A Novel Bayesiaanse Change-point algoritme voor Genoom-brede analyse van diverse ChIPseq Data Types

Summary

Onze Bayesiaanse Change Point (BCP) algoritme is gebaseerd op state-of-the-art ontwikkelingen in het modelleren change-punten via Hidden Markov Models en past deze toe op chromatine immunoprecipitatie sequencing (ChIPseq) data-analyse. BCP presteert goed in zowel brede en punctata data types, maar blinkt uit in nauwkeurig identificeren van robuuste, reproduceerbare eilanden van diffuse histon verrijking.

Abstract

ChIPseq is een veel gebruikte techniek voor het onderzoeken van eiwit-DNA interacties. Lees dichtheidsprofielen zijn gegenereerd met next-sequencing van eiwitgebonden DNA en uitlijnen korte leest een referentie genoom. Verrijkte gebieden worden geopenbaard als pieken die vaak sterk in vorm, afhankelijk van het doeleiwit ^1. Bijvoorbeeld transcriptiefactoren binden vaak in een plaats-en sequentie-specifieke wijze en meestal punctata pieken produceren, terwijl histon-modificaties zijn alomtegenwoordig en worden gekenmerkt door brede diffuse eilanden verrijking ^2. Betrouwbaar bepalen van deze regio was de focus van ons werk.

Algoritmen voor het analyseren van ChIPseq gegevens met behulp van uiteenlopende methodieken, van heuristiek ^3-5 om strengere statistische modellen, zoals Hidden Markov Models (HMM's) ^6-8. We zochten een oplossing die de noodzaak voor moeilijk te definiëren, ad hoc parameters die vaak geminimaliseerdcompromisresolutie en het verminderen van de intuïtieve bruikbaarheid van het gereedschap. Met betrekking tot HMM-gebaseerde methoden, hebben we geprobeerd om parameterschatting procedures en eenvoudige, finite state classificaties die vaak worden gebruikt beknotten.

Bovendien, conventionele ChIPseq data-analyse omvat categorisering van de verwachte gelezen dichtheid profielen als ofwel punctata of diffuse gevolgd door verdere toepassing van de juiste tool. Verder hebben we gericht op de noodzaak van deze twee verschillende modellen te vervangen door een enkele, veelzijdiger model, dat bekwaam kan de volledige spectrum van data types.

Om deze doelstellingen te bereiken, moeten we eerst construeerde een statistisch kader dat van nature gemodelleerde ChIPseq data structuren met behulp van een cutting edge vooruitgang in HMM's ^9, die alleen expliciete maakt gebruik van formules-een innovatie van cruciaal belang om de prestaties voordelen. Meer geavanceerde dan heuristische modellen, onze HMM biedt oneindige verborgen staten door middel van eenBayesiaanse model. We pasten het aan het identificeren van een redelijke verandering punten in te lezen dichtheid, die verder definiëren segmenten van verrijking. Onze analyse toonde aan hoe onze Bayesiaanse Change Point (BCP) algoritme een verminderde computationele complexiteit-blijkt uit een verkorte looptijd en het geheugen footprint had. De BCP-algoritme werd met succes toegepast op zowel punctata piek en diffuse eiland identificatie met robuuste nauwkeurigheid en beperkte gebruiker gedefinieerde parameters. Deze geïllustreerde zowel de veelzijdigheid en het gebruiksgemak. Daarom geloven we dat het gemakkelijk kan worden geïmplementeerd in een breed bereik van data types en eindgebruikers op een manier die gemakkelijk wordt vergeleken en gecontrasteerd, waardoor het een geweldig hulpmiddel voor ChIPseq data-analyse die kunnen helpen bij samenwerking en bevestiging tussen onderzoeksgroepen. Hier laten we zien op de toepassing van BCP bestaande transcriptiefactor ^10,11 en epigenetische gegevens ¹² het nut ervan illustreren.

Protocol

1. Voorbereiden invoerbestanden voor BCP Analyse

1. Lijn de korte leest uit sequencing runs (chip en ingang bibliotheken) naar de juiste referentie-genoom met behulp van de gewenste korte lezen uitlijning software. De in kaart gebrachte locaties dienen te worden omgezet in de 6 kolom browser uitbreidbaar gegevens (BED) formaat ¹³ (UCSC genoom browser, http://genome.ucsc.edu/ ), een door tabs gescheiden regel per toegewezen lezen aanduiding van de in kaart gebrachte chromosoom, start positie (0-based), eindstand (half-open), lees de naam, score (optioneel) en streng.

2a. Diffuse Lees Profielen: Preprocessing ChIP Lees dichtheden voor de detectie van verrijkte Eilanden in Diffuus gegevens

1. Verleng de chip en ingang toegewezen locaties om een vooraf bepaalde fragment lengte, dat wil zeggen. de fragmentgrootte gericht tijdens enzymdigestie of sonicatie van DNA, gewoonlijk ongeveer 200 bp. Fragment tellingen zijn dan aggregatieniveauted in aangrenzende bakken. Standaard is bin grootte ingesteld op de geschatte fragment lengte van 200 bp.
2. Iedere wijziging-punten in een reeks bins met identieke lezen tellingen waarschijnlijk zullen dalen op de buitenste grenzen. Daarom is het onwaarschijnlijk dat een wisselpunt optreedt bij een inwendige grens tussen twee bakken met dezelfde lees telt. Dus, groep aangrenzende bakken, met identieke leest per bak, in een enkel blok, dat wil zeggen. bedGraph format ^13.

