MLPA vs ddPCR vs qPCR vs NGS pour CNV (RUO) : Comparaison technique et cadre décisionnel

Les projets de variation du nombre de copies (CNV) s'écartent souvent de leur objectif parce que les équipes comparent les plateformes avant de définir la question technique. Dans les flux de travail réservés à la recherche (RUO), la meilleure méthode n'est que rarement celle qui a la plus grande empreinte de plateforme. C'est celle qui correspond au nombre cible, au type de sortie, aux contraintes d'échantillon, à la charge d'analyse et à la manière dont les résultats seront transférés entre le laboratoire humide, la bioinformatique et la gestion de projet. La division principale est simple : la MLPA est conçue pour le dépistage multiplex relatif du nombre de copies à travers de nombreux loci prédéfinis, la qPCR est généralement mieux adaptée à un ou quelques loci, la ddPCR est la plus efficace lorsque l'accent est mis sur le nombre de copies absolu, et le NGS devient attrayant lorsque le contexte plus large ou la découverte fait partie du périmètre.

TL;DR — Choisissez votre méthode CNV en 60 secondes

Choisir qPCR Lorsque la question est précise, la liste cible est petite et une réponse relative à la posologie est suffisante. La qPCR reste utile pour des vérifications CNV ciblées, mais sa reproductibilité dépend fortement de la conception de l'essai, du choix de la référence et des pratiques de rapport transparent.

Choisir ddPCR lorsque le projet se concentre sur nombre absolu de copies et sur la distinction des états de nombre de copies voisins avec une séparation statistique plus forte. La PCR digitale basée sur des partitions a été développée pour la quantification absolue du nombre de copies d'ADN et est largement utilisée lorsque la précision est plus importante que la diversité de multiplexage.

Choisir MLPA quand tu as besoin de nombreux loci prédéfinis en parallèle, en particulier le dépistage au niveau des exons ou des régions sans besoin de contexte de séquence large. Le document original sur la MLPA a démontré la quantification relative de jusqu'à 40 séquences en une seule réaction, c'est pourquoi la MLPA s'adapte toujours bien aux flux de travail ciblés sur les CNV à plusieurs loci.

Choisir NGS lorsque la CNV n'est qu'une seule couche d'une question de séquençage plus large, ou lorsque le projet nécessite un contexte de séquence supplémentaire. Des grandes évaluations récentes montrent que l'appel de CNV basé sur le NGS à partir de panneaux ciblés peut être très informatif, mais la performance dépend toujours du contexte des données, du choix de l'appelant et de la paramétrisation.

Si vous avez besoin d'un rappel des fondamentaux avant la comparaison, commencez par Qu'est-ce que le MLPA (signification/définition/principe) ?.

Comparaison des Quatre Méthodes en Un Coup d'Œil

Ce tableau est le résumé le plus concis de la logique décisionnelle utilisée dans le reste de l'article : le nombre cible, le besoin absolu, le contexte de séquence et la charge d'analyse doivent être définis avant qu'une méthode ne soit présélectionnée.

Définir d'abord les exigences techniques.

Avant de comparer les plateformes, définissez le projet en quatre dimensions pratiques.

1) Combien de loci sont concernés ?

C'est la première vraie branche. Le qPCR est gérable pour un petit nombre de loci, mais chaque cible ajoutée augmente la charge de conception et de contrôle. Le MLPA a été conçu pour rendre de nombreux loci prédéfinis pratiques dans un seul essai. Le NGS peut couvrir beaucoup plus d'espace, mais ce gain en largeur s'accompagne d'une surcharge en matière de bibliothèque, d'analyse et de révision.

En termes d'externalisation, un projet à deux loci sur des centaines d'échantillons n'est pas le même qu'un projet de 30 à 40 régions sur la même cohorte. Les équipes évaluant Services de séquençage CNV devraient définir la complexité de l'espace cible avant de discuter du calendrier ou des livrables.

Avez-vous besoin de dosage relatif ou de copies absolues ?

Les workflows MLPA et la plupart des CNV qPCR sont relatifs par conception. Le ddPCR est attrayant lorsque l'accent est mis sur l'état de copie absolu, car le partitionnement numérique réduit la dépendance à l'interprétation de la courbe d'amplification. Cette différence est souvent plus importante que des affirmations génériques sur l'« exactitude ».

Avez-vous besoin d'un contexte de séquence plus large ?

Si le projet n'a besoin que d'informations sur le nombre de copies à des loci connus, les méthodes ciblées peuvent être opérationnellement plus propres. Si des informations sur le contexte environnant, la découverte ou l'intégration avec des résultats de séquençage plus larges sont également nécessaires, le séquençage de nouvelle génération (NGS) devient une option prioritaire. Des évaluations récentes sur des données de panels montrent également que l'appel de CNV computationnel n'est pas indépendant du contexte ; les performances varient en fonction des outils, des ensembles de données et des paramètres.

