ChIP-seq 分析：数据质控实操（5）
## 1. 数据今天将继续回顾我们在上一次中研究的 Myc ChIPseq。这包括用于 MEL 和 Ch12 细胞系的 Myc ChIPseq 及其输入对照。
- 可在[此处](https://www.encodeproject.org/experiments/ENCSR000EUA/ "Myc")找到 MEL 细胞系中 Myc ChIPseq 的信息和文件
- 可在[此处](https://www.encodeproject.org/experiments/ENCSR000ERN/ "Ch12")找到 Ch12 细胞系中 Myc ChIPseq 的信息和文件
- 可以在[此处](https://www.encodeproject.org/experiments/ENCSR000ADN/ "MEL")找到 MEL 细胞系的输入控制
- 可在[此处](https://www.encodeproject.org/experiments/ENCSR000ERS/ "Ch12")找到 Ch12 细胞系的输入对照。
## 2. 质量控制
ChIPseq 有许多潜在噪声源，包括 * 抗体的不同效率 * 非特异性结合 * 文库复杂性 * ChIP 伪影和背景。
许多这些噪声源都可以使用一些完善的方法进行评估。
### 2.1. 质控参考
- Encode 质量指标。
(http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3931556/)
- ChIPseq 中人工制品重复的高估。
(http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3477507/)
- 什么时候 QC 有用。
(http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3989762/)
### 2.2. 合适的输入
- 在 IP 富集之前，输入样本通常由片段化的 DNA 制成。
- 允许控制样本中出现的伪影区域。
- 切勿在不考虑使用哪个输入的情况下运行 ChIPseq。
例如：当使用肿瘤样本进行 ChIPseq 时，匹配输入样本很重要。同一组织的不同条件可能共享共同的输入。
### 2.3. 质量指标
ChIPQC 包将一些指标包装到 Bioconductor 包中，并注意在适当的条件下测量这些指标。
要运行单个样本，我们可以使用 ChIPQCsample() 函数、相关的未过滤 BAM 文件，我们建议提供黑名单作为 BED 文件或 GRanges 和基因组名称。
您可以在 (https://sites.google.com/site/anshulkundaje/projects/blacklists "Anshul Kundaje") 的网站或直接从 (https://www.encodeproject.org/annotations/ENCSR636HFF/ "Encode") 网站找到大多数基因组的黑名单
```R
QCresult <- ChIPQCsample(reads = "/pathTo/myChIPreads.bam", genome = "mm10", blacklist = "/pathTo/mm10_Blacklist.bed")
```
我们从 Encode 下载 mm10 的黑名单。然后，我们可以使用 ChIPQC 包中的 ChIPQCsample() 函数对我们的 ChIPseq 样本质量进行初步分析。
在这里，我们评估我们在之前的会话中使用 Rsubread 对齐的样本的质量。返回的对象是 ChIPQCsample 对象。
```R
library(ChIPQC)
toBlkList <- "~/Downloads/ENCFF547MET.bed.gz"
chipqc_MycMel_rep1 <- ChIPQCsample("SR_Myc_Mel_rep1.bam", annotation = "mm10", blacklist = toBlkList,
chromosomes = paste0("chr", 1:10))
class(chipqc_MycMel_rep1)
```
!(data/attachment/forum/plugin_zhanmishu_markdown/202407/99dd535d16693569870fc94aa8d7dc74_1720079092_2539.png)
我们可以显示我们的 ChIPQCsample 对象，它将显示我们的 ChIPseq 质量的基本摘要。
```R
chipqc_MycMel_rep1
```
!(data/attachment/forum/plugin_zhanmishu_markdown/202407/98fd5ccdd68eb66096834076d7174139_1720079092_2201.png)
### 2.4. 多样本QC
最好对照您的输入对照和我们正在使用的其他 Myc 样本（如果您没有自己的数据，甚至是外部数据）检查 ChIPseq 质量。
这将使我们能够识别样本与对照中 ChIPseq 富集的预期模式，并通过这些指标发现任何异常样本。
我们可以使用 lapply 对所有感兴趣的样本运行 ChIPQCsample()。
```R
bamsToQC <- c("Sorted_Myc_Ch12_1.bam", "Sorted_Myc_Ch12_2.bam", "Sorted_Myc_MEL_1.bam",
"Sorted_Myc_MEL_2.bam", "Sorted_Input_MEL.bam", "Sorted_Input_Ch12.bam")
myQC <- bplapply(bamsToQC, ChIPQCsample, annotation = "mm10", blacklist = toBlkList,
chromosomes = paste0("chr", 1:10))
names(myQC) <- bamsToQC
```
所有 ChIPQC 函数都可以与 ChIPQCsample 对象的命名列表一起使用，以将分数聚合到表和图中。
在这里，我们使用 QCmetrics() 函数来概述质量指标。
```R
QCmetrics(myQC)
```
!(data/attachment/forum/plugin_zhanmishu_markdown/202407/faf43ebb244a892a79c6c2e8a62d6c85_1720079092_8719.png)
页:
[1]