blacklist regions:NGS测序数据中的黑名单

欢迎关注”生信修炼手册”!

在NGS的数据分析，尤其是chip_seq类型的数据分析汇总，经常会看到这样一个概念blacklist regions，直译过来就是黑名单区域。什么样的区域称之为blacklist呢，它对数据分析又有什么样的影响，带着这两个问题，我们来了解下这个概念。

传统的二代测序由于其读长短的特点，对于基因组上的重复区域，在序列比对时无法有效区分到底来自哪一段区域，示意图如下

A和B是两个重复区域， 下方蓝色代表测序的reads。位于重复区域内的reads,从碱基组成来说与A和B区域都完全相同，单单利用比对算法，是无法正确识别来自哪一段区域的。在比对时不同的软件会有不同算法，或者随机选择一个位置，或者两个位置都计算一次测序深度，造成的结果就是重复区域的测序深度无法准确衡量，这对于后续的数据分析肯定会有一定程度的影响。

从测序深度分布来看，这些重复区域的测序深度普遍是一种虚高的现象，而且这种虚高无关样本类型，实验处理等条件，只是和物种有关。科学家通过分析各种实验处理，不同样本类型的NGS数据，找出了在所有样本中测序深度普遍偏高的基因组区域，将其定义为blacklist region，这些区域是二代测序技术的软肋，其中的reads信息无法有效利用。

关于各个物种的blacklist区域，可以从以下链接下载

http://mitra.stanford.edu/kundaje/akundaje/release/blacklists/

在chip_seq的数据分析中，核心是通过比较input和抗体处理的IP样本间测序深度分布的差异，从而识别蛋白质结合位点也就是peak。 blastlist区域的测序深度偏高，是一种噪声，在这些区域识别到的peak是不可靠的，所以需要去除位于这些区域的peak。

在ENCODE提供的chip数据分析的pipeline中，就提供了这样的功能，同时在官网上，也提供了人和小鼠的blastlist 区域供我们下载，以hg38为例，链接如下

https://www.encodeproject.org/annotations/ENCSR636HFF/

通过black list的过滤，可以进一步降低peak calling的假阳性。

·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！