4) Quelle charge d'analyse l'équipe peut-elle supporter ?

La qPCR peut sembler simple mais peut échouer en raison d'une mauvaise conception de l'essai ou de références instables. La MLPA est efficace au niveau de l'essai mais dépend fortement de la qualité des pics et de la discipline de normalisation. Le NGS offre le plus large contexte mais impose la charge la plus lourde en matière de sélection de pipeline, d'appariement de références et de révision technique. Des directives de reporting transparentes telles que MIQE et MIQE 2.0 sont pertinentes car la reproductibilité dépend des détails expérimentaux, et pas seulement du choix de la plateforme.

Figure 1. Carte de sélection de méthode CNV : définissez le nombre cible, le besoin en copies absolues, le besoin en contexte de séquence et la charge d'analyse avant de choisir une méthode.

MLPA vs qPCR pour CNV

La MLPA et le qPCR sont souvent comparés car les deux peuvent répondre à des questions ciblées sur les CNV, mais ils se développent différemment.

Multiplexage et charge de conception

L'avantage principal de la MLPA est le multiplexage à travers de nombreux loci prédéfinis dans un seul essai. La qPCR reste pratique pour un très petit nombre de loci, mais chaque locus supplémentaire ajoute du travail de conception de primers/probes, une plus grande dépendance aux contrôles et plus d'opportunités pour des dérives liées à l'efficacité. C'est pourquoi la question n'est pas de savoir si la qPCR peut détecter une CNV, mais si elle reste le meilleur flux de travail une fois que la conception s'étend au-delà de quelques loci.

Si le projet dérive vers de nombreux exons ou régions prédéfinis, Service de séquençage de panneaux génétiques peut devenir une option adjacente plus naturelle pour les équipes qui souhaitent également une architecture cible plus large dans le même programme.

Dépendance à la normalisation et modes de défaillance

La qPCR dépend fortement de la stabilité des références, de l'efficacité des tests et de la qualité des échantillons. La littérature MIQE existe parce que ces détails affectent matériellement la reproductibilité. Deux pièges particulièrement pertinents de la qPCR pour les CNV sont la dégradation des échantillons et les variants à l'intérieur des régions de liaison des tests de référence, qui peuvent tous deux déformer le nombre de copies apparent.

MLPA a un profil de risque différent. Une fois que la conception de l'essai s'adapte à l'espace cible, ses principales vulnérabilités se déplacent vers le comportement de ligation, la séparation des fragments, la qualité des pics et la normalisation. En pratique, la qPCR tend à concentrer le risque sur le comportement de l'essai/référence, tandis que la MLPA concentre le risque sur la qualité du signal et la révision de la normalisation.

Règle de décision pratique

Utiliser qPCR lorsque vous avez très peu de cibles, avez besoin d'une lecture relative rapide et pouvez contrôler étroitement la conception de l'essai et les références. Utilisez MLPA lorsque vous avez de nombreuses régions prédéfinies et que vous avez besoin d'un dépistage parallèle efficace avec un flux de travail QC discipliné. Pour les équipes planifiant un flux de travail MLPA formel, Flux de travail du test et de l'essai MLPA : exigences d'échantillon + livrables est la lecture suivante la plus utile.

Figure 2. Grille de comparaison technique entre MLPA et qPCR couvrant le multiplexage, la charge de conception, la dépendance à la normalisation, le débit et le style d'interprétation.

MLPA contre ddPCR pour CNV

C'est généralement la comparaison la plus importante lorsque l'équipe souhaite plus de confiance qu'un qPCR mais n'est pas sûre si le projet nécessite une largeur de multiplex ou un focus sur le nombre absolu de copies.

Dépistage multiplex relatif vs quantification absolue

MLPA est une méthode relative multiplex. ddPCR est une méthode orientée vers le nombre absolu basée sur le partitionnement. Si l'incertitude est répartie sur de nombreux exons ou régions prédéfinis, MLPA est souvent la meilleure option. Si l'incertitude est concentrée sur un ou quelques loci et que la séparation exacte des états de copie est importante, ddPCR devient l'option la plus solide.

Débit et mise à l'échelle

Le ddPCR est excellent pour la précision, mais il ne résout pas l'échelle multi-locus de la même manière que le MLPA. Quelques loci de haute priorité à travers de nombreux échantillons peuvent bien convenir au ddPCR. Un dépistage large au niveau des exons à travers de nombreux échantillons s'adapte généralement plus naturellement au MLPA. C'est pourquoi le choix est souvent guidé par la complexité des loci, et non par des affirmations abstraites selon lesquelles une technologie est "plus précise".

