1. На главную
  2. Электронные версии
  3. Генетика
  4. T. 59, № 8, 2023

Генетика, 2023, T. 59, № 8, стр. 859-869

Методы нормализации данных ChIP-seq и их применение в исследованиях регуляторных участков генома клеток мозга

Ф. Е. Гусев 1, 2, *, Т. В. Андреева 1, 2, **, Е. И. Рогаев 1, 2, ***

1 Институт общей генетики им. Н.И. Вавилова Российской академии наук
119991 Москва, Россия

2 Научный центр генетики и науки о жизни, Университет “Сириус”
354340 пгт. Сириус, Краснодарский край, Россия

* E-mail: gusev@vigg.ru
** E-mail: an_tati@vigg.ru
*** E-mail: evivrog@gmail.com

Поступила в редакцию 14.12.2022
После доработки 13.03.2023
Принята к публикации 22.03.2023

Аннотация

За последние годы метод иммунопреципитации хроматина с последующим глубоким секвенированием (ChIP-seq) стал одним из основных инструментов для исследования регуляции экспрессии генов. Как и другие способы молекулярного профилирования, ChIP-seq имеет ряд методических особенностей, которые могут оказывать нежелательный эффект на получаемые результаты, особенно в случаях, когда используются образцы клеток и тканей, качество которых сложно контролировать, например замороженные постмортальные образцы тканей мозга человека. Однако методы биоинформатического анализа совершенствуются с каждым годом и позволяют уменьшить эти эффекты на этапе анализа полученных данных секвенирования и позволяют сделать поправки (нормализовать данные) на неравномерность как технических особенностей ChIP-seq, так и в более общем смысле различных факторов исследований, например постмортальный интервал или гетерогенность клеточного состава исследуемых образцов. В этом обзоре мы рассмотрели широкий спектр предложенных методов нормализации данных ChIP-seq, особенности их применения и выбора в конкретном исследовании, в том числе в экспериментах с образцами клеток мозга человека. Представлены преимущества и недостатки существующих подходов к нормализации, а также примеры, свидетельствующие о перспективности использования методов ChIP-seq при исследовании мозга.

Ключевые слова: геномика, эпигеномика, хроматин, нормализация, иммунопреципитация, мозг.

Список литературы

  1. Fyodorov D.V., Zhou B.-R., Skoultchi A.I., Bai Y. Emerging roles of linker histones in regulating chromatin structure and function // Nat. Rev. Mol. Cell. Biol. 2018. V. 19. № 3. P. 192–206. https://doi.org/10.1038/nrm.2017.94

  2. Park P.J. ChIP-seq: advantages and challenges of a maturing technology // Nat. Rev. Genet. 2009. V. 10. № 10. P. 669–680. https://doi.org/10.1038/nrg2641

  3. Furey T.S. ChIP-seq and beyond: New and improved methodologies to detect and characterize protein-DNA interactions // Nat. Rev. Genet. 2012. V. 13. № 12. P. 840–852. https://doi.org/10.1038/nrg3306

  4. Altman N. Batches and blocks, sample pools and subsamples in the design and analysis of gene expression studies // Batch Effects and Noise in Microarray Experiments. UK, Chichester: John Wiley & Sons, Ltd, 2009. P. 33–50. https://doi.org/10.1002/9780470685983.ch4

  5. Goh W.W.B., Wang W., Wong L. Why batch effects matter in omics data, and how to avoid them // Trends Biotechnol. 2017. V. 35. № 6. P. 498–507. https://doi.org/10.1016/j.tibtech.2017.02.012

  6. Jung Y.L., Luquette L.J., Ho J.W.K. et al. Impact of sequencing depth in ChIP-seq experiments // Nucl. Acids Res. 2014. V. 42. № 9. https://doi.org/10.1093/nar/gku178

  7. Sundaram A.Y.M., Hughes T., Biondi S. et al. A comparative study of ChIP-seq sequencing library preparation methods // BMC Genomics. 2016. V. 17. № 1. P. 816. https://doi.org/10.1186/s12864-016-3135-y

  8. Teng M., Du D., Chen D., Irizarry R.A. Characterizing batch effects and binding site-specific variability in ChIP-seq data // NAR Genomics and Bioinformatics. 2021. V. 3. № 4. https://doi.org/10.1093/nargab/lqab098

  9. Orlando D.A., Chen M.W., Brown V.E. et al. Quantitative ChIP-seq normalization reveals global modulation of the epigenome // Cell Reports. 2014. V. 9. № 3. P. 1163–1170. https://doi.org/10.1016/j.celrep.2014.10.018

  10. Gu B., Lee M.G. Histone H3 lysine 4 methyltransferases and demethylases in self-renewal anddifferentiation of stem cells // Cell & Bioscience. 2013. V. 3. № 1. https://doi.org/10.1186/2045-3701-3-39

  11. Nakato R., Sakata T. Methods for ChIP-seq analysis: A practical workflow and advanced applications // Methods. 2021. V. 187. P. 44–53. https://doi.org/10.1016/j.ymeth.2020.03.005

