Роман байесовского Изменение точки Алгоритм всему геному анализ различных типов данных ChIPseq

Общая цель следующего эксперимента состоит в том, чтобы использовать плотность картированных позиций считывания из данных иммунопреципитации хроматина для оценки апостериорной средней плотности считывания по всему геному. Это достигается за счет предварительной обработки. Сопоставленный ChIP-seq считывается в профили блокированной плотности с тем же количеством прочтений, попадающих в пределах 200 неперекрывающихся ячеек пар оснований.

Любые соседние ячейки с одинаковой плотностью объединяются в более крупный блок в качестве второго шага: апостериальные средние плотности каждого блока вычисляются рекурсивно в контексте всех окружающих блоков с использованием байесовской модели с прямым и обратным фильтрами. Где счетчик прочтений для блока моделируется с помощью распределения Пуассона с параметром тета, который принимает априорное распределение гамма с альфа- и бета-параметрами. Следующие оценки апостериальной средней плотности каждого блока оцениваются на предмет значимости на основе того, превышает ли он 90-й квантиль по отношению к входной контрольной фоновой плотности, чтобы получить окончательные обогащенные сегменты генома. и, наконец, обогащенные островки на данных ChIP-seq во время анализа BCP.

Кроме того, результаты показывают, что BCP превосходит конкурирующий инструмент cer. Основное преимущество этого метода перед существующими методами, такими как CER, заключается в том, что BCP использовала самые последние достижения А в моделях скрытых маркеров, поэтому он лучше характеризует нюансы анализа данных чипса, чем предыдущие эвристические методы. Этот метод может помочь в решении ключевых вопросов в области эпигеномики, таких как роль гисто-модификаций путем характеристики их полногеномных паттернов обогащения.

Несмотря на то, что этот пациентский метод может дать представление об анализе данных ChIP-seq, базовая структура также может быть применена к анализу данных секвенирования следующего поколения, таким как идентификация дифференциально метилированных областей в данных суфийского секвенирования bis, новых локусов транскрипции в RNA-Seq, вариации числа копий или любого количества данных микрочипирования. Визуальная демонстрация этого метода имеет решающее значение для четкого понимания методологии и имеет свои преимущества. Теоретические преимущества скрыты в программном обеспечении.

Все показанные здесь процедурные шаги были упакованы в один исполняемый файл в программном пакете BCP, который доступен для загрузки в этом видео. Описываются шаги, выполняемые программой для запуска программного обеспечения. Три параметра обязательны для выполнения.

Файл, содержащий уникально сопоставленные чтения из образца микросхемы и аналогичный файл для входных контрольных считываний, а также имя выходного файла для подготовки входных файлов для анализа BCP. Во-первых, выровняйте короткие прочтения, полученные в результате секвенирования, с соответствующим референсным геномом с помощью предпочитаемого программного обеспечения для выравнивания коротких считываний. Сопоставленные местоположения должны быть преобразованы в расширяемые данные браузера с шестью столбцами или формат BED, разделенный табуляцией для каждого сопоставленного чтения, указывающий начальную позицию сопоставленной хромосомы, конечную позицию, имя чтения, оценку и цепь.

Расширьте местоположения микросхемы и карты ввода до заданной длины фрагмента. Например, размер фрагмента, на который нацелены во время ферментативного расщепления или ультразвуковой обработки ДНК, обычно около 200 пар оснований. Затем подсчет фрагментов агрегируется в соседних ячейках.

По умолчанию размер бина равен предполагаемой длине фрагмента в 200 пар оснований. Любые возможные точки изменения в наборе ячеек с идентичным пересчетом, скорее всего, попадут на крайние границы. Соответственно, маловероятно, что точка изменения произойдет на внутренней границе между двумя ячейками с одинаковым количеством прочтений.

Таким образом, сгруппируйте соседние ячейки с идентичными показаниями на ячейку в один блок. После подготовки входных файлов вызовите оценку BCP, просто введя команду, показанную в нижней части экрана. Плотность чтения каждого блока моделируется в виде распределения Пуассона со средним параметром theta, следующего за смесью гамма-распределений с альфа- и бета-параметрами и априорной вероятностью возникновения точки изменения в любом блоке.

Граница P, обуславливая таким образом каждый блок, эффективно визуализирует бесконечное состояние, скрытую марковскую модель или HMM. Гиперпараметры альфа, бета и P оцениваются с использованием максимального апостериорного правдоподобия. Оценки отсеков явно рассчитываются для каждого блока тета-под-Т в качестве математического ожидания тета-под-Т, при этом под-Т, более традиционные, но трудоемкие прямые и обратные фильтры, часто используемые в HMS, заменяются более эффективным с вычислительной точки зрения приближением смеси ограниченной сложности для оценки апостериорных средних тета-хаб под-Т. Полученные апостериорные средние будут сглажены в приближенный кусочно-постоянный профиль, поэтому блоки с идентичными тета хат sub T должны быть дополнительно заблокированы вместе с обновленными граничными координатами.