Flux de travail de suivi

De nombreux programmes RUO ne devraient pas imposer une seule méthode pour répondre à chaque question. Un schéma pratique consiste à effectuer d'abord un dépistage ciblé large, puis une caractérisation technique supplémentaire sur un sous-ensemble plus petit de loci. Un autre consiste à réaliser un séquençage de nouvelle génération (NGS) en premier, puis à effectuer un suivi ciblé au niveau des loci une fois que le tableau séquentiel large est plus clair. Cette logique en étapes est souvent plus robuste que d'attendre qu'une seule plateforme offre à la fois une large portée et une exactitude simultanément. Pour la planification du suivi ciblé, Séquençage de région ciblée est souvent la page de service adjacente la plus pertinente.

Pour la planification d'études spécifiques aux CNV et la révision des résultats, voir MLPA pour CNV : conception de l'étude et interprétation.

MLPA contre NGS pour CNV

C'est la comparaison souvent exagérée. Le NGS n'est pas une mise à niveau automatique par rapport au MLPA. Il répond à une classe de questions plus large.

Quand le NGS est le meilleur choix

NGS devient attrayant lorsque le CNV n'est qu'une couche d'un flux de travail de séquençage plus large, ou lorsque le contexte de séquence est suffisamment important pour justifier une analyse en aval plus approfondie. Les évaluations à grande échelle actuelles montrent que l'appel de CNV dérivé de panneaux peut bien fonctionner, mais le comportement des outils varie encore, en particulier pour les événements plus petits et les paramètres sensibles.

Quand la MLPA reste le meilleur choix

Si le projet connaît déjà les loci d'intérêt et que la tâche clé est un dépistage efficace du nombre de copies au niveau régional, la MLPA peut rester le choix technique le plus propre. Cela est particulièrement vrai lorsque le contexte de séquence n'est pas le livrable principal et que les équipes privilégient une surface de révision plus étroite plutôt qu'un pipeline computationnel plus large. Les équipes s'orientant vers une découverte plus large peuvent évaluer Séquençage de l'exome entier comme le chemin de service le plus pertinent.

Où l'analyse MLPA peut renforcer ou briser la confiance

Le MLPA est efficace au niveau de l'essai, mais il ne pardonne pas un manque de rigueur dans la révision. C'est là que de nombreux articles de comparaison restent trop généraux.

Une bonne confiance en MLPA dépend de profils de pics stables, de références appropriées, d'une normalisation cohérente et d'un traitement explicite des rapports limites. L'essai peut être le bon, mais le projet peut toujours échouer si les critères de contrôle qualité sont vagues ou si la logique de rapport est incohérente. C'est pourquoi l'évaluation des fournisseurs de MLPA devrait inclure la manière dont les signaux bruts sont examinés, comment les répétitions sont déclenchées et comment les régions limites sont catégorisées.

Un cadre de dépannage pratique est utile :

• Modèles de pics bruyants ou instables pointent généralement à une variabilité de la qualité d'entrée, à une incohérence de ligation ou à des problèmes de normalisation.
• Déplacements de régions isolées nécessitent souvent une révision des traces brutes avant d'être considérées comme significatives.
• Discrepances entre méthodes croisées souvent reflètent différents types de résultats comparés comme s'ils étaient équivalents, plutôt que comme une simple situation de "droit contre faux".

Pour une structure de QC et de rapport plus approfondie, voir Contrôle qualité de l'analyse MLPA + normalisation + liste de vérification du rapport.

Cadre de Décision Finale

Utilisez cette liste de contrôle lors des réunions de lancement, des évaluations de fournisseurs ou de la planification de soumissions d'échantillons.

• Mesurons-nous un ou quelques loci ou de nombreux loci prédéfinis ?
• 2. Avons-nous besoin d'une posologie relative ou de copies absolues ?
• 3. Avons-nous besoin d'un contexte de séquence plus large ?
• 4. S'agit-il d'un flux de travail de suivi à large écran ou d'un flux de travail de suivi à haute confiance étroit ?
• 5. Quelle est la variabilité de la quantité ou de l'intégrité de l'ADN ?
• 6. L'équipe peut-elle soutenir l'itération de conception des tests ?
• 7. L'équipe peut-elle supporter la charge d'analyse de type séquençage ?
• 8. La largeur de multiplex est-elle plus importante que la précision absolue de la copie ?
• 9. Quel taux de répétition est opérationnellement acceptable ?
• 10. Un workflow en plusieurs étapes sera-t-il plus efficace qu'un workflow sur une seule plateforme ?

