解密ATAC中的测序饱和度分析
测序数据量对于NGS数据分析是非常重要的，测序数据量过低，不能有效覆盖基因组完整信息，测序数据量过高，则会造成冗余，不够经济。为了验证当前测序量能否满足需求，或者说加大测序量是否能够进一步挖掘的更大量的信息，通常需要进行饱和度分析。
在转录组和扩增子测序中，饱和度分析应用的已经非常成熟，对于WES/WGS等基因组测序而言，对测序深度也已经基本形成了统一共识。对于ATAC而言，测序饱和度分析要怎么做呢？本片文章就来解密一下。
ATACseqQC作为一个专门针对ATAC文库进行QC的R包，在其文章中，提供了测序饱和度分析的思路和方法，文章链接如下
https://bmcgenomics.biomedcentral.com/articles/10.1186/s12864-018-4559-3
如上图所示，ATACseqQC的饱和度分析思路如下，对effectice fragment进行随机抽样，比如10%，20%到100%， 对于每个梯度分别进行peak calling, 统计其peak个数，然后以effectice fragment数目为横坐标，peak个数为纵坐标绘制散点图，并进行拟合，如果拟合曲线的末端斜率上升平缓，表明继续加大测序数据量，新识别到的peak个数也不会新增太多，就可以认为当前的测序数据量是比较饱和的，不比再加测数据量了。如果曲线末端仍处于一个斜率急剧上升的阶段，说明测序数据量不够，还需加大测序数据量。
理解了分析思路，再来看一下具体的操作过程。第一步是对effectice fragment进行抽样。所谓effectice fragment，即过滤掉PCR重复，去除了线粒体之后的有效序列。在实际分析中，质控后的clean reads首先比对到参考基因组上，生成原始的bam文件，也称为raw bam。然后对原始的bam文件进行过滤，去除MAPQ较低的alignment, 去除PCR重复，去除比对到线粒体的序列，经过重重筛选，得到了一个filter之后的bam文件，这个filter bam文件中保存的就是effectice fragment。
对effectice fragment进行抽样，本质就是操作这个bam文件。通过linux下的shuf命令对sam文件随机抽取对应的行，从而实现对effectice fragment抽样的目的，基本思路如下
- 提取sam文件的header部分作为一个单独的文件；
- 使用linux内置的shuf命令对sam文件的正文部分随机抽取一定比例的行数，追加到header文件中，生成一个新的sam文件
在文章的附件中提供了一个bash脚本，用于对bam文件进行抽样，用法如下
bash downsample.sh GL1.bam\
GL1 \0.1 0.2 0.3 0.4 0.5 \0.6 0.7 0.8 0.9第一个参数为filter之后的bam文件，第二个参数为输出文件的前缀，其他参数为抽取的百分比，0到1之间，运行成功后，会生成一系列文件，以0.1为了，生成的文件如下
GL1.bam.name.sorted.0.1.sam
GL1.bam.name.sorted.0.1.coord.sorted.bam
GL1.bam.name.sorted.0.1.coord.sorted.bam.bai利用排序好的bam文件可以直接进行peak calling, 然后统计每个抽样百分比对应的effectice fragment数目和peak个数，就可以绘制测序饱和度图了。在ATACseqQC中，提供了saturationPlot函数，可以直接读取一系列peak文件，然后绘制测序饱和度图，具体的用法可以查看该函数的帮助文档。
ATACseqQC给我们提供了一个很好的思路，来进行ATAC文库的测序饱和度分析，类似的，这个做法也可以推广到chip_seq, m6A_seq等IP类型的实验中去。