第6篇:重复样本的处理——IDR

前言

ATAC-seq/ChIP-Seq中重复样本的处理

ATAC-Seq要求必须有2次或更多次生物学重复(十分珍贵或者稀有样本除外,但必须做至少2次技术重复)。理论上重复样本的peaks应该有高度的一致性,实际情况并不完全与预期一致。如何评价重复样本的重复性的好坏?如何得到一致性的peaks?

这一节将介绍两种方法:

1. 用Bedtools进行简单的overlap合并重复样本
2. 用IDR(Irreproducibility Discovery Rate)的方法获得高重复性的peaks


1. Overlapping peaks using bedtools

如何得到两个重复样本间一致性的peaks? 一种简单粗暴的方法就是用bedtools计算peaks的overlaps。
用法:bedtools intersect [OPTIONS] -a <bed/gff/vcf/bam> -b <bed/gff/vcf/bam>

  • -a: 参数后加重复样本1(A)
  • -b:参数后加重复样本2(B),也可以加多个样本

其他常用参数解释和图解如下:

  • -wo:Write the original A and B entries plus the number of base pairs of overlap between the two features.
  • -wa:Write the original entry in A for each overlap.
  • -v:Only report those entries in A that have no overlaps with B
    如果只有-a-b参数,返回的是相对于A的overlaps。加上参数-wo返回A和B原始的记录加上overlap的记录。参数-wa返回每个overlap中A的原始记录。

    使用代码示例:
    1
    2
    3
    4
    bedtools intersect \
    -a macs2/Nanog-rep1_peaks.narrowPeak \
    -b macs2/Nanog-rep2_peaks.narrowPeak \
    -wo > bedtools/Nanog-overlaps.bed

2. Irreproducibility Discovery Rate (IDR)

评估重复样本间peaks一致性的另一种方法是IDR。IDR是通过比较一对经过排序的regions/peaks 的列表,然后计算反映其重复性的值。
IDR在ENCODE和modENCODE项目中被广泛使用,也是ChIP-seq指南和标准中的一部分。

ENCODE_ATAC_pipeline
IDR的 优点:

使用IDR的注意事项:

  • 建议使用IDR时,MACS2 call peaks的步骤参数设置不要过于严格,以便鉴定出更多的peaks。
  • 使用IDR需要先对MACS2的结果文件narrowPeak根据-log10(p-value)进行排序。

    1
    2
    3
    4
    # Call peaks
    macs2 callpeak -t sample.final.bam -n sample --shift -100 --extsize 200 --nomodel -B --SPMR -g hs --outdir Macs2_out 2> sample.macs2.log
    #Sort peak by -log10(p-value)
    sort -k8,8nr NAME_OF_INPUT_peaks.narrowPeak > macs/NAME_FOR_OUPUT_peaks.narrowPeak
  • 使用IDR示例

    1
    2
    3
    4
    5
    6
    idr --samples sample_Rep1_sorted_peaks.narrowPeak sample_Rep2_sorted_peaks.narrowPeak \
    --input-file-type narrowPeak \
    --rank p.value \
    --output-file sample-idr \
    --plot \
    --log-output-file sample.idr.log

--samples:narrowPeak的输入文件(重复样本)
--input-file-type:输入文件格式包括narrowPeak,broadPeak,bed
--rank p.value:以p-value排序
--output-file: 输出文件路径
--plot:输出IDR度量值的结果

输出文件解读:
详细内容可参考:https://github.com/nboley/idr#output-file-format

输出文件包括:

  • sample-idr
  • sample-idr.log
  • sample-idr.png

(1)sample-idr
sample-idr是common peaks的结果输出文件,格式与输入文件格式类似,只是多了几列信息。前10列是标准的narrowPeak格式文件,包含重复样本整合后的peaks信息。

  • 第5列:包含缩放的 IDR 值
    • score int
      如min(int(log2(-125IDR), 1000),那么IDR=0,缩放的IDR就是1000;IDR=0.05, int(-125log2(0.05)) = 540;IDR=1.0, int(-125log2(1.0) = 0。
  • 第11列和第12列:分别是local和global IDR值
    • col11: localIDR float -log10(Local IDR value)
    • col12: globalIDR float -log10(Global IDR value)
      global IDR值是第5列中用于计算缩放的IDR值,类似于对p值进行多个假设校正以计算FDR;local IDR类似于属于不可重复噪声部分的峰值的后验概率。详细内容可阅读Measuring reproducibility of high-throughput experiments
  • 第13、14、15、16列:是重复样本1相关的信息。
    • col13: rep1_chromStart int
    • col14: rep1_chromEnd int
    • col15: rep1_signalValue float
    • col16: rep1_summit int
  • 第17-20列:是重复样本2相关的信息,和13-16四列信息类似。

其他列信息如下:

  • col1: chrom string
  • col2: chromStart int
  • col3: chromEnd int
  • col4: name string
  • col6: strand [+-.] Use ‘.’ if no strand is assigned.
  • col7: signalValue float
  • col8: p-value float
  • col9: q-value float
  • col10: summit int

wc -l *-idr 计算下common peaks的个数,接着可再计算下与总peaks的比率。
如果想看IDR<0.05的,可以通过第5列信息过滤:
awk '{if($5 >= 540) print $0}' sample-idr | wc -l
(2)sample-idr.log
log文件会给出peaks通过IDR < 0.05的比率,如下图所示

(3)sample-idr.png
png文件包括4个图

左上: Rep1 peak ranks vs Rep2 peak ranks, 没有通过特定IDR阈值的peaks显示为红色。
右上:Rep1 log10 peak scores vs Rep2 log10 peak scores,没有通过特定IDR阈值的peaks显示为红色。
下面两个图: Peak rank vs IDR scores,箱线图展示了IDR值的分布,默认情况下,IDR值的阈值为-1E-6。

参考资料:

哈佛深度NGS数据分析课程
06-Handling replicates in ChIP-Seq