đó tổng hợp lại tất cả, và ở đây, tôi đang phân tầng theo các tần số khác nhau.

123

and say previously implicated cnvs as a region

và cho biết các biến số số lượng bản sao (CNV) có liên quan trước đây là một vùng

124

i want to say in the blue bars we're looking at enrichment here in the green

Tôi muốn nói rằng trong các cột màu xanh, chúng ta đang xem xét phần làm giàu, còn ở đây là phần màu xanh lá.

125

and blue bars but you can see the big deviation here there's a lot of enrichment

và các cột màu xanh, nhưng bạn có thể thấy sự sai lệch lớn ở đây, có rất nhiều sự làm giàu.

126

when we talk about cnvs at this size or at least this frequency i mean

khi chúng ta nói về các CNV ở kích thước này hay ít nhất là ở tần số này, ý tôi là

127

and they go away because most of these have been implicated

và chúng biến mất vì hầu hết những thứ này đã bị vướng vào vụ việc.

128

so i've excluded these regions rerun the burden test

vì vậy tôi đã loại trừ các vùng này và chạy lại kiểm tra gánh nặng.

129

and you can see that we've captured much of the signal already with previously implicated cnvs

và bạn có thể thấy rằng chúng ta đã thu được phần lớn tín hiệu từ các biến thể số lượng bản sao (CNV) đã được xác định trước đó.

130

so how do we use this to run cnv association tests at individual cnv loci or at individual break points of CNVs.

vậy chúng ta sẽ sử dụng công cụ này như thế nào để thực hiện các kiểm tra liên quan đến CNV tại các locus CNV riêng lẻ hoặc tại các điểm đứt gãy riêng lẻ của các biến thể số lượng bản sao (CNV)?

131

Basically, I would run a very similar command.

Về cơ bản, tôi sẽ chạy một lệnh rất tương tự.

132

I could use all the same filters, basically get rid of a number of commands.

Tôi có thể sử dụng tất cả các bộ lọc giống nhau, về cơ bản là loại bỏ được một số lệnh.

133

In particular, you're getting rid of this CNV indiv .perm step, but you still run a permutation test,

Cụ thể, bạn đang loại bỏ bước CNV indiv.perm này, nhưng bạn vẫn chạy kiểm tra hoán vị,

134

and what you'll get out is a .cnv .summary .m perm file

và những gì bạn nhận được là các tệp .cnv, .summary và .m perm

135

and at each base position you can run an association test here using permutation

và tại mỗi vị trí cơ sở, bạn có thể chạy một kiểm tra liên kết ở đây bằng phương pháp hoán vị.

136

this would be the point wise permutation value

đây sẽ là giá trị hoán vị theo từng điểm

137

but there's also a family wise permutation p -value

nhưng cũng có một giá trị p hoán đổi theo cấp độ gia đình.

138

that corrects for all the tests here

điều đó sẽ sửa chữa cho tất cả các bài kiểm tra ở đây

139

so this association is run at all possible start

vì vậy, hiệp hội này được vận hành ngay từ những bước khởi đầu có thể thực hiện được.

140

and in n plus one positions and one of the things you can do

và ở các vị trí n cộng một, và một trong những điều bạn có thể làm

141

if you like to include covariates in your data at least

nếu bạn muốn đưa các biến phụ vào dữ liệu của mình thì ít nhất

142

what i've done in the past is maybe run your logistic

Trước đây tôi đã từng làm là điều hành hệ thống hậu cần của bạn.

143

regression model with a lot of your covariates pull out the residuals

mô hình hồi quy có chứa rất nhiều biến số giải thích của bạn, hãy trích xuất các phần dư

144

and then use this as a quantitative trait and you can run association mapping in Plink to get p -values that way.

sau đó sử dụng chỉ số này như một đặc điểm định lượng, và bạn có thể chạy phân tích liên kết trong Plink để thu được các giá trị p theo cách đó.

145

So what does this look like?

Vậy thì cái này trông như thế nào?

146

I think having a figure kind of is instructive here.

Tôi nghĩ rằng việc có một hình minh họa sẽ khá hữu ích trong trường hợp này.

