关于motif你需要知道的事

欢迎关注”生信修炼手册”!

在chip_seq数据分析中，motif分析是一项重要的分析内容。通过motif分析，我们可以对转录因子结合位点的序列模式有进一步的了解，那么什么是motif呢？

蛋白质中功能的基本单元是domain,是一种特殊的三维结构，不同结构的domain与其他分子特异性结合从而发挥功能。与此类似，转录因子在于DNA序列结合时，其结合位点的序列也由于一定的特异性，不同转录因子结合的DNA序列的模式是不同的。为了更好的描述结合位点序列的模式，科学家们提出了motif的概念。

motif表示特定碱基序列的模式，这种教科书式的名词解释不够直观难以理解，下面通过一个示例来看下

上图表示的是一个转录因子在多个基因上的结合位点的序列，在采用motif描述上面这段信息时，具体用到以下几个元素

1. 碱基频率分布

上述示例中结合位点的序列长度为12bp, 每个位置4种碱基的频数统计如下

2. consensus sequences

用一段序列来描述所有序列的碱基组成，称之为一致性序列，采用IUPAC标准的碱基表示法,不同字母对应的碱基如下所示

上述例子中的一致性序列如下

3. sequence logo

为了更加直观的描述motif, 结合所有序列中的碱基分布情况和一致性序列的特征，提出了sequence logo的表示方法， 上述例子中的碱基分布频数绘图如下

类似每个位置上碱基分布频数的堆积柱状图，而sequence logo则采用以下公式来计算位置碱基的高度

上述公式中的最大值为2，对应所有序列中该位置都是同一个碱基，比如示例中的第5个位置全部都是T碱基。通过这种表示方法，可以突出碱基的分布情况，示意如下

可以非常明显的看到，在第5,8,9三个位置上都只出现了T碱基。其他位置都是几种碱基混合出现，总的高度都比这里这些位置低很多。值得一提的是，之前我们说单一碱基最大值为2，而上图中单一碱基的位置比2小了一点，这是因为在原始公式的基础上进行了微调，详细情况如下

在原始公式的基础上减去了一个e值，在e值的计算公式中，对于DNA序列，s的值为4，n代表的是motif的长度，上述示例中就是12。减去e值后，最大值相比2自然会小一点。

有很多的软件可以进行motif分析，比如meme-chip, homer等，在后续的文章中会详细介绍。

·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！