Honestamente, solo usaría multiBigwigSummary y luego plotCorrelation de deepTools para esto, pero estoy un poco sesgado. Allí, la idea sería considerar cada gen como una unidad (en su lugar, podría usar bins, pero no creo que eso haría tan bien lo que desea), es decir, dándole a las herramientas una entrada de archivo BED o GTF. Luego calcularía la señal promedio en cada gen / transcripción y podría hacer su correlación de Spearman. Las características con 0 en todas las muestras se pueden eliminar opcionalmente ( plotCorrelation --skipZeros ).

Si bien es cierto que podría recorrer los 9 metros y usar comparaciones por base, eso parece una un poco exagerado y sospecho que realmente no proporcionará más información apreciablemente (especialmente cuando se considera la sobrecarga de tiempo adicional).

En lugar de trabajar en el nivel básico, probablemente podría trabajar, digamos, en el nivel de genes. Kendall's tau, una métrica de asociación ordinal, se puede utilizar como una medida de correlación adecuada.

Si $ X $ y $ Y $ son sus réplicas de iCLIP, $ i $ representa el gen index y $ (x_i, y_i) $ representan el número de sitios de enlace RBP en $ X $ y $ Y $ respectivamente para el gen $ i ^ {th} $, la tau de Kendall se define como:

$ $ \ frac {\ text {# (pares concordantes)} - \ text {# (pares discordantes)}} {n (n-1) / 2} $$

Donde cualesquiera dos pares $ (x_i , y_i) $ y $ (x_j, y_j) $ son concordantes si:

• $ x_i > x_j $ AND $ y_i > y_j $

O

• $ x_i < x_j $ AND $ y_i < y_j $

En consecuencia, son discordantes si:

• $ x_i < x_j $ AND $ y_i > y_j $

O

• $ x_i > x_j $ AND $ y_i < y_j $

Depende de si desea tratar las intensidades de los picos como binarios (comparando presencia / ausencia de picos en los conjuntos) o continuos (comparando las magnitudes relativas de los picos).

Binario

Para empezar, una simple comparación binaria puede ser apropiada. Puede utilizar un llamador de picos de su elección para identificar picos en cada muestra de acuerdo con los criterios que desee. Luego, puede usar una métrica de similitud como el índice Jaccard para cuantificar el nivel de acuerdo entre los picos en las dos muestras.

Un obstáculo potencial es definir los límites de su los picos no serán del todo sencillos. Por ejemplo, un pico en una muestra puede tener 2 picos superpuestos en la otra muestra, uno en cada extremo. Una solución aproximada para esto es dividir el genoma en contenedores (tal vez alrededor de 100-1000 pb, dependiendo de la resolución deseada). Puede tratar un pico como si estuviera presente en un contenedor si más de la mitad del pico se encuentra en el contenedor. De esa forma, los contenedores de una muestra se pueden comparar directamente con los contenedores correspondientes de la otra muestra. Obviamente, esta no es la única forma de hacer esto; también existen otros métodos apropiados.

Continuo

Si desea tratar las intensidades pico como continuas, puede aplicar un método de agrupamiento similar, tomando el " puntuación "de un contenedor es la intensidad máxima promedio en las posiciones dentro de ese contenedor. Luego, podría desechar todos los contenedores sin picos o solo con picos de baja intensidad en todo el genoma. Luego, podría calcular la correlación de Spearman para los contenedores restantes. Supongo que será más difícil encontrar una correlación fuerte para las intensidades continuas, debido a la cantidad de variabilidad experimental que está inherentemente presente.

Si, después de seguir estos pasos, la correlación de Spearman sigue siendo "artificialmente bajo "como sugirió, entonces probablemente esto sea un problema con los datos subyacentes, no con el análisis general; tal vez sus dos conjuntos de datos no concuerden tan bien.

Es una de mis historias favoritas.

Eche un vistazo al software StereoGene, para la correlación de pistas genómicas, se describe en una preimpresión.

También puede ejecute MACS u otro llamador máximo y calcule la correlación de dos conjuntos de intervalos utilizando el paquete GenomtriCorr.