Cartographiez les réponses comme ceci :

• MLPA s'adapte à de nombreux loci prédéfinis et permet un dépistage parallèle efficace.
• qPCR s'adapte à un ou quelques loci avec un simple affichage relatif.
• ddPCR convient aux projets axés sur la copie absolue avec un faible nombre de cibles.
• NGS s'inscrit dans un contexte plus large ou des projets axés sur la découverte.

Figure 3. Arbre de décision CNV à quatre voies couvrant qPCR, ddPCR, MLPA et NGS, aligné sur le nombre de cibles, le besoin en copies absolues, le besoin en contexte de séquence et la charge d'analyse.

FAQ

Le MLPA est-il plus adapté que le qPCR pour le dépistage des CNV au niveau des exons ?

Généralement oui, lorsque de nombreuses régions prédéfinies doivent être évaluées en parallèle, car le MLPA a été conçu pour la quantification relative multiplex à travers de nombreux loci. La qPCR reste plus naturelle lorsque le projet est limité à un ou quelques loci.

Quand le ddPCR vaut-il l'effort supplémentaire ?

Lorsque le projet nécessite spécifiquement un focus absolu sur l'état de copie ou une discrimination plus forte entre les états de nombre de copies voisins. C'est dans ce contexte que le partitionnement numérique apporte le plus de valeur.

Le NGS peut-il remplacer le MLPA ?

Parfois, mais pas par défaut. Si le projet nécessite déjà un contexte de séquençage plus large, le NGS peut être le flux de travail global le plus efficace. S'il ne nécessite qu'un dépistage CNV au niveau de régions prédéfinies, le MLPA peut rester le choix le plus approprié.

Quel est le risque caché dans le travail de CNV par qPCR ?

Dépendance de référence. Un choix de référence médiocre, de l'ADN dégradé ou des variations à l'intérieur d'un test de référence peuvent déformer le nombre de copies apparent.

Quel est le risque caché dans le travail de MLPA ?

Traiter la normalisation et la révision des pics comme une routine. La confiance en MLPA dépend fortement de la discipline de contrôle qualité et des règles d'interprétation cohérentes.

Que devraient demander les équipes d'externalisation à un fournisseur avant de choisir une méthode CNV ?

Demandez comment le fournisseur gère le contrôle qualité des échantillons, les critères de répétition, la logique de normalisation, les appels limites et les workflows de suivi par étapes lorsque une méthode n'est pas suffisante. Ces réponses comptent souvent plus que la liste des plateformes à elles seules.

Références:

1. Schouten JP, McElgunn CJ, Waaijer R, Zwijnenburg D, Diepvens F, Pals G. Quantification relative de 40 séquences d'acides nucléiques par amplification par ligation dépendante de sondes multiplex. Recherches sur les Acides Nucléiques. 2002 ; 30(12) : e57. DOI :10.1093/nar/gnf056
2. Bustin SA, Benes V, Garson JA, et al. Les directives MIQE : informations minimales pour la publication d'expériences de PCR quantitative en temps réel. Chimie clinique. 2009;55(4):611-622. DOI :10.1373/clinchem.2008.112797
3. Bustin SA, Huggett JF, Vandesompele J, Wittwer CT, et al. MIQE 2.0 : Révision des Lignes Directrices sur les Informations Minimales pour la Publication des Expériences de PCR Quantitative en Temps Réel. Chimie clinique. 2025 ; 71(6) : 634-651. DOI :10.1093/clinchem/hvaf043
4. Hindson BJ, Ness KD, Masquelier DA, et al. Système de PCR numérique par gouttelettes à haut débit pour la quantification absolue du nombre de copies d'ADN. Chimie analytique. 2011 ; 83(22) : 8604-8610. DOI :10.1021/ac202028g
5. Cukier HN, Pericak-Vance MA, Gilbert JR, Hedges DJ. La dégradation des échantillons entraîne des appels de variation du nombre de copies faussement positifs dans les essais de réaction en chaîne par polymérase en temps réel multiplex. Biochimie analytique. 2009 ; 386(2) : 288-290. DOI :10.1016/j.ab.2008.11.040
6. Sicko RJ, Romitti PA, Browne ML, Brody LC, Stevens CF, Mills JL, Caggana M, Kay DM. Des variantes rares dans les sites de liaison de l'essai de contrôle de PCR quantitative en temps réel RPPH1 entraînent des appels de nombre de copies incorrects. Le Journal des Diagnostics Moléculaires. 2022 ; 24(1) : 33-40. DOI :10.1016/j.jmoldx.2021.09.007
7. Munté E, Roca C, del Valle J, et al. Détection des CNV germinaux à partir des données de panels géniques : évaluation de l'état de l'art. Briefings en bioinformatique. 2025;26(1):bbae645. DOI :10.1093/bib/bbae645