chip_seq质量评估之PCA分析

欢迎关注”生信修炼手册”!

PCA我们称之为主成分分析，是一种经典的数据降维算法，通过将高维数据用几个主成分表示，从而将其映射到低维空间。在实际处理中，由于我们只能对二维和三维数据有直观的感受，所以通常绘制二维和三维的散点图。

PCA本质上属于排序分析的一种，降维之后的数据在二维或者三维平面通过散点图进行展示，两个样本点间的距离越接近，说明这两个样本越一致, PCA图在生物信息学中应用的非常广泛，该算法适用范围广泛，在基因组，转录组等多种数据分析中都有应用，本文主要介绍在chip_seq数据分析中的PCA分析。

在转录组中，我们可以通过基因表达谱来对样本进行PCA分析，在chip_seq数据分析中，为了得到类似基因表达谱的数据，研究人员提出了一种思想，将基因组划分为等长的区间，称之为bin,然后计算每个区间内的coverage。得到样本中所有bin的coverage之后，就可以利用该数据进行PCA分析。具体的操作步骤如下，通过deeptools来实现

1. 计算bin的coverage

输入文件为比对基因组产生的bam文件，用法示意如下

multiBamSummary bins \
--bamfiles file1.bam file2.bam \
--binSize 10000 \
--numberOfProcessors 10 \
--outRawCounts results.txt \
-o results.npz \

2. PCA分析

通过plotPCA命令实现，用法示意如下

plotPCA \
-in results.npz \
-o PCA.png

输出结果示意如下

软件默认选择第一和第二主成分来绘制二维的散点图，在该图中通过观测样本点之间的距离，可以对数据质量做出一些基本判断，理论上讲，input和抗体处理的样本之间应该有较大距离，而生物学重复样本之间应该比较接近。

需要注意的是，前两个主成分的贡献率是一个比较重要的指标，假设两个主成分的贡献率之和为90%， 意味着二维散点图只能表征原始样本90%的信息，当贡献率太低时，散点图上表示的信息和原始样本的信息相去甚远，就不具有太大的参考意义了。

下半部分的Scree plot, 类似碎石图，只不过采用了双坐标轴的形式，蓝色柱状图表征了前5个主成分的特征值，红色曲线代表累计的特征值，每个点代表累计特征值的比例。当红色曲线趋于平缓时，说明即使再添加后面其他的主成分，所展示的信息也不会有显著变化了，即前几个主成分已经可以有效代表总体的信息了，在上图中，前4个主成分能够有效代表总体的信息。

虽然通过碎石图我们可以筛选出主成分，但是由于我们最多只能直观观察三维空间，所以PCA分析中最多只能绘制3维散点图，如果前3个主成分不能有效代表总体的信息，我们只能考虑使用其他降维算法了，这个问题也是所有降维算法的一个通病。

·end·

—如果喜欢，快分享给你的朋友们吧—

扫描关注微信号，更多精彩内容等着你！