deepTools对ChIP-seq数据可视化

deepTools: tools for exploring deep sequencing data

deepTools是一套python工具,特别为高效分析高通量测序数据而开发,如ChIP-seq、RNA-seq或MNase-seq。

## 计算转录起始位点前后1K的peaks分布情况,可以并行处理,加快速度
computeMatrix reference-point -p 2 --referencePoint TSS -b 1000 -a 1000 -R UCSC_GRCH38_refGene.bed -S chip_coverage.bw control_coverage.bw --skipZeros  -out ./TSS.computeMatrix.gz --outFileSortedRegions ./test.genes.bed

# 注:chip_coverage.bw control_coverage.bw  来自Macs2结果
plotHeatmap -m TSS.computeMatrix.gz -o heatmap_TSS.pdf --zMin 0 --zMax 8 --colorMap coolwarm --missingDataColor 1

# -o (-out) 输出文件,可以是 ".png", ".eps", ".pdf" and ".svg"

computeMatrix scale-regions -p 2 -S chip_coverage.bw control_coverage.bw -R UCSC_GRCH38_refGene.bed -a 1000 -b 1000 -o gene_region.computeMatrix.gz

plotHeatmap -m gene_region.computeMatrix.gz -o heatmap_gene_region.pdf --zMin 0 --zMax 8 --colorMap coolwarm --missingDataColor 1

#参数说明:-m输入矩阵;-o输出pdf文件;-zMin 0 --zMax 8是热图的最大值和最小值;--colorMap是选#择热图颜色类型(RdBu, coolwarm 等,具体见帮助文档)。做出的pdf热图可以直接在Ai里编辑。

## 只作图 profile
plotProfile -m TSS.computeMatrix.gz -out TSSProfile.png --numPlotsPerRow 2 --plotTitle "TSS data profile"
# 设置profile样式
plotProfile -m TSS.computeMatrix.gz -out ExampleProfile2.png --plotType=fill --perGroup --colors red yellow blue --plotTitle "Test data profile" 

## 只作图heatmap
plotHeatmap -m TSS.computeMatrix.gz -out TSSHeatmap.png --colorMap RdBu --whatToShow 'heatmap and colorbar' --zMin -3 --zMax 3 --kmeans 4

## 同时作图profile和heatmap
plotHeatmap -m TSS.computeMatrix.gz -o heatmap_profile.pdf --zMin 0 --zMax 8 --colorMap coolwarm --missingDataColor 1 --kmeans 4

### 参数 --kmeans 聚类的数量

参考:

​​​​​​​​​​​​​http://deeptools.readthedocs.org/en/latest/content/example_gallery.html#normalized-chip-seq-signals-and-peak-regions
 

https://deeptools.readthedocs.io/en/develop/content/tools/computeMatrix.html​​​​​​​

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Chip-seq(Chromatin Immunoprecipitation Sequencing)是一种常用的表观遗传学研究方法,用于研究染色质上的蛋白质与DNA相互作用的情况。Chip-seq数据分析是指对Chip-seq实验所得到的大量序列数据进行处理和分析,以获得有关染色质状态和蛋白质相互作用的信息。 Chip-seq数据分析的主要步骤包括: 1. 数据质量控制:对原始数据进行质量控制,筛除低质量序列和序列中的适配器等。 2. 数据预处理:将序列比对到参考基因组上,去除重复的序列,调整序列长度,以便于后续分析。 3. 峰识别:利用统计方法识别出与某种蛋白质结合区域的“峰”,即ChIP信号显著高于背景水平的区域。 4. 峰注释:将峰与生物信息学数据库中的基因、转录因子结合位点等信息进行注释,以获得与研究对象相关的生物信息学特征。 5. 峰差异分析:比较不同实验条件下的Chip-seq数据,寻找峰的差异,以发现不同生物学过程中基因调控的差异。 6. 通路分析:将差异的峰与生物通路、转录因子网络等生物信息学数据库进行匹配,以发现与研究对象相关的生物通路和机制。 7. 结果可视化:将Chip-seq数据分析的结果可视化,如制作热图、曲线图等,以直观表达Chip-seq数据的生物学意义。 总之,Chip-seq数据分析是一个复杂的过程,需要熟练掌握多种分析方法和工具,以便于从大量的序列数据中提取有用的生物学信息。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值