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
image.png

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 -b

  • -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和-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。
image.png
使用代码示例：

  1. bedtools intersect 
  2. -a macs2/Nanog-rep1_peaks.narrowPeak 
  3. -b macs2/Nanog-rep2_peaks.narrowPeak 
  4. -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。
image.png
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。 ```bash

    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

  2. - **使用IDR示例**
  3. ```bash
  4. idr --samples sample_Rep1_sorted_peaks.narrowPeak sample_Rep2_sorted_peaks.narrowPeak 
  5. --input-file-type narrowPeak --rank p.value 
  6. --output-file sample-idr --plot 
  7. --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：

  1. 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
image.png
（3）sample-idr.png
png文件包括4个图
image.png
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。