评估 ChIP

admin管理员组

文章数量:1035922

评估 ChIP

目前关于 ChIP-Seq 实验中，虽然有的只有一个样本，但目前有很多数据都进行了生物学重复，为了评估重复之间的一致性，我们需要客观评估高通量测定可重复性的指标。

IDR（不可重复发现率），用于衡量重复实验中识别出的发现的可重复性，并根据可重复性提供高度稳定的阈值。与常见的可重复性标量指标（单一数值）不同，IDR方法通过生成一条曲线，定量评估发现的跨重复一致性何时开始下降（即结果不再稳定可重复）。

简单来说，DR的核心目标是：通过比较重复实验（如两次ChIP-seq、RNA-seq等）的结果，确定哪些“发现”（如基因、结合位点）是跨重复一致的可信信号，哪些是随机噪声。

IDR是一个开源软件 ()，经过测试可以直接使用 conda 工具下载, 但官网有推荐的下载方式。

第一步：准备数据

我这里直接使用 MACS2 callpeak 后的两次重复。

代码语言：javascript代码运行次数：0运行复制

Nanog-rep1_peaks.narrowPeak
Nanog-rep2_peaks.narrowPeak

第二步：排序

要运行 IDR，建议以不太严格的方式运行 MACS2。IDR算法需要对信号和噪声分布进行采样，以将峰值分成两组，因此使用更宽松的阈值可以让我们引入一些噪声。此外，narrowPeak 文件必须按-log10(p-value)列排序。

代码语言：javascript代码运行次数：0运行复制

sort -k8,8nr Nanog-rep1_peaks.narrowPeak > Nanog_Rep1_sorted_peaks.narrowPeak

sort -k8,8nr Nanog-rep2_peaks.narrowPeak > Nanog_Rep2_sorted_peaks.narrowPeak

第三步：运行命令

代码语言：javascript代码运行次数：0运行复制

idr --samples Nanog_Rep1_sorted_peaks.narrowPeak Nanog_Rep2_sorted_peaks.narrowPeak \
--input-file-type narrowPeak \
--rank p.value \
--output-file Nanog-idr \
--plot \
--log-output-file nanog.idr.log

结果解读

命令很顺利，但看的懂结果才是关键。命名结束后生成了两个数据。

代码语言：javascript代码运行次数：0运行复制

-rw-rw-r-- 1 zs347 zs347 686K Mar 17 20:13 Nanog-idr
-rw-rw-r-- 1 zs347 zs347 393K Mar 17 20:13 Nanog-idr.png

结果1

IDR 生成了一个类似我们输入的文件，不过多了几列数据

**第 5 列包含缩放的 IDR 值，min(int(log2(-125IDR), 1000)**例如，IDR 为 0 的峰值的得分为 1000，IDR 为 0.05 的峰值的得分为 int(-125log2(0.05)) = 540，IDR 为 1.0 的峰值的得分为 0。

IDR值越小，结果越可信。例如：

• score=1000：IDR=0（完全可重复）
• score=540：IDR=0.05（阈值内可信）
• score=0：IDR=1.0（完全不可重复）

第 11 列和第 12 列分别对应本地和全局 IDR 值。

• 全局 IDR是用于计算第 5 列中缩放 IDR 数的值，它类似于对 p 值进行多重假设校正以计算 FDR。
• 局部IDR类似于峰值属于不可重现噪声成分的后验概率。

第 13 列至第 16 列对应于重复 1 峰数据，第 17 列至第 20 列对应于重复 2 峰数据

详细如下：

字段名 (Field)	类型	中文解释	备注
chrom	string	染色体名称	表示共有峰所在的染色体（如chr1、chr2等）。
chromStart	int	起始位置	基于偏移量调整后的染色体起始坐标（从0开始计数）。
chromEnd	int	终止位置	染色体终止坐标（终止碱基不包含在区域内）。
name	string	区域名称	唯一标识符，若无命名则用.表示。
score	int	缩放后的IDR值	公式：int(-125 * log2(IDR))，IDR=0时为1000，IDR=0.05时为540，IDR=1.0时为0。
strand	[+-.]	链方向	+、-或.（未指定链）。
signalValue	float	信号富集值	合并峰后的富集强度，反映区域在实验中的活跃程度（如reads覆盖度）。signalValue反映信号强度，p-value和q-value衡量显著性。IDR筛选后保留的峰通常兼具高信号和低p值
p-value	float	合并峰p值	显著性检验p值，来源于输入文件。
q-value	float	合并峰q值	经多重检验校正后的显著性值。
summit	int	合并峰峰顶位置	峰信号最强的中心位置。
localIDR	float	局部IDR值的负对数（-log10）	值越大，局部不可重复性越低。
globalIDR	float	全局IDR值的负对数（-log10）	反映整体不可重复性水平。
rep1_chromStart	int	重复样本1的起始位置	重复样本1中对应峰的起始坐标（基于偏移量）。
rep1_chromEnd	int	重复样本1的终止位置	重复样本1中对应峰的终止坐标。
rep1_signalValue	float	重复样本1的信号值	根据--rank参数选择对应输入文件的列（如p.value对应第8列，signal.value对应第7列）。
rep1_summit	int	重复样本1的峰顶位置	重复样本1中峰信号最强的中心位置。
rep2_chromStart 等	int	重复样本2（及后续样本）的对应字段	字段含义与重复样本1相同，用于多重复分析。

