A Novel Bayesian Change-Punkt Algorithmus für genomweite Analyse Diverse ChIPseq Datentypen

Summary

Unsere Bayesian ändern Point (BCP)-Algorithmus baut auf state-of-the-art Fortschritte in der Modellierung change-Punkten über Hidden-Markov-Modelle und wendet sie auf Chromatinimmunpräzipitation Sequenzierung (ChIPseq) Datenanalyse. BCP funktioniert gut sowohl breit und punktförmige Datentypen, sondern zeichnet sich durch genaue Identifizierung robust, reproduzierbar Inseln diffuse Histon Bereicherung.

Abstract

ChIPseq ist eine weit verbreitete Technik zur Untersuchung von Protein-DNA-Wechselwirkungen. Lesedichte Profile werden unter Verwendung der nächsten Sequenzierung von Protein-gebundener DNA und Ausrichten des kurzen liest einem Bezugsgenom erzeugt. Angereicherte Regionen als Peaks, die oft drastisch unterscheiden in der Form, in Abhängigkeit von dem Zielprotein ¹ offenbart. Zum Beispiel Transkriptionsfaktoren binden oft in einem Standort-und sequenzspezifische Weise und neigen kann punktförmige Spitzen zu produzieren, während Histonmodifikationen weiter verbreitet sind und durch breite, diffuse Inseln Anreicherung ² gekennzeichnet. Zuverlässig Abgrenzung dieser Regionen lag der Schwerpunkt unserer Arbeit.

Algorithmen zur Analyse ChIPseq Daten wurden verschiedene Methoden, von Heuristiken ^3-5 bis strengeren statistischen Modelle, wie zB Hidden Markov Modellen (HMMs) ^6-8 eingesetzt. Wir suchten eine Lösung, die die Notwendigkeit für schwierig zu definieren, Ad-hoc-Parameter, die oft minimiertKompromisse Auflösung und verringern die intuitive Bedienbarkeit des Werkzeugs. Mit Bezug auf HMM-basierten Methoden, wollten wir Parameterschätzung Verfahren und einfache, endlichen Klassifikationen, die oft verwendet werden beschneiden.

Darüber hinaus beinhaltet konventionelle ChIPseq Datenanalyse Kategorisierung der erwarteten Lesedichte Profile entweder als punktförmige oder diffuse durch nachfolgende Anwendung des geeigneten Werkzeug gefolgt. Wir weiter das Ziel, die Notwendigkeit für diese zwei unterschiedlichen Modelle mit einem einzigen, vielseitiger Modell, das kompetent adressieren kann das gesamte Spektrum von Datentypen zu ersetzen.

Um diese Ziele zu erreichen, haben wir zunächst eine statistische Rahmen konstruiert, dass natürlich modelliert ChIPseq Datenstrukturen mit einer Schneidkante Fortschritt in HMMs ^9, die nur explizite nutzt Formeln-eine Innovation entscheidend für die Performance-Vorteile. Komplexere dann heuristische Modelle beherbergt unsere HMM unendliche versteckten Zustände durch eineBayes-Modell. Wir wandten sie identifizieren vernünftigen Änderung Punkte zu lesen Dichte, die weiter zu definieren Segmente Bereicherung. Unsere Analyse ergab, wie unsere Bayesian ändern Point (BCP)-Algorithmus eine reduzierte Komplexität-nachgewiesen durch eine verkürzte Laufzeit und Speicherbedarf hatte. Die BCP-Algorithmus wurde erfolgreich sowohl punktförmige Spitze und diffuse Insel Identifikation mit robusten Genauigkeit und begrenzte benutzerdefinierten Parametern aufgebracht. Diese illustrierte sowohl ihre Vielseitigkeit und einfache Handhabung. Daher glauben wir, dass es leicht in weiten Bereichen von Datentypen und Endanwender in einer Weise, die einfach verglichen und gegenübergestellt umgesetzt werden, so dass es ein großes Werkzeug für ChIPseq Datenanalyse, die in Zusammenarbeit und Bestätigung zwischen Forschergruppen unterstützen können. Hier zeigen wir die Anwendung der BCP bestehende Transkriptionsfaktor ^10,11 und epigenetische Daten ¹² seiner Nützlichkeit zu illustrieren.