147

So I plotted

Vậy là tôi đã vẽ biểu đồ

148

through a browser i'll break this down this is our signal at the norexin1 gene

Tôi sẽ phân tích điều này thông qua trình duyệt, đây là tín hiệu của chúng ta tại gen norexin1.

149

so in red we have our deletions uh light red deletions in our schizophrenia cases

vậy thì màu đỏ là những đoạn chúng tôi đã xóa, ừm, những đoạn xóa màu đỏ nhạt trong các trường hợp bệnh tâm thần phân liệt của chúng tôi.

150

dark red deletions in our schizophrenia controls i also have duplications in blue

các vùng xóa màu đỏ sẫm trong nhóm đối chứng tâm thần phân liệt của chúng tôi, tôi cũng có các vùng nhân bản màu xanh dương

151

which don't make up much of the signal here

mà không chiếm phần lớn tín hiệu ở đây

152

but as you can see i've also plotted the log negative log 10 p -value.

nhưng như các bạn thấy, tôi cũng đã vẽ biểu đồ giá trị log âm logarit cơ số 10 của p-value.

153

And if you kind of look closely, you can see each little breakpoint, you can see a different test being run.

154

And you can see at, you know, a spot like this where there's many different breakpoints,

155

a lot of granularity, you can run many different tests and kind of get a shape of the association around this gene.

156

Now you can also collapse.

157

Another test that we've done is collapsing across say all the exons of this gene

158

and so this would be akin more to like a gene burden test where you collapse this region

159

and then you test for overlap at that region run a similar model

160

and then you can kind of aggregate all the cnvs and cases and controls to report say a gene -based p -value.

161

So that's a very quick overview of how to run burden and association with CNV data.

162

And a few considerations is that, you know, one of the things that you don't have access to

163

when looking at cnvs is imputation and so it is a consideration to think about you know

164

there isn't kind of a reference uh you know reference haplotypes

165

or a larger data set to do additional qc

166

so there can be additional challenges particularly with subpar data

167

that they can't be rescued in the way

168

that imputation uh can rescue uh snip genotypes and on

169

that note you know genotyping chip does matter very much

170

because you can't impute a bunch of different new sites the

171

variability in terms of the number of snips particularly for smaller cnvs is a very kind of important consideration

172

and so you know you can think of in a particular genotyping chip

173

if you don't have a good case control balance there you may not have the sensitivity to properly detect CNVs.

174

And so there's a lot of work

175

that goes into determining at what length of CNVs or at least at what case control balances given your genotyping chip,

176

do you have the right amount of power and sensitivity to do a proper case control association

177

Another thing too, ancestry PCs,

178

most of the CNV hotspots and associated CNV that we see in psychiatric disease aren't very impacted,

179

and mainly that's because these are recurrent de novo CNV areas where there's a higher mutation rate,

180

but this is not really ancestrally defined in terms of the fact

181

that there's not a large difference in the allele frequency of the CNV across different ancestries, but it is still useful to include,

182

particularly as you get to higher frequencies and you get more inherited CNVs. And finally,

183

multiple testing correction biopermutation is one of the more robust ways to account for the multiple tests

184

because the nature of cnv data is such

185

that given the type of genotyping chip

186

that you use the size of your data set no no

187

particular study is going to be very similar to similar to another study and

188

that kind of leveraging the correlation structure within your own data set given

189

you know your ability to detect CNVs of various sizes

190

and frequencies using permutation is usually the best way to go about properly testing for association.

191

So if you have any questions, feel free to email me.

192

I've also put down some sites.

193

You could search here for the PGC CNV paper that we did in 2017.

194

And also, I think the write -up in PLINK on how to do this is really good

195

and very descriptive of all its functionality.

196

Thank you.

Tải Ứng Dụng

Mọi thứ bạn cần để nói trôi chảy

Chấm điểm AIChấm từng câu nói

Luyện IPAThành thạo mọi âm

Từ vựngMở rộng vốn từ

Game Từ vựngHọc qua chơi

Quét QR

Download on theApp Store Get it onGoogle Play

FOR YOU

Video gợi ý

239 câu

SANA-Video: Efficient Video Generation with Block Linear Diffusion Transformer, [ICLR 2026, Oral]

Daily ConversationUniversity Students

154 câu

Sequential, Multiple Assignment, Randomized Trial Designs With Dr Kidwell

Daily ConversationUniversity StudentsWorking Adults

32 câu

RE2 Unit 9B

Daily ConversationUniversity Students

107 câu

Gaussian Naive Bayes, Clearly Explained!!!

