chipseq数据分析 - 经验交流

2022-05-19Peak标注学习总结学习ChIPseeker从头到尾的使用数据对比分析总结(个人分析记录粘贴)使用R包ChIPseeker标注ChIPseqpeaks(标注ChIPseq(多床文件批处理)的峰值位置)，这是南方医科大学y编写的众多著名R包之一，最初是为chipseq的macspeakcalling结果分析和可视化而设计的，后来逐渐应用于相关的峰值分析。

1、2022-05-19Peak注释学习总结学习ChIPseeker从头到尾的使用数据对比分析总结(个人分析记录贴) 。用R包ChIPseeker注释Chipseeq(注释Chipseeq的峰值位置(多床文件批处理)) 。是南方医科大学Y编写的众多著名R包之一，最初是为chipseq的macspeakcalling结果分析而设计的。

2、CHIP-qPCR/CHIP-Seq,哪个更好做随着学科的发展，很多研究都涉及到高通量数据分析(高通量数据分析) 。比较常见的是测序结果的分析，比如RNAseq，CHIP等等。众所周知，数据分析是高通量测序应用于生物学研究最关键的一步。如果分析不好，获得的海量数据无异于一堆垃圾。

3、02高通量测序-ChIP-Seq简介注:本StatQuest基于对RNAseq的介绍，请先观看，除非你已经完全了解RNAseq 。为了简化，我们用这条蓝线来代表染色质(但要记住它是由DNA和组蛋白组成的) 。用这些棕色的大箭头代表基因。让这个绿圈代表一个允许转录的组蛋白。让这个红色的终止标记代表一个抑制转录的组蛋白。在细胞中，各种蛋白质都可以与DNA结合。这个芥末色可能会促进这个基因的转录，这个粉色可能会抑制这个基因。

例如，我们想识别基因组中所有被绿色物质束缚的区域。这是我们从ChIPseqreads创建的“轨道” 。许多读取被映射到下图的中间区域，但是相对较少的读取被映射到其他区域。下面的“轨迹”来自一个对照实验。控制轨迹由原始ChIPseq实验的输入染色质组成。而且不需要用抗体来富集任何特定的蛋白质，测序前所有的蛋白质都被洗掉了。

2017年发表在NatureMethods杂志上的4、SCENIC:单细胞RNA-seq数据推断基因调控网络和细胞功能聚类【chipseq数据分析】SCENIC算法，利用单细胞RNAseq数据，同步进行基因调控网络重构和细胞状态识别，并将其应用于肿瘤和小鼠大脑的单细胞图谱数据，提出并证明了顺式调控网络分析可用于指导转录因子和细胞状态的识别。SCENIC通过使用生物学驱动的功能，自动消除肿瘤样本特异性等批次效应。