Protocol

Ein. Vorbereiten Input Files für BCP Analysis

1. Richten Sie den kurzen liest aus Sequenzierung läuft (ChIP und Input-Bibliotheken) der entsprechenden Referenz-Genoms unter Verwendung der bevorzugten kurzen read Alignment-Software produziert. Die abgebildeten Orte sollten an die 6-Säule Browser erweiterbare Daten (BED) Format ¹³ (UCSC Genom-Browser, umgewandelt werden http://genome.ucsc.edu/ ), eine Tab-getrennte Zeile pro mapped lesen, die den abgebildeten Chromosom, Startposition (0-basiert), Endlage (half-open), lesen Sie Name, Punktzahl (optional) und Strang.

2a. Diffuse Lesen Profile: Vorverarbeitung ChIP Lesen Dichten für die Erkennung von Enriched Inseln im Diffuse Daten

1. Erweitern ChIP und Eingang zugeordneten Standorten zu einer vorbestimmten Fragment Länge, dh. das Fragment Größe während Enzymverdau oder Beschallung der DNA gezielt, in der Regel rund 200 bp. Fragment zählt, sind dann Aggregationted in benachbarten Fächern. Standardmäßig ist bin Größe der geschätzten Fragment Länge von 200 bp eingestellt.
2. Jede mögliche Änderung-Punkten in einem Satz von Behältern mit gleichen gelesen wird höchstwahrscheinlich Zählungen fallen an den äußersten Grenzen. Dementsprechend ist es unwahrscheinlich, dass eine Änderung Punkt wird bei einer internen Grenze zwischen zwei Behältern mit gleichem Lese Zählungen auftreten. So liest Gruppe benachbarten Behältern, mit identischen pro Bin, in einem einzigen Block, dh. bedGraph Format ^13.

2b. Punctata Lesen Profile: Vorverarbeitung ChIP und Input BED Dateien zur Erkennung von Peaks in punctata Daten

1. Aggregate überlappenden liest für Plus-und Minus-Strang ChIP separat liest. Der Strang spezifischen lesen Dichten sollten bilden eine bimodale Profil von plus und minus Gipfel. Wählen plus / minus Paare der meisten bereichert Gipfeln und verwenden Sie den Abstand zwischen ihren Gipfeln als Schätzung für die Bibliothek-Fragment-Längen.
2. Verschieben Sie den Chip und Eingabe liest die Hälfte des Fragments lenge zum Zentrum und Neuberechnung der Lesedichte der verschobenen und fusionierte Plus-und Minus-Strang liest. Diese Methodik zur Schätzung der Fragmentlänge wurde von Zhang, et al. ³ angenommen. Positionen mit identischen merge Counts sollten in Blöcken, ähnlich 2a.2 Schritt zusammengefasst werden.

3. Schätzen Sie die Posterior Mittelwert Lesen Dichte von jedem Block mit unseren BCMIX Approximation

1. Der gelesene Dichte jeder Block als eine Poisson-Verteilung modelliert, Pois (θ _t), mit einer mittleren Parameter nach einer Mischung von Gamma-Verteilungen, Γ (α, β), und eine frühere Wahrscheinlichkeit einer Änderung in jedem beliebigen Punkt Blockgrenze von p. Conditioning Pois (θ _t) auf G (α, β) effektiv macht das Modell eine unendliche Zustand HMM. Schätzen Sie die hyper-Parameter α, β und p, mit maximalen posterior Wahrscheinlichkeit.
2. Explizit berechnen die Bayes Schätzungen fürjeder Block, θ _t, wie E (θ _t | γ _Z). Ersetzen Sie das traditionelle, aber zeitaufwendig vorwärts und rückwärts Filter oft in HMMs verwendet, mit der rechnerisch effizient Bounded Complexity Mischung Annäherung an hinteren Mittel abzuschätzen, θ _c. Die daraus resultierenden hinteren Mittel wird "geglättet" in eine ungefähre stückweise konstanten Profil, so Blöcken mit identischen, θ _c, weitere sollten blockiert werden zusammen mit aktualisierte Begrenzung koordiniert sein.

4a. Diffuse Lesen Profile: Post-Prozess Posterior Mittel in Segmente Diffuse Enrichment

1. Verwenden Sie die Anzahl der Eingangs-Lesevorgänge pro jeder neuen θ _c Block als Hintergrund Rate, Pois (λ _a) und bestimmen die Anreicherung mit Hilfe eines einfachen Hypothesentest, ob die ChIP posterior Mittelwert, θ _c, überschreitet bestimmte Schwelle δ basiert. Die 90 ^{th <}/ Sup>-Quantil ist die Standardeinstellung d und ist in den meisten Fällen angemessen.
2. Merge angrenzenden θ _c Blöcke, die die Anreicherung überschreiten in einer einzigen Region und Bericht zusammenführen Koordinaten in einfachen BED Format. Alternativ kann man die berichten θ _c für jeden Block in bedGraph Format, um die hochauflösenden Daten der gelesenen Dichte Schätzungen bewahren.