2b. Punctata Lees Profielen: Preprocessing ChIP en Input BED bestanden voor de detectie van Pieken in punctata gegevens

1. De totale overlappende leest voor plus en min-streng ChIP leest afzonderlijk. De streng specifieke gelezen dichtheden moeten vormen een bimodale profiel van plus en min pieken. Kies plus / min paar van de meest verrijkte pieken en gebruik maken van de afstand tussen hun toppen als een schatting voor de bibliotheek fragment lengte.
2. Schuif de ChIP en input leest de helft van de fragment length naar het centrum en herberekent de las dichtheid van de verschoven en samengevoegd plus en min-streng leest. Deze methode voor het schatten van de lengte fragment werd overgenomen van Zhang, et al.. ^3. Posities met identieke merge tellingen moeten worden gegroepeerd in blokken, vergelijkbaar met 2A.2 stap.

3. Schat de Posterior Mean Lees Dichtheid van elk blok met behulp van onze BCMIX aanpassing

1. De lees dichtheid van elk blok wordt gemodelleerd als een Poisson-verdeling, Pois (θ _t), met een gemiddelde parameter na een mengsel van Gamma distributies Γ (α, β), en een voorafgaande waarschijnlijkheid van een verandering punt dat op elk blokgrens p. Conditioning Pois (θ _t) G (α, β) maakt effectief het model een oneindige staat HMM. Schat de hyper-parameters, α, β, en p, met behulp van maximaal posterior kans.
2. Expliciet berekenen van de Bayes schattingen voorelk blok, θ _t, als E (θ _t | γ _Z). Naar voren Vervang de meer traditionele, maar tijdrovend en achteruit filters vaak gebruikt in HMM's, met de meer computationeel efficiënt Begrensd Complexiteit Mengsel aanpassing van posterior middelen schatten, θ _c. De resulterende posterior middelen zal "glad" in een bij benadering stuksgewijze constante profiel, zodat blokken met identieke, θ _c, moet verder worden geblokkeerd samen met de bijgewerkte grens coördineert zijn.

4a. Diffuse Lees Profielen: Post-proces Posterior Middelen in segmenten van Diffuse Verrijking

1. Gebruik de cijfertoetsen van de input leest per elk nieuw θ _c blok als de achtergrond tarief, Pois (λ _a) en bepalen verrijking met behulp van een eenvoudige hypothese test op basis van de vraag of de chip achterste gemiddelde, θ _c, hoger is dan een bepaalde drempel δ. De 90 ^{ste <}/ Sup>-kwantiel is de standaard d en is in de meeste gevallen.
2. Samenvoegen aangrenzende θ _c blokken die de verrijking dan in een enkele regio en rapport samen te voegen coördinaten in eenvoudige BED-formaat. Als alternatief kan men rapporteren θ _c voor elk blok in bedGraph formaat naar de hoge resolutie data van de lees dichtheid schattingen behouden.

4b. Punctata Lees Profielen: Post-proces Posterior Middelen in Peak Kandidaten

1. De background rate, Pois (λ _a), als het gemiddelde van alle gelezen tellingen (γ ₂₎ en identificeren alle blokken die de drempel overschrijdt d. Omdat punctata pieken zullen naar verwachting meer substantieel verrijkt, wordt de standaard δ ingesteld op de 99 ^e-kwantiel van Pois (λ _a).
2. Stel het blok met de maximale θ _c als de kandidaat-piek top en grenzen aan flankerende blokken die een soortgelijke lezen den delensiteit (± 1 LEES AANTAL mogelijk te maken lichte variatie). Deze aangrenzende gebied wordt gedefinieerd als een kandidaat bindingsplaats.
3. Bereken λ ₂ als de gemiddelde gelezen tellingen in de chip kandidaat bindingsplaats en hypothesetest dit tegenover ingang achtergrond waren de nulhypothese, H _0, is dat λ ₁ ≥ λ ₂ en verwerpen H ₀ op basis van een p-waarde drempel. Output kandidaat pieken in BED-formaat.

Results

BCP blinkt uit in het identificeren van gebieden van brede verrijking in histonmodificatie gegevens. Als referentiepunt, wij eerder vergeleken onze resultaten met die van SICER ^3, een bestaande tool die heeft aangetoond een sterke prestatie. Om zo goed mogelijk te illustreren BCP's voordelen, onderzochten we een histon-eiwitten die goed had bestudeerd om een ​​stichting voor de beoordeling van het succes tarieven vast te stellen. Daarom hebben we vervolgens geanalyseerd H3K36me3, aangezien het blijkt ster...

Discussion

Wij hebben de ambitie om een ​​model voor het analyseren van ChIPseq gegevens die zouden kunnen identificeren zowel punctata en diffuse datastructuren even goed te ontwikkelen. Tot nu toe regio verrijking name diffuse regio's, die de veronderstelde verwachting groot eiland grootte weerspiegelen moeilijk te identificeren. Om deze problemen aan te pakken, hebben we gebruik gemaakt van de meest recente ontwikkelingen in de HMM-technologie, die veel voordelen ten opzichte van bestaande heuristische modellen en minder in...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Naam van het reagens	Vennootschap	Catalogusnummer	Opmerkingen (optioneel)
Linux-werkstation