欢迎关注”生信修炼手册”!
Encode不仅共享了大量的组学数据,还开源了自己的数据分析pipeline, ATAC的pipeline网址如下
https://github.com/ENCODE-DCC/atac-seq-pipeline
提供了从原始的fastq数据开到,到peak caling结束的基础分析功能,尽管缺少了下游的差异分析和motfi分析,这套流程依然值得推荐。
该流程同时支持有生物学重复和无生物学重复两种情况,对于有生物学重复的数据,分析的流程图如下
对于没有生物学重复的数据,流程图如下
从fastq到peak calling, 只需通过trim, mapping, peak calling三部曲即可,其他流程中可能就是3个步骤对应的软件跑一下,在Encode的这套流程中添加了更多的细节分析。
首先来看下基本的三部曲,通过cutadapt软件去除adapter和低质量序列,然后是bowitie2比对参考基因组,最后调用MACS2进行peak calling。
对于比对产生的原始bam文件,采用了samtools和picard去除PCR重复序列,然后利用bedtools转换为TagAlign格式,在转换的过程中去除了线粒体的序列,然后进行shift操作,最后输入到macs2软件中,这个过程称之为post-alignment,每一步过滤的reads都进行了详细统计,还计算了NRF, PBC1等文库复杂度指标,同时提供了TSS Enrichment score,和TSS两侧reads分布图,插入片段插入分布图等可视化结果。
peak calling部分,称得上是该流程最大的亮点,采用了IDR软件来评估peak的可重复性。对于有生物学重复的样本,先对每个生物学重复进行peak calling, 然后进行合并,用IDR软件提取高可重复性的peak; 对于没有生物学重复的样本,则随机抽取部分序列重新构建一个虚拟的生物学重复,然后进行IDR分析。
该流程采用了WDL这套pipeline语言进行开发,兼容docker, conda, 可以运行了本地服务器,也可以运行了集群上,依托于WDL的强大,保证了流程运行的稳定性,兼容性和可移植性。
唯一遗憾的是,官方并没有给出详尽的说明文档,很多的细节需要自己查阅源代码来进行理解。当然,对于使用者而言,只需安装软件和编辑配置文