BCP использует количество входных операций чтения на блок в качестве фоновой скорости и определяет обогащение. Использование простой проверки гипотезы, основанной на том, превышает ли средняя плотность положения чипа для блока некоторый порог значимости. 90-й квантиль является пороговым значением по умолчанию и подходит в большинстве случаев.

Затем BCP объединяет смежные блоки апостериорной средней плотности, превышающие обогащение, в одну область и сообщает объединенные координаты в браузере. Расширяемый формат данных BCP превосходно подходит для идентификации областей широкого обогащения в данных модификации гистонов. Здесь. Результаты БКП сравниваются с результатами cser, существующего инструмента, который продемонстрировал высокую производительность, предшествующая работе в этой лаборатории, изучающей триметилирование H 3K 36, показала тенденцию к гораздо большему размеру островков в BCP, чем cer.

Более крупные островки в большей степени соответствуют традиционному ожиданию получения широких диффузных островов обогащения триметилированием H 3 K 36. Большие острова сами по себе указывают не на точность. Таким образом, известная ассоциация островов триметилирования H three K 36 с активно транскрибируемыми телами генов, а также их взаимно исключительная с островками триметилирования H three K 27 была использована для оценки эффективности BCP и CER по сравнению с BCP CER более крупными смежными островками, которые лучше захватывают тела генов без ущерба для повышенного перекрытия с H three K 27. Острова триметилирования.

BCP поддерживает высокое перекрытие активных генов островками триметилирования H three K 36 с границами, близко выровненными по телам генов, без увеличения степени ложноположительного перекрытия с генами межгенного пространства с подавленной транскрипцией или репрессивной меткой H three K 27 TRIMETHYLATION при оценке воспроизводимости вызовов острова BCP в двух реплицируемых наборах данных, Было замечено, что BCP не страдает от сильной зависимости от глубины покрытия тростника в конкурирующем алгоритме CER, дополнительные доказательства устойчивости и воспроизводимости BCPS получены путем изучения дополнительных отдельных областей, демонстрирующих согласованные границы островов, несмотря на меньшую глубину покрытия. Чтобы в полной мере продемонстрировать универсальность БКП, был получен широкий спектр данных о модификации гистонов, включая точечные метки H три K 27 ацетилирование, H три K девять ацетилирование и H три K четыре триметилирования, а также диффузную метку H три K девять триметилирования в дополнение к H три K 27 триметилирование и H три K 36 триметилирование. Эти наборы данных были проанализированы с использованием настроек параметров по умолчанию для BCP и cser.

В центре находится обогащение триметилированием H three K 36 в гене PX DN, маркирующем активную транскрипцию, ожидаемо падающую на место начала транскрипции, находятся дополнительные точечные активные метки H три K 27 ацетилирование, H три K девять ацетилирование и H три K четыре триметилирования. Чуть ниже по течению от PXDN находится подавленное межгенное пространство, отмеченное обогащением триметилированием H three K 27, на противоположном фланге находится ген H three K 27 TRIMETHYLATION подавленный. Делаем еще один шаг наружу.

Наш замалчиваемый хроматин, на что указывает присутствие обогащения триметилированием H 3 K nine, что, по-видимому, указывает на подавление триметилирования SN TG two и MYT 1 L, возможно, в менее переходном смысле, чем подавление триметилирования H three K 27. Эта область охватывает большинство явлений, встречающихся в ChIPseek модификаций гистонов. Это иллюстрирует, как динамическая природа BCP может идентифицировать как точечное ацетилирование, так и метки триметилирования H three K four, в то же время различая большие смежные островки триметилирования H three K 27 и H three K nine триметилирования, а также H three K 36 триметилирования активной транскрипции.

Этот алгоритм может быть выполнен примерно за 30 минут в зависимости от количества прочтений и результата признаков генома. Любая существенная оптимизация, как это часто требуется при других методах выполнения данной процедуры. Многие различные белки-мишени иммунопреципитации хроматина могут быть изучены с помощью BBCP, включая различные другие модификации гизона, а также факторы транскрипции, связывающие ДНК, чтобы ответить на дополнительные вопросы об эпигеномных механизмах и регуляции генов.

После просмотра этого видео у вас должно сложиться хорошее представление о том, как BCP используется для определения областей в зоне досягаемости диффузных отметок гизона при анализе данных чипса.