chip_seq質(zhì)量評估中的PCA分析是怎樣的

chip_seq質(zhì)量評估中的PCA分析是怎樣的，相信很多沒有經(jīng)驗的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

PCA我們稱之為主成分分析，是一種經(jīng)典的數(shù)據(jù)降維算法，通過將高維數(shù)據(jù)用幾個主成分表示，從而將其映射到低維空間。在實際處理中，由于我們只能對二維和三維數(shù)據(jù)有直觀的感受，所以通常繪制二維和三維的散點圖。

PCA本質(zhì)上屬于排序分析的一種，降維之后的數(shù)據(jù)在二維或者三維平面通過散點圖進行展示，兩個樣本點間的距離越接近，說明這兩個樣本越一致, PCA圖在生物信息學(xué)中應(yīng)用的非常廣泛，該算法適用范圍廣泛，在基因組，轉(zhuǎn)錄組等多種數(shù)據(jù)分析中都有應(yīng)用，本文主要介紹在chip_seq數(shù)據(jù)分析中的PCA分析。

在轉(zhuǎn)錄組中，我們可以通過基因表達譜來對樣本進行PCA分析，在chip_seq數(shù)據(jù)分析中，為了得到類似基因表達譜的數(shù)據(jù)，研究人員提出了一種思想，將基因組劃分為等長的區(qū)間，稱之為bin,然后計算每個區(qū)間內(nèi)的coverage。得到樣本中所有bin的coverage之后，就可以利用該數(shù)據(jù)進行PCA分析。具體的操作步驟如下，通過deeptools來實現(xiàn)

1. 計算bin的coverage

輸入文件為比對基因組產(chǎn)生的bam文件，用法示意如下

multiBamSummary bins \
--bamfiles file1.bam file2.bam \
--binSize 10000 \
--numberOfProcessors 10 \
--outRawCounts results.txt \
-o results.npz \

2. PCA分析

通過plotPCA命令實現(xiàn)，用法示意如下

plotPCA \
-in results.npz \
-o PCA.png

輸出結(jié)果示意如下

軟件默認選擇第一和第二主成分來繪制二維的散點圖，在該圖中通過觀測樣本點之間的距離，可以對數(shù)據(jù)質(zhì)量做出一些基本判斷，理論上講，input和抗體處理的樣本之間應(yīng)該有較大距離，而生物學(xué)重復(fù)樣本之間應(yīng)該比較接近。

需要注意的是，前兩個主成分的貢獻率是一個比較重要的指標，假設(shè)兩個主成分的貢獻率之和為90%， 意味著二維散點圖只能表征原始樣本90%的信息，當貢獻率太低時，散點圖上表示的信息和原始樣本的信息相去甚遠，就不具有太大的參考意義了。

下半部分的Scree plot, 類似碎石圖，只不過采用了雙坐標軸的形式，藍色柱狀圖表征了前5個主成分的特征值，紅色曲線代表累計的特征值，每個點代表累計特征值的比例。當紅色曲線趨于平緩時，說明即使再添加后面其他的主成分，所展示的信息也不會有顯著變化了，即前幾個主成分已經(jīng)可以有效代表總體的信息了，在上圖中，前4個主成分能夠有效代表總體的信息。

雖然通過碎石圖我們可以篩選出主成分，但是由于我們最多只能直觀觀察三維空間，所以PCA分析中最多只能繪制3維散點圖，如果前3個主成分不能有效代表總體的信息，我們只能考慮使用其他降維算法了，這個問題也是所有降維算法的一個通病。

看完上述內(nèi)容，你們掌握chip_seq質(zhì)量評估中的PCA分析是怎樣的的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！