即ATAC-seq+RNA-seq进行关联分析，来找寻关键的转录因子调控的关键靶基因。
ATAC-seq建库原理如下图所示: 前期准备: #conda create -n atac python=2 创建环境 #conda activate atac 激活环境 #conda install bedtools deeptools macs2 bowtie bowtie2 samtools 分析流程: 1. 质控 采用FASTQC查看测序数据质量 #fastqc -o FASTQC/ -t 8 Control_R1.fastq.gz Control_R2.fastq.gz ...
ATACseqQC 库允许我们在一个步骤中运行我们已经看到的许多 ATACseq QC 步骤。它可能会消耗更多内存，但...
下图比较直观地展示了ATAC-seq的技术原理,其中NFR fragments是开放染色质中两个核小体之间的Linker DNA片段,由Peak Calling分析得到的Peak来鉴定;蓝色的Footprint则是转录因子的足迹,对应的是转录因子足迹分析;核小体单体(Mononucleosome)上结合的DNA片段则反映出核小体...
ATACseq 应该在较小的保护区(如转录因子结合位点)周围生成较短的片段(我们的无核小体区域)。 因此,我们可以在不同组织/细胞类型/样本中寻找围绕感兴趣基序的切割位点堆积。 为了从我们的 BAM 文件中生成切割位点,我们首先将读取大小调整为 1bp,并根据链进行 4/-5 bp 的偏移,以调整插入 Tn5 转座酶的预期偏移...
- 在画图的时候,你需要注意,要去掉一下不表达的峰区域,使图更加好看。 - 定义好你需要看区域中心,比如TSS位点、峰的中心,展示一个区域等等,这会影响你用computerMatrix的一些参数;你也需要定义好你想看的范围。 ref:快速使用 Deeptools 对 ChIP-seq 数据画图! Motif 分析 homer中findMotifsGenome.pl可以做这个...
(一)利用IGV同时查看Chip-seq和ATAC-seq的结果 拿到所有CHIP-seq和ATAC-seq的bw文件,可以在IGV里将这些文件一起导入,然后搜索基因cdc25b,查看基因附近的峰的情况: 文献原图 我做的图 上面两个文件是Chip-seq的峰图(红色,粉色),下面5个是ATAC-seq的峰。可以看出smad2/3在两个基因之间有一个结合的峰(红色),...
具有相似开放区的细胞可聚集成细胞群,scATAC-seq 数据分析常使用聚类方法:层次聚类,k-means,k-medoids 和 Louvain 算法。层次聚类对于理解细胞类群之间的整体关系很有用,结果常用树状图可视化显示捕获的层次关系。k-means 和 k-medoid 是需要预设聚类数目的算法,K-medoids 聚类对噪声的鲁棒性更强,但该方法也需更强...
首先ATAC-seq数据差异分析拿到的 differentially accessible (DA) peaks 可以去对应到基因组的基因,然后RNA-seq数据通常就有差异表达基因,两个基因集就可以取交集,做韦恩图: 可以看到,这个图里面并没有秀全部的基因,仅仅是差异的那些,RNA-seq和ATAC-seq数据各自的差异都有自己的流程和阈值,两个联合起来就是散点图...
在ATACseqQC中,提供了saturationPlot函数,可以直接读取一系列peak文件,然后绘制测序饱和度图,具体的用法可以查看该函数的帮助文档。 ATACseqQC给我们提供了一个很好的思路,来进行ATAC文库的测序饱和度分析,类似的,这个做法也可以推广到chip_seq, m6A_seq等IP类型的实验中去。