1. 我们有两个重复样本，我们先看 IDR 考虑了多少重叠的 peaks。

代码语言：javascript代码运行次数：0运行复制

$ wc -l Nanog-idr.png
1722 Nanog-idr.png

1. 这两个重复样本，重叠区域有多少区域 IDR < 0.05 呢。

代码语言：javascript代码运行次数：0运行复制

$ awk '{if($5 >= 540) print $0}' Nanog-idr | wc -l
1314

我们就可以拿这些更可信的区域进行我们的其他分析

结果2

IDR 软件同时生成了四幅图，其实是对结果1的总结和可视化。

左上角

横纵坐标轴是标准化后的相对排名比例

• 0：表示排序最末的峰（Rank = N）。
• 1：表示排序最高的峰（Rank = 1）。
• 中间值：如0.5对应前50%的峰。

这个排名就是我们按照-log10(p-value)列进行的排序。其中未通过指定 idr 阈值（0.05）的峰值显示为红色。

理想情况下，真实信号在重复中排序一致（点沿对角线分布），在一个样本中信号排名高，在另个样本中同样是这样的，排名就会有一致性。

右上图

信号强度值（score），经过对数转换，值越大，代表该峰在Rep1中的统计显著性越高或信号越强。

同样，理想情况下，真实信号在重复中排序一致（点沿对角线分布）。

下图

重复样本箱线图分布

• 横轴按分箱（如每100个峰为一组）显示，每个分箱对应一个箱线图，展示该排名区间内IDR值的分布。
• 箱体范围：表示第25-75百分位数的IDR值区间。
• 中位线：反映该排名区间的IDR中位数，中位数越低（纵轴值越大），峰越可信。
• 离群点：超出箱体范围的离散点，提示异常峰（可能为技术误差或低置信信号）

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-03-17，如有侵权请联系 cloudcommunity@tencent 删除int排序软件数据算法

评估 ChIP

目前关于 ChIP-Seq 实验中，虽然有的只有一个样本，但目前有很多数据都进行了生物学重复，为了评估重复之间的一致性，我们需要客观评估高通量测定可重复性的指标。

IDR（不可重复发现率），用于衡量重复实验中识别出的发现的可重复性，并根据可重复性提供高度稳定的阈值。与常见的可重复性标量指标（单一数值）不同，IDR方法通过生成一条曲线，定量评估发现的跨重复一致性何时开始下降（即结果不再稳定可重复）。

简单来说，DR的核心目标是：通过比较重复实验（如两次ChIP-seq、RNA-seq等）的结果，确定哪些“发现”（如基因、结合位点）是跨重复一致的可信信号，哪些是随机噪声。

IDR是一个开源软件 ()，经过测试可以直接使用 conda 工具下载, 但官网有推荐的下载方式。

第一步：准备数据

我这里直接使用 MACS2 callpeak 后的两次重复。

代码语言：javascript代码运行次数：0运行复制

Nanog-rep1_peaks.narrowPeak
Nanog-rep2_peaks.narrowPeak

第二步：排序

要运行 IDR，建议以不太严格的方式运行 MACS2。IDR算法需要对信号和噪声分布进行采样，以将峰值分成两组，因此使用更宽松的阈值可以让我们引入一些噪声。此外，narrowPeak 文件必须按-log10(p-value)列排序。

代码语言：javascript代码运行次数：0运行复制

sort -k8,8nr Nanog-rep1_peaks.narrowPeak > Nanog_Rep1_sorted_peaks.narrowPeak

sort -k8,8nr Nanog-rep2_peaks.narrowPeak > Nanog_Rep2_sorted_peaks.narrowPeak

第三步：运行命令

代码语言：javascript代码运行次数：0运行复制

idr --samples Nanog_Rep1_sorted_peaks.narrowPeak Nanog_Rep2_sorted_peaks.narrowPeak \
--input-file-type narrowPeak \
--rank p.value \
--output-file Nanog-idr \
--plot \
--log-output-file nanog.idr.log

结果解读

命令很顺利，但看的懂结果才是关键。命名结束后生成了两个数据。

代码语言：javascript代码运行次数：0运行复制

-rw-rw-r-- 1 zs347 zs347 686K Mar 17 20:13 Nanog-idr
-rw-rw-r-- 1 zs347 zs347 393K Mar 17 20:13 Nanog-idr.png