Daily ConversationUniversity Students

223 câu

9 Insane Claude Mods I Already Can't live Without

Daily ConversationUniversity StudentsWorking Adults

511 câu

Interview with Dr. Peter Schwartz | SADS Live Episode 23 | July 31, 2020

Daily ConversationUniversity StudentsWorking Adults

29 câu

SVINutes: VAN Score

Daily ConversationUniversity Students

195 câu

VETERINARY BASICS: How to read a blood test! CBC & Haematology

Daily ConversationUniversity Students

150 câu

What it's like to have schizophrenia

Daily ConversationUniversity Students

Từ vựng và ghi chú luyện nói cho bài học này

Bài luyện nói này dựa trên video “CNV analysis with Daniel Howrigan”. Những từ được nhắc lại nhiều nhất trong bài: cnv, file, test, deletion, plink. Video này có 196 câu và 2593 từ để luyện shadowing. Phần lời nói dài 19:53. Người nói giữ tốc độ đều, khoảng 130 từ mỗi phút, vừa sức để nói đuổi theo. Chỉ 77% số từ nằm trong 3.000 từ tiếng Anh thông dụng nhất, nên từ vựng khá khó.

Từ vựng quan trọng trong video

15 từ đáng học trong video, kèm phiên âm và nghĩa:

Từ	Phiên âm	Nghĩa
frequency danh từ	/ˈfɹiːkwənsi/	tính thường xuyên
variant danh từ	/ˈvæɹi.ənt/	phương án, biến thể
burden danh từ	/ˈbɝdn̩/	gánh nặng
detect động từ	/dɪˈtɛkt/	phát hiện, dò ra
gene danh từ	/d͡ʒiːn/	gen, di tố
filter danh từ	/ˈfɪltɚ/	máy lọc
variation danh từ	/ˌvɛəɹiˈeɪʃn̩/	sự biến đổi, sự thay đổi
overlap động từ	/ˌəʊvəˈlæp/	chồng chéo
format danh từ	/ˈfɔːɹ.mæt/	khổ (sách, giấy, bìa)
output danh từ	/ˈaʊtpʊt/	đầu ra
chip danh từ	/t͡ʃɪp/	phỉnh
schizophrenia danh từ	/ˌskɪtsəˈfɹiniə/	tâm thần phân liệt
sequence danh từ	/ˈsiː.kwəns/	dãy
collapse động từ	/kəˈlæps/	đổ, sập
genome danh từ	/ˈd͡ʒiː.noʊm/	bộ gen

Cụm động từ bạn sẽ nghe

Từ	Nghĩa
break down động từ	hỏng, hỏng hóc
go back động từ	trở lại

Những câu đáng luyện lại

Các câu ngắn, trọn ý trong video mà bạn có thể dùng lại khi giao tiếp hằng ngày:

I've listed a few here.
How do we detect it using genotype data?
I've also put down some sites.

Ngữ pháp trong video

Những cấu trúc người nói dùng nhiều nhất, kèm đúng cụm từ trong video:

Cấu trúc	Trong video
Thì hiện tại hoàn thành have/has + quá khứ phân từ — việc đã xảy ra nhưng còn liên quan đến hiện tại	I've listed · you've run · have changed
Câu bị động be + quá khứ phân từ — nhấn vào việc xảy ra, không phải người làm	isn't changed · is given · are not forced

Phát âm cần chú ý

Người nói dùng 35 dạng rút gọn, ví dụ I've, I'm, don't. Hãy nói theo dạng ngắn đúng như bạn nghe.

