2020.9.17丨Chip-seq结果可视化之peak检测（下）

news/2024/10/18 12:20:58/

这一部分是使用deeptools对样品进行相关性分析以及主成分分析，同时从peak中去挖掘motif。我使用的工具是MEME-ChIP，MEME是一个工具系列，挖掘motif的工具比较丰富，MEME、DREME、TomTom、MEME-ChIP，其中MEME-ChIP可以同时调用其他几个工具进行综合分析，比较方便。
deeptools是一个很好用的深度分析工具，中文版使用手册可以让你快速上手（虽然翻译有些直，但竟然看得懂！）。在进行相关性分析和主成分分析之前，需要对样品数据进行一个综合统计，deeptools也为我们提供了统计函数
- 运行代码
  - ```
  multiBamSummary \--bamfiles testFiles/*bam \ # using all BAM files in the folder--minMappingQuality 30 \--region 19 \ # limiting the binning of the genome to chromosome 19--labels H3K27me3 H3K4me1 H3K4me3 HeK9me3 input \-out readCounts.npz --outRawCounts readCounts.tab
```

生成样品相关性热图

运行代码

plotCorrelation -in readCounts.npz --corMethod spearman --skipZeros --plotTitle "Spearman Correlation of Read Counts" --whatToPlot heatmap --colorMap RdYlBu --plotNumbers -o heatmap_SpearmanCorr_readCounts.png --outFileCorMatrix SpearmanCorr_readCounts.tab

图示

生成PCA成分分析图

运行代码

plotPCA -in readCounts.npz -o PCA_readCounts.png -T "PCA of read counts"

图示

发现motif
- 这一步需要我们先把macs2生成的narrowpeak文件中描述peak位置信息（染色体号/起始位点/终止位点；chr1/start/end）三列分割出来（有文章提到使用summer，但是我生成的summer文件位点描述有问题，其他小伙伴也可以试试），需要注意的是我们需要通过bedtools getfasta工具根据位置信息获取序列，该工具要求文件为bed格式。
- 运行代码
  - ```
  cut -f 1,2,3 ../C1_fa_peaks.narrowPeak >C1_great.bed #对peak位置信息进行分列，生成bed文件
  bedtools getfasta -fi Mus_musculus.GRCm38.dna.toplevel.fa -bed C1_great.bed > C1_motif.fa
```
- 可以使用MEME进行motif挖掘，通过在线工具运行一次后获得默认参数
  - ```
  meme C1_motif.fa -dna -oc . -nostatus -time 18000 -mod zoops -nmotifs 3 -minw 6 -maxw 50 -objfun classic -revcomp -markov_order 0
```
  - 图示（还是觉得MEME-ChIP分析更丰富一些，这里只截图了一部分内容）
最后，还可以直接将peak位置信息文件上传到GREAT，使用great在线工具进行注释，获取基因与基因组的关系表