结果1

IDR 生成了一个类似我们输入的文件，不过多了几列数据

**第 5 列包含缩放的 IDR 值，min(int(log2(-125IDR), 1000)**例如，IDR 为 0 的峰值的得分为 1000，IDR 为 0.05 的峰值的得分为 int(-125log2(0.05)) = 540，IDR 为 1.0 的峰值的得分为 0。

IDR值越小，结果越可信。例如：

• score=1000：IDR=0（完全可重复）
• score=540：IDR=0.05（阈值内可信）
• score=0：IDR=1.0（完全不可重复）

第 11 列和第 12 列分别对应本地和全局 IDR 值。

• 全局 IDR是用于计算第 5 列中缩放 IDR 数的值，它类似于对 p 值进行多重假设校正以计算 FDR。
• 局部IDR类似于峰值属于不可重现噪声成分的后验概率。

第 13 列至第 16 列对应于重复 1 峰数据，第 17 列至第 20 列对应于重复 2 峰数据

详细如下：

字段名 (Field)	类型	中文解释	备注
chrom	string	染色体名称	表示共有峰所在的染色体（如chr1、chr2等）。
chromStart	int	起始位置	基于偏移量调整后的染色体起始坐标（从0开始计数）。
chromEnd	int	终止位置	染色体终止坐标（终止碱基不包含在区域内）。
name	string	区域名称	唯一标识符，若无命名则用.表示。
score	int	缩放后的IDR值	公式：int(-125 * log2(IDR))，IDR=0时为1000，IDR=0.05时为540，IDR=1.0时为0。
strand	[+-.]	链方向	+、-或.（未指定链）。
signalValue	float	信号富集值	合并峰后的富集强度，反映区域在实验中的活跃程度（如reads覆盖度）。signalValue反映信号强度，p-value和q-value衡量显著性。IDR筛选后保留的峰通常兼具高信号和低p值
p-value	float	合并峰p值	显著性检验p值，来源于输入文件。
q-value	float	合并峰q值	经多重检验校正后的显著性值。
summit	int	合并峰峰顶位置	峰信号最强的中心位置。
localIDR	float	局部IDR值的负对数（-log10）	值越大，局部不可重复性越低。
globalIDR	float	全局IDR值的负对数（-log10）	反映整体不可重复性水平。
rep1_chromStart	int	重复样本1的起始位置	重复样本1中对应峰的起始坐标（基于偏移量）。
rep1_chromEnd	int	重复样本1的终止位置	重复样本1中对应峰的终止坐标。
rep1_signalValue	float	重复样本1的信号值	根据--rank参数选择对应输入文件的列（如p.value对应第8列，signal.value对应第7列）。
rep1_summit	int	重复样本1的峰顶位置	重复样本1中峰信号最强的中心位置。
rep2_chromStart 等	int	重复样本2（及后续样本）的对应字段	字段含义与重复样本1相同，用于多重复分析。

1. 我们有两个重复样本，我们先看 IDR 考虑了多少重叠的 peaks。

代码语言：javascript代码运行次数：0运行复制

$ wc -l Nanog-idr.png
1722 Nanog-idr.png

1. 这两个重复样本，重叠区域有多少区域 IDR < 0.05 呢。

代码语言：javascript代码运行次数：0运行复制

$ awk '{if($5 >= 540) print $0}' Nanog-idr | wc -l
1314

我们就可以拿这些更可信的区域进行我们的其他分析

结果2

IDR 软件同时生成了四幅图，其实是对结果1的总结和可视化。

左上角

横纵坐标轴是标准化后的相对排名比例

• 0：表示排序最末的峰（Rank = N）。
• 1：表示排序最高的峰（Rank = 1）。
• 中间值：如0.5对应前50%的峰。

这个排名就是我们按照-log10(p-value)列进行的排序。其中未通过指定 idr 阈值（0.05）的峰值显示为红色。

理想情况下，真实信号在重复中排序一致（点沿对角线分布），在一个样本中信号排名高，在另个样本中同样是这样的，排名就会有一致性。

右上图

信号强度值（score），经过对数转换，值越大，代表该峰在Rep1中的统计显著性越高或信号越强。

同样，理想情况下，真实信号在重复中排序一致（点沿对角线分布）。

下图

重复样本箱线图分布

• 横轴按分箱（如每100个峰为一组）显示，每个分箱对应一个箱线图，展示该排名区间内IDR值的分布。
• 箱体范围：表示第25-75百分位数的IDR值区间。
• 中位线：反映该排名区间的IDR中位数，中位数越低（纵轴值越大），峰越可信。
• 离群点：超出箱体范围的离散点，提示异常峰（可能为技术误差或低置信信号）

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-03-17，如有侵权请联系 cloudcommunity@tencent 删除int排序软件数据算法

本文标签： 评估 ChIP