  12. Price E.M., Robinson W.P. Adjusting for batch effects in DNA methylation microarray data, a lesson learned // Front. Genet. 2018. V. 9. https://doi.org/10.3389/fgene.2018.00083

  13. Lun A.T.L., Smyth G.K. csaw: A Bioconductor package for differential binding analysis of ChIP-seq data using sliding windows // Nucl. Acids Res. 2016. V. 44. № 5. https://doi.org/10.1093/nar/gkv1191

  14. Diaz A., Park K., Lim D.A., Song J.S. Normalization, bias correction, and peak calling for ChIP-seq // Stat. Appl. Genet. Mol. Biol. 2012. V. 11. № 3. https://doi.org/10.1515/1544-6115.1750

  15. Stark R., Brown G. DiffBind: Differential Binding Analysis of ChIP-seq Peak Data. Bioconductor version: Release (3.16), 2022. https://doi.org/10.18129/B9.bioc.DiffBind

  16. Robinson M.D., McCarthy D.J., Smyth G.K. edgeR: A Bioconductor package for differential expression analysis of digital gene expression data // Bioinformatics. 2010. V. 26. № 1. P. 139–140. https://doi.org/10.1093/bioinformatics/btp616

  17. Ji H., Jiang H., Ma W., Wong W.H. Using CisGenome to analyze ChIP-chip and ChIP-seq data // Curr. Protoc. Bioinformatics. 2011. https://doi.org/10.1002/0471250953.bi0213s33

  18. Kharchenko P.V., Tolstorukov M.Y., Park P.J. Design and analysis of ChIP-seq experiments for DNA-binding proteins // Nat. Biotechnol. 2008. V. 26. № 12. P. 1351–1359. https://doi.org/10.1038/nbt.1508

  19. Xu H., Handoko L., Wei X. et al. A signal-noise model for significance analysis of ChIP-seq with negative control // Bioinformatics. 2010. V. 26. № 9. P. 1199–1204. https://doi.org/10.1093/bioinformatics/btq128

  20. Liang K., Keleş S. Normalization of ChIP-seq data with control // BMC Bioinformatics. 2012. V. 13. № 1. https://doi.org/10.1186/1471-2105-13-199

  21. Shao Z., Zhang Y., Yuan G.-C. et al. MAnorm: A robust model for quantitative comparison of ChIP-Seq data sets // Genome Biol. 2012. V. 13. № 3. https://doi.org/10.1186/gb-2012-13-3-r16

  22. Tu S., Li M., Chen H. et al. MAnorm2 for quantitatively comparing groups of ChIP-seq samples // Genome Res. 2021. V. 31. № 1. P. 131–145. https://doi.org/10.1101/gr.262675.120

  23. Nair N.U., Sahu A.D., Bucher P., Moret B.M.E. ChIPnorm: A statistical method for normalizing and identifying differential regions in histone modification ChIP-seq libraries // PLoS One. 2012. V. 7. № 8. https://doi.org/10.1371/journal.pone.0039573

  24. Polit L., Kerdivel G., Gregoricchio S. et al. CHIPIN: ChIP-seq inter-sample normalization based on signal invariance across transcriptionally constant genes // BMC Bioinformatics. 2021. V. 22. № 1. P. 407. https://doi.org/10.1186/s12859-021-04320-3

  25. Allhoff M., Seré K., F Pires J. et al. Differential peak calling of ChIP-seq signals with replicates with THOR // Nucl. Acids Res. 2016. V. 44. № 20. https://doi.org/10.1093/nar/gkw680

  26. Lovén J., Orlando D.A., Sigova A.A. et al. Revisiting global gene expression analysis // Cell. 2012. V. 151. № 3. P. 476–482. https://doi.org/10.1016/j.cell.2012.10.012

  27. Kanno J., Aisaki K., Igarashi K. et al. “Per cell” normalization method for mRNA measurement by quantitative PCR and microarrays // BMC Genomics. 2006. V. 7. № 1. https://doi.org/10.1186/1471-2164-7-64

  28. Egan B., Yuan C.-C., Craske M.L. et al. An alternative approach to ChIP-Seq normalization enables detection of genome-wide changes in histone H3 lysine 27 trimethylation upon EZH2 inhibition // PLoS One. 2016. V. 11. № 11. https://doi.org/10.1371/journal.pone.0166438

  29. Jin H., Kasper L.H., Larson J.D. et al. ChIPseqSpikeInFree: a ChIP-seq normalization approach to reveal global changes in histone modifications without spike-in // Bioinformatics. 2020. V. 36. № 4. P. 1270–1272. https://doi.org/10.1093/bioinformatics/btz720

  30. Pathania M., De Jay N., Maestro N. et al. H3.3K27M cooperates with Trp53 loss and PDGFRA gain in mouse embryonic neural progenitor cells to induce invasive high-grade gliomas // Cancer Cell. 2017. V. 32. № 5. P. 684–700. e9. https://doi.org/10.1016/j.ccell.2017.09.014

