chip_seq質量評估之cross correlation

• 2019 年 12 月 19 日
• 筆記

歡迎關注」生信修鍊手冊」!

chip_seq數據的質控是非常重要的，本文介紹數據質控的一個重要指標之一corss correlation。這個概念首發於以下文獻

Design and analysis of ChIP-seq experiments for DNA-binding proteins

發表在nature biotechnology上，網址如下

https://www.nature.com/articles/nbt.1508

在該文章中對chip_seqs數據分析的完整pipeline進行了探究和解釋，其中提出了一個peak位點兩側reads分佈的規律，如下所示

圖中所示的是一個NRSF轉錄因子結合位點兩側的reads分佈，將reads分成了比對到正鏈和負鏈兩部分。從黑色的密度分佈曲線可以看到，二者符合同一個高斯分佈。灰色豎線代表的是結合位點的中心，而reads密度分佈的中心點距離peak的中心點有一定偏移。

從這張圖可以發現兩個規律，第一點peak位點附近的正負鏈上reads分佈相同，第二點reads分佈的中心點和peak的中心點存在偏移。為了量化這兩個規律，科學家們提出了strand cross-correlation這個概念，考慮到reads分佈相同而各自的中心點又存在一定距離，那麼將reads的位置移動一定距離之後，正負鏈的中心重合，此時二者對稱分佈,可以參見下圖

為了有效衡量偏移過程，用泊松相關係數來分析正負鏈測序深度的相關性，當正負鏈的中心點重合時，相關係數最高。通過這種逐步偏移的方式，可以得到偏移距離和相關係數之間的對應關係。

對於所有的peak都進行上述操作，然後將所有peak的結果匯總，就可以得到cross-correlation profiles, 詳細的定義參見文獻，如下所示

將偏移距離和對應的cross-correlation繪製曲線，可以得到如下所示的結果

在該圖中會是出現兩個峰值，第一個峰值對應的peak稱之為phantom peak， 偏移距離對應測序讀長，第二個峰對應chip peak,代表真實的結合位點，偏移距離對應插入片段長度。

通過這種cross-correlation plot的分佈，可以直觀的分析數據質量，示意如下

一個高質量的chip數據，chip peak對應的峰最高，phantom peak對應的峰較矮，如上圖successful所示。如果兩種峰都能夠觀測到，而phantom peak最高，則說明抗體還是富集到了部分序列，但是背景噪聲太高了，不利於後續分析，對應marginal這種情況，如果觀測不到chip peak峰，則說明chip實驗是失敗的。

為了更加精準的進行判斷，在此基礎上提出了兩個量化指標NSC和RSC，公式詳見上圖。chip peak越多，phantom peak越少，則NSC和RSC的值越高，數據質量越好。

在encode的數據集中，好的chip實驗對應的這兩個指標數值範圍在5到12之間，但是他們也發現確實有些chip實驗沒問題，但是這兩個指標的值很低，同時這兩個指標和FRip socre之間有一定的相關性，所以實際分析中，這兩個指標也可以看做一個chip質量的軟標準，在encode的標準中認為NSC<1.05,RSC<0.8的實驗是失敗的，我們可以參考這個標準來進行判斷。

·end·

—如果喜歡，快分享給你的朋友們吧—

掃描關注微信號，更多精彩內容等着你！