4b. Punctata Lesen Profile: Post-Prozess Posterior Mittel in Peak-Kandidaten

1. Definieren Sie die Basalrate, Pois (λ _a), wie der Durchschnitt aller Lese zählt (γ ₂₎ und identifizieren Sie alle Blöcke, die die Schwelle, d überschreiten. Da punktförmige Gipfel erwartet werden mehr deutlich angereichert ist, wird die Standard-δ der 99 ^th-Quantil der Pois (λ _a) gesetzt.
2. Setzen Sie den Block mit der maximalen θ _c als Kandidat pike und grenzen an flankierenden Blöcke, die eine ähnliche read Den Aktiensity (± 1 gelesen zählen für leichte Variation zu ermöglichen). Diese angrenzendem Region wird als ein Kandidat Bindungsstelle definiert.
3. Berechnen λ ₂ als die durchschnittliche Lese zählt in der ChIP Kandidaten Bindungsstelle und Hypothesentest dies gegenüber der Eingangsleistung Hintergrund waren die Nullhypothese, H _0, ist, dass λ ₁ ≥ λ ₂ und lehnen H ₀ auf einem p-Wert Schwellenwert. Output Kandidaten Gipfel BED Format.

Representative Results

BCP zeichnet zu identifizieren Regionen breite Anreicherung in Histonmodifikation Daten. Als Bezugspunkt, wir vorher unsere Ergebnisse mit denen von SICER ^3, ein vorhandenes Werkzeug, das starke Leistung gezeigt hat verglichen. Um am besten veranschaulichen BCP die Vorteile, untersuchten wir eine Histon-Modifikation, die gut studiert hatte, um eine Grundlage für die Beurteilung der Erfolgsquoten zu etablieren. In diesem Sinne haben wir dann analysiert H3K36me3, da es sich gezeigt hat, stark assoziieren mit aktiv transkribierten Gens Körpern (Abbildung 1). Im Gegensatz dazu hatte H3K36me3 auch gezeigt, dass die gegenseitige exklusiv H3K27me3 repressive Mark. Wir weiteren Leveraged diese bekannten Beziehungen, um die Leistungsvorteile von BCP in der Genauigkeit der Insel Anrufe durch Bestimmen der Bruchteil Überlappung mit bekannten Verbänden und Verfremdungen in Wirkungszusammenhang und Anti-Korrelation zu illustrieren. Hier haben wir weiter zu untermauern die Vorteile von BCP mit weiteren Beispielenvon Hochleistungs.

Unsere vorhergehenden Arbeit zeigte eine Tendenz zur größeren Insel Größe in BCP, 23,9 bis 25,8 kb, als SICER, 2,7 bis 10,7 kb; größeren Inseln ist mehr im Einklang mit der herkömmlichen Erwartung breite diffuse Inseln H3K36me3 Bereicherung (PLoS Comp Bio, submitted). Natürlich haben größere Inseln nicht allein geben Genauigkeit. So haben wir festgestellt, wie viel überschneiden sich diese Regionen hatten mit bekannten Genen und kontrastiert diese mit dem Grad der Überschneidung mit intergenische Raum, ein Indiz für falsch positiv Rate (FPR). Gene Berichterstattung in BCP reichten von 0,492 bis 0,497, verglichen mit 0,276 bis 0,437 in SICER ohne gravierende Auswirkungen auf die FPR; intergenische Überlappung Bereich von 0,89 bis 0,90 und 0,85 bis 0,98 in BCP und SICER sind. Hier präsentieren wir einen weiteren Vertreter Bereichsdarstellungseinrichtung die enge Beziehung zwischen den Grenzen der Bereicherung und Gen-Gremien-klare Unterscheidung aktiver und repressed Transkription (Abbildung 1). Dies unterstützt unseren Anspruch, BCP die hohen Überlappung aktive Gene aufrechterhält durch H3K36me3 Inseln mit Grenzen eng Gen Körper ausgerichtet ohne Erhöhung des Grades der Überlappung mit falsch positiven intergenischen Raum, Gene mit unterdrückter Transkription oder der H3K27me3 repressive Markierung.

