小編給大家分享一下如何實(shí)現(xiàn)bigwig歸一化，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

創(chuàng)新互聯(lián)建站是一家專注于網(wǎng)站制作、做網(wǎng)站與策劃設(shè)計(jì),成縣網(wǎng)站建設(shè)哪家好?創(chuàng)新互聯(lián)建站做網(wǎng)站,專注于網(wǎng)站建設(shè)十年,網(wǎng)設(shè)計(jì)領(lǐng)域的專業(yè)建站公司;建站業(yè)務(wù)涵蓋:成縣等地區(qū)。成縣做網(wǎng)站價(jià)格咨詢:028-86922220

在chip_seq數(shù)據(jù)展示時(shí)，經(jīng)常會(huì)用到bigwig文件，導(dǎo)入igvtools等基因組瀏覽器中，產(chǎn)生如下所示的圖片

我們將IP樣本相對(duì)Input樣本中reads富集的區(qū)域定義為peak, 反映到上圖中，則對(duì)應(yīng)的為IP樣本中reads出現(xiàn)了峰值，比如下圖紅色標(biāo)記的區(qū)域

通過這種可視化的方式，可以直觀的反映出peak區(qū)域的情況，但是在實(shí)際使用中需要注意歸一化的問題。

bigwig文件本質(zhì)上展示的是測(cè)序深度的分布信息，而原始的測(cè)序深度是和測(cè)序的reads量呈正相關(guān)關(guān)系的，比如Input樣本測(cè)序5G, IP樣本測(cè)序10G, 在原始的測(cè)序深度看，會(huì)看到Input樣本相比IP樣本，其測(cè)序深度是偏高的。當(dāng)然這個(gè)是一個(gè)極端的例子，但是很好的說明了測(cè)序量的差異對(duì)原始的測(cè)序深度會(huì)有直接的影響。

為了消除樣本間測(cè)序數(shù)據(jù)量差異的影響，很當(dāng)然的我們想到了歸一化，類似轉(zhuǎn)錄組中的定量策略，原始的測(cè)序深度就是raw count, 那么當(dāng)然類似RPKM, CPM等歸一化方式，對(duì)于bigwig文件而言，同樣適用。

在deeptools中，提供了多種歸一化方式

1. RPKM

RPKM的公式如下

RPKM (per bin) = number of reads per bin / (number of mapped reads (in millions) * bin length (kb))

用法如下

deeptools bamCoverage \
-p 10 \
--bam input.bam \
--normalizeUsing  RPKM \
--outFileName rpkm.bigwig

2. CPM

CPM的公式如下

CPM (per bin) = number of reads per bin / number of mapped reads (in millions)

用法如下

deeptools bamCoverage \
-p 10 \
--bam input.bam \
--normalizeUsing  CPM \
--outFileName cpm.bigwig

3. BPM

BPM的公式如下

BPM (per bin) = number of reads per bin / sum of all reads per bin (in millions)

用法如下

deeptools bamCoverage \
-p 10 \
--bam input.bam \
--normalizeUsing  BPM \
--outFileName bpm.bigwig

4. RPGC

RPGC的公式如下

RPGC (per bin) = number of reads per bin / scaling factor for 1x average coverage
scaling factor =  (total number of mapped reads * fragment length) / effective genome size

用法如下

deeptools bamCoverage \
-p 10 \
--bam input.bam \
--normalizeUsing  RPGC \
--effectiveGenomeSize 2864785220 \
--outFileName rpgc.bigwig

對(duì)于同一個(gè)樣本而言，導(dǎo)入igvtools中，幾種歸一化方式產(chǎn)生的bigwig文件和原始的bigwig文件的峰形是完全一樣的 ，示意如下

注意紅色方框標(biāo)記的縱軸的范圍，可以看到不同方式，其縱軸范圍不一樣。

歸一化主要用于樣本間的比較， 比如在比較Input和Ip兩個(gè)樣本時(shí)，就應(yīng)該使用歸一化之后的數(shù)據(jù)，以RPKM為例，導(dǎo)入之后可以看到如下所示的結(jié)果

可以看到縱軸的范圍是不一致的，為了更好的比較樣本間的差異，我們需要把二者的縱軸范圍調(diào)整成一致的，因?yàn)閿?shù)據(jù)已經(jīng)做了歸一化處理，所以可以直接在同一范圍內(nèi)進(jìn)行比較，設(shè)置成同一范圍后，效果如下

對(duì)于上述多種歸一化方式，其實(shí)都是可以拿來在樣本間比較的。在實(shí)際操作中，由于RPKM的概念最為經(jīng)典，應(yīng)用的也最為廣泛。

以上是“如何實(shí)現(xiàn)bigwig歸一化”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！