ChIP-seq数据分析（一）

染色质免疫共沉淀—测序（Chromatin Immunoprecipitation followed by Sequencing，ChIP-Seq）这项技术，相对于以前的测序方法，他的优点是可以在短时间内产生海量的生物信息数据。如何有效且准确地分析这些生物数据，是现在生物信息学面临的一项重大挑战。在这种情况下，运用不同算法的生物数据分析软件应运而生。

新一代测序结果的原始数据形式是图像文件。因此，对测序结果进行图像识别（base calling）是数据分析的第一步。在每一次测序结束之后，这些图像通过一定的计算机算法处理可转换为碱基序列，然后通过对这些碱基序列进行接头序列过滤处理获得大量的、具有一定长度的原始序列，这一过程又称reads或tags。在此环节可完成reads长度和reads数量的统计以及数据产生量的估算。

测序深度是指测序得到的总碱基数与待测基因组大小的比值。假设一个基因组大小为2M，测序深度为10X，那么获得的总数据量就为20M。要想对ChIP-Seq数据进行准确而有效的分析，那么就需要足够的测序深度。测序深度主要取决于参考基因组的大小，DNA结合蛋白结合位点的宽窄及数量。哺乳动物的转录因子的DNA结合位点和基因组与组蛋白修饰相关的位点通常落在特定的、狭窄的区域（6~20bp），位点的个数大约有成千上万。对于这种情况，测序后至少需要产生2000万个原始序列才能获得足够的信息。如果某种蛋白与DNA有更多的结合位点（比如RNA PolII）或者结合的位点比较宽（比如大部分的组蛋白修饰），那么则需要更多的原始序列（大约6000万）才能获得足够多的信息。

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。