Während die Beurteilung der Reproduzierbarkeit der BCP-Insel ruft zwei replicate Datensätze, bemerkten wir, BCP nicht von einer starken Abhängigkeit von read Deckung Tiefe in der konkurrierenden Algorithmus SICER leiden. Wir bieten zusätzliche Beweise für BCP die Robustheit und Reproduzierbarkeit durch die Untersuchung zusätzlicher verschiedenen Regionen zeigen konsistente Insel hinweg trotz der verringerten Abdeckung Tiefe (simuliert durch Probenahme liest aus dem vollen Datensatz) (Abbildung 2).

Um vollständig zu demonstrieren die Vielseitigkeit des BCP, erhielten wir ein breites Spektrum von Histon-Modifikation Daten, einschließlich der punktförmige Markierungs H3K27ac, H3K9ac und H3K4me3 und das diffuse Markierung, H3K9me3 neben H3K27me3 und H3K36me3. Wir analysierten diese Datensätze mit den Standard-Parametereinstellungen für beide BCP und SICER (Abbildung 3). Diese Markierungen stellen eine breite Palette von Lesedichte Profile und ermöglichen es uns, auf eine Region, die viele der Funktionen häufig mit ihnen verbunden verdeutlicht konzentrieren. Im Zentrum liegt H3K36me3 Bereicherung auf PXDN Gen-Kennzeichnung aktive Transkription. Sinkende erwartungsgemäß an der Transkriptionsstartstelle sind die zusätzlichen punctata, aktive Marken, H3K27ac, H3K9ac und H3K4me3. Nur hinter PXDN wird intergenische Raum durch H3K27me3 Bereicherung markiert verdrängt. Auf der gegenüberliegenden Flanke liegt eine H3K27me3 unterdrückten Gens. Verschieben ein weiterer Schritt durchgeführt werden Chromatin zum Schweigen gebracht, als durch die Anwesenheit von H3K9me3 Bereicherung, die Silencing SNTG2 und MYT1L, vielleicht in einem weniger transiente Sinn, dann H3K27me3 Repression geben wird angezeigt. Diese Region umfasst den Großteil der Phänomene enkonterte in ChIPseq der Histon-Modifikationen und zeigt, wie die dynamische Natur der BCP können sowohl punktförmige Acetylierung und H3K4me3 Marken zu identifizieren, während zur gleichen Zeit die Unterscheidung große zusammenhängende Inseln H3K27me3 und H3K9me3 Repression und H3K36me3 aktive Transkription. Um es zu wiederholen, können BCP wie all diese Analysen einfach bei Standardeinstellungen zu tun und, wie gezeigt, noch produzieren qualitativ hochwertige Ergebnisse, unabhängig vom Datentyp. Der Algorithmus ist auch eine schnelle und effiziente Speicher und damit eine praktisch zwingend Nützlichkeit.

Abbildung 1. Diffuse Lesedichte Profile von Histon-Modifikationen. H3K27me3 (oben) und H3K36me3 (unten) verdeutlichen die breite, diffuse Anreicherung Inseln stark mit Gen-Körpern (grüne Kästen) zugeordnet. H3K27me3 korreliert mit unterdrückten Gene und intergenische Raum und anticorrelates mit aktiv transcribed Gens Körper. Das Gegenteil gilt für H3K36me3 wahr. Daten visualisiert in der UCSC Genom-Browser ( http://genome.ucsc.edu ).

Abbildung 2. BCP ist robust und reproduzierbar. Insel fordert H3K36me3 in zwei Wiederholungen und Probenahme Tiefen von 30, 50 und 70% des vollen replicate 1 Datensatz wurden mit BCP analysiert. Die zweite Parallelversuch mit einem wesentlich geringeren Lese Abdeckung, ergab ähnliche Insel Anrufe und der Grad der Überlappung wurde hoch gehalten, unabhängig von Abtasten Prozentsatz. Darüber hinaus blieben die Inseln Genauigkeit wie in der engen Ausrichtung der Grenzen mit RefSeq Gens Körper Annotationen gesehen.