Âm “sh” và “zh”: variation /ˌvɛəɹiˈeɪʃn̩/, structural /ˈstɹʌk(t͡)ʃəɹəl/, consideration /kənˌsɪd.əˈɹeɪ.ʃən/, capture /ˈkæp.(t)ʃɚ/, dash /ˈdæʃ/
Từ dài — đặt trọng âm cho đúng: schizophrenia /ˌskɪtsəˈfɹiniə/, consideration /kənˌsɪd.əˈɹeɪ.ʃən/, sensitivity /ˌsɛn.səˈtɪv.ə.ti/, mechanism /ˈmɛk.ə.nɪ.zəm/, subsequently /ˈsʌb.sɪ.kwənt.li/

Những âm người Việt thường gặp khó:

Cụm phụ âm cuối — đọc đủ từng âm, đừng nuốt âm cuối: variant /ˈvæɹi.ənt/, detect /dɪˈtɛkt/, segment /ˈsɛɡmɛnt/, sequence /ˈsiː.kwəns/, collapse /kəˈlæps/
Âm /tʃ/, /dʒ/ và /ʒ/ — tiếng Việt không có, đừng đọc thành “ch” hay “gi”: gene /d͡ʒiːn/, chip /t͡ʃɪp/, genome /ˈd͡ʒiː.noʊm/, leverage /ˈlɛv.(ə.)ɹɪd͡ʒ/, enrichment /ɪnˈɹɪt͡ʃ.mənt/
Âm /æ/ — mở miệng rộng hơn âm “e”: variant /ˈvæɹi.ənt/, overlap /ˌəʊvəˈlæp/, format /ˈfɔːɹ.mæt/, collapse /kəˈlæps/, capture /ˈkæp.(t)ʃɚ/

Cách luyện với video này

Nghe hết video một lần, chưa cần nói, và ghi lại những từ bạn chưa biết.
Nói đuổi từng câu ở tốc độ bình thường, lặp lại mỗi câu đến khi nhịp của bạn khớp với người nói.
Ghi âm giọng mình rồi so với bản gốc, chú ý các từ như frequency, variant, burden.

Phương Pháp Shadowing Là Gì?

Shadowing là kỹ thuật học ngôn ngữ có cơ sở khoa học, ban đầu được phát triển cho chương trình đào tạo phiên dịch viên chuyên nghiệp và được phổ biến rộng rãi bởi nhà đa ngôn ngữ học Dr. Alexander Arguelles. Nguyên lý cốt lõi đơn giản nhưng cực kỳ hiệu quả: bạn nghe tiếng Anh của người bản xứ và lặp lại to ngay lập tức — như một "cái bóng" (shadow) đuổi theo người nói với độ trễ chỉ 1–2 giây. Khác với luyện ngữ pháp hay học từ vựng bị động, Shadowing buộc não bộ và cơ miệng phải đồng thời xử lý và tái tạo ngôn ngữ thực tế. Các nghiên cứu khoa học xác nhận phương pháp này cải thiện đáng kể phát âm, ngữ điệu, nhịp điệu, nối âm, kỹ năng nghe và độ lưu loát khi nói — đặc biệt hiệu quả cho người luyện IELTS Speaking và muốn giao tiếp tiếng Anh tự nhiên như người bản ngữ.

Phương pháp shadowing: đọc hướng dẫn từng bước đầy đủ →

Luyện nói tiếng Anh bằng Shadowing qua video: CNV analysis with Daniel Howrigan

Chọn chế độ luyện tập

Tải Ứng Dụng

4 How to use PCR and qPCR

Other Corneal Disorders - CRASH! Medical Review Series

We can cure almost all human diseases. Here’s how. | Albert-László Barabási

SANA-Video: Efficient Video Generation with Block Linear Diffusion Transformer, [ICLR 2026, Oral]

Sequential, Multiple Assignment, Randomized Trial Designs With Dr Kidwell

RE2 Unit 9B

Gaussian Naive Bayes, Clearly Explained!!!

9 Insane Claude Mods I Already Can't live Without

Interview with Dr. Peter Schwartz | SADS Live Episode 23 | July 31, 2020

SVINutes: VAN Score

VETERINARY BASICS: How to read a blood test! CBC & Haematology

What it's like to have schizophrenia

Từ vựng và ghi chú luyện nói cho bài học này

Từ vựng quan trọng trong video

Cụm động từ bạn sẽ nghe

Những câu đáng luyện lại

Ngữ pháp trong video

Phát âm cần chú ý

Cách luyện với video này

Phương Pháp Shadowing Là Gì?