depth, bedgraph, bigwig之间的联系与区别

欢迎关注”生信修炼手册”!

在chip_seq的分析结果中，经常会通过igvtools或者UCSC等基因组浏览器对样本的测序深度分布进行可视化，方便直观的比较样本间的差异，示意如下

比对基因组之后会产生一个bam文件，我们可以根据bam文件可以计算得到测序深度，所谓测序深度，指的是基因组每个bp的碱基上覆盖到的reads数目,samtools计算测序深度的用法如下

代码语言：javascript复制

samtools depth input.bam > depth.txt

输出文件的内容如下

代码语言：javascript复制

chr1    11714   1
chr1    11715   1
chr1    11716   1
chr1    11717   1
chr1    11718   1
chr1    11719   1

第一列为染色体，第二列为染色体上的每个碱基的位置，第三类为覆盖该位点的reads数目。以人类基因组为例，基因组大小约为3G, 如果在文件中记录每个位置上的测序深度，那么该文件的体积是非常大的，为了更加有效的记录测序深度的信息，科学家提出了两种新的文件格式，bedgraph和wiggle。

首先来介绍下bedgraph格式，这种格式实际上就是用窗口的方式代替原始的每个碱基的测序深度，文件内容可以分为两个部分

track line
data line

track line是首行的一句声明，内容如下

代码语言：javascript复制

track type=bedGraph

用来声明文件格式，方便在UCSC基因组浏览器上进行展示，除了type属性外，还有很多其他的属性。具体参考以下链接

http://genome.ucsc.edu/goldenPath/help/bedgraph.html

data line记录每个窗口内的测序深度信息，通过bedtools可以产生bedgraph格式的输出，用法如下

代码语言：javascript复制

bedtools  genomecov -ibam input.bam -bg > depth.bedgraph

输出内容如下

代码语言：javascript复制

chr1    11873   12227   1
chr1    12612   12721   1
chr1    13220   14361   1
chr1    14361   14409   2
chr1    14409   14829   1
chr1    14969   15038   1

第二列和第三列列出了窗口的起始和终止位置，第四列是该窗口内的测序深度，从官网给的示意图也可以看出depth和begraph之间的区别

-d参数就是产生depth文件，-bg产生bedgraph文件，可以看到，软件将相同测序深度的连续碱基作为一个窗口。bedgraph在原始depth的基础上合并了相同测序深度的连续碱基，所以文件大小有所降低。

在bedgraph窗口计数的方式，人们又提出了wiggle格式以及对应的二进制bigwig格式，该格式的组成和bedgraph类似，也包含了track和data两部分，track内容示意如下

代码语言：javascript复制

track type=wiggle_0

data line允许有以下三种方式

1. bed format

bed格式和bedgraph的data line类似，示意如下

代码语言：javascript复制

chr19 59303500 59303800 1
chr19 59303800 59304100 2
chr19 59304100 59304400 3
chr19 59304400 59304700 4

2. fixedStep

示意如下

代码语言：javascript复制

fixedStep chrom=chr19 start=59307401 step=300 span=300
1000
900
800
700

span指定窗口的长度，step指定步长，每一行代表该窗口内对应的数值。

3. variableStep

示意如下

代码语言：javascript复制

variableStep chrom=chr19 span=150
59304701 10.0
59304901 12.5
59305401 15.0
59305601 17.5

span指定窗口的长度，第一列指定窗口的起始位置，第二列指定窗口内对应的数字。同样一个bam文件，不同格式的文件大小如下

bam 2.7G
depth 55G
begraph 550M
bigwig 15M

从文件大小而言，bigwig是最小的，软件读取最为方便，使用的也最为广泛。但是需要注意的是，在这种格式中，通常会用取平均值等方法来表示一个窗口内所有碱基的测序深度，所以和另外两种格式相比，它代表的信息是稍微有点失真的，但是窗口相比染色体而言非常的小，这种程度的失真并不会影响我们的直观判断，所以才会应用的这么广泛。

·end·

—如果喜欢，快分享给你的朋友们吧—

扫描关注微信号，更多精彩内容等着你！

生物基因

0 人点赞