chip_seq质量评估之cross correlation

欢迎关注”生信修炼手册”!

chip_seq数据的质控是非常重要的，本文介绍数据质控的一个重要指标之一corss correlation。这个概念首发于以下文献

Design and analysis of ChIP-seq experiments for DNA-binding proteins

发表在nature biotechnology上，网址如下

https://www.nature.com/articles/nbt.1508

在该文章中对chip_seqs数据分析的完整pipeline进行了探究和解释，其中提出了一个peak位点两侧reads分布的规律，如下所示

图中所示的是一个NRSF转录因子结合位点两侧的reads分布，将reads分成了比对到正链和负链两部分。从黑色的密度分布曲线可以看到，二者符合同一个高斯分布。灰色竖线代表的是结合位点的中心，而reads密度分布的中心点距离peak的中心点有一定偏移。

从这张图可以发现两个规律，第一点peak位点附近的正负链上reads分布相同，第二点reads分布的中心点和peak的中心点存在偏移。为了量化这两个规律，科学家们提出了strand cross-correlation这个概念，考虑到reads分布相同而各自的中心点又存在一定距离，那么将reads的位置移动一定距离之后，正负链的中心重合，此时二者对称分布,可以参见下图

为了有效衡量偏移过程，用泊松相关系数来分析正负链测序深度的相关性，当正负链的中心点重合时，相关系数最高。通过这种逐步偏移的方式，可以得到偏移距离和相关系数之间的对应关系。

对于所有的peak都进行上述操作，然后将所有peak的结果汇总，就可以得到cross-correlation profiles, 详细的定义参见文献，如下所示

将偏移距离和对应的cross-correlation绘制曲线，可以得到如下所示的结果

在该图中会是出现两个峰值，第一个峰值对应的peak称之为phantom peak， 偏移距离对应测序读长，第二个峰对应chip peak,代表真实的结合位点，偏移距离对应插入片段长度。

通过这种cross-correlation plot的分布，可以直观的分析数据质量，示意如下

一个高质量的chip数据，chip peak对应的峰最高，phantom peak对应的峰较矮，如上图successful所示。如果两种峰都能够观测到，而phantom peak最高，则说明抗体还是富集到了部分序列，但是背景噪声太高了，不利于后续分析，对应marginal这种情况，如果观测不到chip peak峰，则说明chip实验是失败的。

为了更加精准的进行判断，在此基础上提出了两个量化指标NSC和RSC，公式详见上图。chip peak越多，phantom peak越少，则NSC和RSC的值越高，数据质量越好。

在encode的数据集中，好的chip实验对应的这两个指标数值范围在5到12之间，但是他们也发现确实有些chip实验没问题，但是这两个指标的值很低，同时这两个指标和FRip socre之间有一定的相关性，所以实际分析中，这两个指标也可以看做一个chip质量的软标准，在encode的标准中认为NSC<1.05,RSC<0.8的实验是失败的，我们可以参考这个标准来进行判断。

·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！