预测motif的计算原理（extend motif）

前言：

蛋白质中功能的基本单元是domain,是一种特殊的三维结构，不同结构的domain与其他分子特异性结合从而发挥功能。与此类似，转录因子在于DNA序列结合时，其结合位点的序列也由于一定的特异性，不同转录因子结合的DNA序列的模式是不同的。为了更好的描述结合位点序列的模式，科学家们提出了motif的概念。

image.png

通常我们对结合位点采用统计每个site碱基出现频数

PFM矩阵：

我们可以登录JASPAR网站下载相关的raw PFM矩阵

JASPAR提供了转录因子与DNA结合位点motif最全面的公开数据，共收集了脊椎动物、植物、昆虫、线虫、真菌和尾索动物六大类不同类生物的数据

我们随机挑选某一物种的某一转录因子来说明，下载好如同这样：

image.png

4行分别表示ACGT四种碱基在一定长度的结合序列上的频数分布：

image.png

motif表示特定碱基序列的模式，也就是说一个TF可以结合到多个DNA序列上，每一个site的碱基频数是统计的某一个TF能结合到的所有motif的情况，统计该位点所有motif的碱基频数，
正如PFM矩阵每一列的加和为10，代表这一个TF可能结合到10个motif上，假设这10个motif的长度为9bp，那么统计这10个motif中每一个site的碱基频率即可 ，比方说第一个site，即A出现3次，C出现2次，G出现1次，T出现4次

PWM矩阵：

在PFM矩阵的基础上：

PFM矩阵

计算出碱基频率分布，PFM矩阵每一列的加和为10，代表这一个TF可能结合到10个motif上，假设这10个motif的长度为9bp，那么统计这10个motif中每一个site的碱基频率即可，比方说第一列的site，即A出现3次，C出现2次，G出现1次，T出现4次。每一列各个碱基出现的次数除以10即为其频率：

PPM矩阵

（PPM矩阵第一行第一列元素为，PFM矩阵第一行第一列元素3/10 = 0.3）
利用PPM矩阵我们可以计算一条结合序列出现某种搭配的概率，比方说出现GAGGTAAAC的概率为
P = 0.1x0.6x0.7x1.0x1.0x0.6x0.7x0.2x0.2 = 0.0007056
在PPM矩阵的基础上做校正就可以得到我们的PWM矩阵了。公式为：

image.png

即将PPM矩阵的每个元素除以背景0.25（假设基因组上的ATCG含量相同，均为0.25），然后再取log2
例如，PPM矩阵第一行第一列的0.3，log2(0.3/0.25) = 0.26
这样我们就得到了PWM矩阵：

image.png

我们根据PWM矩阵，可以对序列进行打分，来判断是否为一个潜在的motif，例如
GAGGTAAAC在PWM的相应得分为：
-1.32 + 1.26 + 1.49 + 2.0 + 2.0+ 1.26 + 1.49 - 0.32 - 1.32 = 6.54

分数大于0说明可能是一个潜在的功能位点，小于0则说明是随机序列；
你可以根据已有的转录因子结合序列信息（即你感兴趣的转录因子）去预测你待研究的序列是否是这个转录因子的功能位点（根据打分来判断）

利用seqLogo可视化

seqLogo是一个R包，我们读入刚才下载的表格（按ACGT的顺序添加表的行名）

data <- read.table("MA0007.2.pfm")
#转换为PPM矩阵
ppm <- sapply(1:ncol(data), function(t){ data[[t]] / sum(data[[t]]) })
#转换为PWM矩阵
p <- makePWM(ppm)
#绘图
seqLogo(p)

结果：

image.png

图上的字母越大，说明在该位点出现的频率越高

Chip-seq的motif分析

在Chip-seq call peak中（peak是蛋白结合位点前后，被测的reads在比对时累计出的峰），我们会得到一个summit.bed，这个其实就是peak的峰的碱基（峰的最高点），那么只有一个，我们做motif分析，只有一个碱基肯定是做不了的
通常我们用bedtools slop来对这个summit.bed文件进行extend，即对这一个峰的碱基前后进行extend，从而得到一小段序列（extend 100bp），那么就可以做motif分析了

参考：http://www.bioconductor.org/packages/release/bioc/html/seqLogo.html

https://mp.weixin.qq.com/s/wUmfV2EkSUVbBPyZ9ftI7A