Abbildung 3. BCP ist ein versaFliese Algorithmus, der für alle Datentypen Histonmodifikationen angewendet werden können. BCP und SICER wurden verwendet, um das gesamte Spektrum von Datentypen zu analysieren, von punktförmigen Markierungen wie H3K27ac, H3K9ac und H3K4me3, die Marken wie H3K36me3, H3K27me3 und H3K9me3 diffundieren. Mit den Standard-Parameter für beide Algorithmen erfassen BCP Inseln die angereichert Dichte unabhängig von ihrer Breite, während SICER oft fragmentiert Regionen in vielen Sub-Inseln. Auch in der sehr breit und diffus Bei H3K9me3 hat BCP angemessene Leistung.

Discussion

Wir wollten ein Modell zur Analyse ChIPseq Daten, die sowohl punktförmige und diffuse Datenstrukturen identifizieren konnte ebenso gut entwickeln. Bis jetzt haben Regionen der Bereicherung, vor allem diffuse Regionen, die die vorausgesetzte Erwartung große Insel groß nachzudenken, war schwer zu identifizieren. Um diese Probleme anzugehen, nutzten wir die jüngsten Fortschritte in der HMM-Technologie, die viele Vorteile gegenüber bestehenden heuristische Modelle und weniger innovative HMMs besitzen.

Unser Modell nutzt eine Bayessche Rahmens mit expliziten Formeln. Dies ist ein entscheidender Unterschied zu anderen HMMs, dass es uns posterior mittels Berechnung ermöglicht, die erwartete lesen Dichte von jedem Segment, mit einfachen Berechnungen, anstatt sich auf zeitraubende und kostspielige rechnerisch Simulationen wie Markov-Ketten-Monte-Carlo-Methoden. Folglich sind unsere Rechenzeiten und Speicherbedarf drastisch reduziert. Mit High Performance Compute Cluster with Dual-Core, 2,0 GHz-Knoten mit 2 GB für 64-Bit-Speicher zu analysieren ~ 23 Mio. H3K27me3 liest oder ~ 21 Mio. H3K36me3 liest, hat BCP weniger als einer Stunde für die gesamte Genomanalyse im Vergleich zu mehreren Stunden bis Tagen für andere Methoden erforderlich. Diese Zeitersparnis kann nur mit dem bescheidenen 2 GB Speicher erreicht werden.

Zusätzlich unser Modell Bedingungen die verschiedenen Mittel jedes Segments, dh. Pois (θ), auf einer kontinuierlichen Gamma-Verteilung. Im Wesentlichen ermöglicht dies unendlichen möglichen Zuständen für jedes Segment. BCP kann mehr als einfache binäre Klassifikationen von angereichertem gegenüber Hintergrund und bewahrt die gelesenen Dichte Magnituden für jedes Segment über die Ausgangsleitungen posterioren Mittel.

Wir machen auch Gebrauch des BCMIX Algorithmus für numerische Effizienz. Dies ermöglicht eine nahezu erschöpfende Suche nach ändern-Punkte zwischen Bereicherung und Hintergrund alle möglichen genomischen Positionen. Dies bietet eine erhöhte Auflösung nicht confined durch willkürliche Fenster-Definitionen, mit wenig Einfluss auf die Laufzeit oder Speicherbedarf.

Dies alles ohne störende Genauigkeit, sowohl in der Theorie erreicht, da das Modell ist statistisch rigorosen und ihre Ergebnisse in der Bayes-Schätzer konvergieren, sowie in der Praxis, wie wir hier gezeigt haben. Das Gen Abdeckung unserer H3K36me3 Ergebnisse legen nahe, die Insel Anrufe sind hochgenaue ohne Eingriff in bekannte gegenseitig ausgeschlossen intergenische Raum oder H3K27me3 Bereicherung. Die Ergebnisse sind bemerkenswert reproduzierbar und robust und zeigte wenig Abhängigkeit Abdeckung Tiefe, ruft ähnliche Inseln mit hohen Gen-Abdeckung und niedrige FPR trotz Beprobungstiefen so niedrig wie 30%. BCP wurde im Großen und Ganzen, ohne Anpassung der Default-Parameter verwendet, um eine breite Palette von Histon-Modifikation und Transkriptionsfaktor ChIPseq Daten zu analysieren und auch in allen Fällen durchgeführt. Wir hoffen, dass durch seine hohe Genauigkeit, Robustheit und Reproduzierbarkeit, BCP wird als effektives dienenTool zur Datenanalyse, Zusammenarbeit und Bestätigung in der Zukunft.

Materials

Name	Company	Catalog Number	Comments
Linux-based workstation