  31. Xiang G., Keller C.A., Giardine B. et al. S3norm: Simultaneous normalization of sequencing depth and signal-to-noise ratio in epigenomic data // Nucl. Acids Res. 2020. V. 48. № 8. P. e43. https://doi.org/10.1093/nar/gkaa105

  32. Angelini C., Heller R., Volkinshtein R., Yekutieli D. Is this the right normalization? A diagnostic tool for ChIP-seq normalization // BMC Bioinformatics. 2015. V. 16. № 1. P. 150. https://doi.org/10.1186/s12859-015-0579-z

  33. Bryois J., Garrett M.E., Song L. et al. Evaluation of chromatin accessibility in prefrontal cortex of individuals with schizophrenia // Nat. Commun. 2018. V. 9. № 1. P. 3121. https://doi.org/10.1038/s41467-018-05379-y

  34. Tsai P.-C., Glastonbury C.A., Eliot M.N. et al. Smoking induces coordinated DNA methylation and gene expression changes in adipose tissue with consequences for metabolic health // Clin. Epigenetics. 2018. V. 10. P. 126. https://doi.org/10.1186/s13148-018-0558-0

  35. Ritchie M.E., Phipson B., Wu D. et al. limma powers differential expression analyses for RNA-sequencing and microarray studies // Nucl. Acids Res. 2015. V. 43. № 7. P. e47. https://doi.org/10.1093/nar/gkv007

  36. Love M.I., Huber W., Anders S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2 // Genome Biol. 2014. V. 15. № 12. P. 550. https://doi.org/10.1186/s13059-014-0550-8

  37. Zhang Y., Parmigiani G., Johnson W.E. ComBat-seq: Batch effect adjustment for RNA-seq count data // NAR Genomics and Bioinformatics. 2020. V. 2. № 3. https://doi.org/10.1093/nargab/lqaa078

  38. Johnson W.E., Li C., Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods // Biostatistics. 2007. V. 8. № 1. P. 118–127. https://doi.org/10.1093/biostatistics/kxj037

  39. Shulha H.P., Cheung I., Guo Y. et al. Coordinated cell type–specific epigenetic remodeling in prefrontal cortex begins before birth and continues into early adulthood // PLoS Genetics. 2013. V. 9. № 4. https://doi.org/10.1371/journal.pgen.1003433

  40. Gusev F.E., Reshetov D.A., Mitchell A.C. et al. Epigenetic-genetic chromatin footprinting identifies novel and subject-specific genes active in prefrontal cortex neurons // The FASEB J. 2019. V. 33. № 7. P. 8161–8173. https://doi.org/10.1096/fj.201802646R

  41. Nott A., Holtman I.R., Coufal N.G. et al. Brain cell type-specific enhancer-promoter interactome maps and disease-risk association // Science. 2019. V. 366. № 6469. P. 1134–1139. https://doi.org/10.1126/science.aay0793

  42. Dunham I., Kundaje A., Aldred S.F. et al. An integrated encyclopedia of DNA elements in the human genome // Nature. 2012. V. 489. № 7414. P. 57–74. https://doi.org/10.1038/nature11247

  43. Ouyang Z., Bourgeois-Tchir N., Lyashenko E. et al. Characterizing the composition of iPSC derived cells from bulk transcriptomics data with CellMap // Sci. Rep. 2022. V. 12. № 1. P. 17394. https://doi.org/10.1038/s41598-022-22115-1

  44. Jew B., Alvarez M., Rahmani E. et al. Accurate estimation of cell composition in bulk expression through robust integration of single-cell information // Nat. Commun. 2020. V. 11. № 1. P. 1971. https://doi.org/10.1038/s41467-020-15816-6

  45. Li H., Sharma A., Luo K. et al. DeconPeaker, A deconvolution model to identify cell types based on chromatin accessibility in ATAC-seq data of mixture samples // Frontiers in Genet. 2020. V. 11.

  46. Leek J.T. svaseq: removing batch effects and other unwanted noise from sequencing data // Nucl. Acids Res. 2014. V. 42. № 21. P. e161. https://doi.org/10.1093/nar/gku864

  47. Risso D., Ngai J., Speed T.P., Dudoit S. Normalization of RNA-seq data using factor analysis of control genes or samples // Nat. Biotechnol. 2014. V. 32. № 9. P. 896–902. https://doi.org/10.1038/nbt.2931

  48. Akbarian S., Liu C., Knowles J.A. et al. The psychENCODE project // Nat. Neurosci. 2015. V. 18. № 12. P. 1707–1712. https://doi.org/10.1038/nn.4156

  49. Amiri A., Coppola G., Scuderi S. et al. Transcriptome and epigenome landscape of human cortical development modeled in organoids // Science. 2018. V. 362. № 6420. https://doi.org/10.1126/science.aat6720

  50. Girdhar K., Hoffman G.E., Jiang Y. et al. Cell-specific histone modification maps in the human frontal lobe link schizophrenia risk to the neuronal epigenome // Nat. Neurosci. 2018. V. 21. № 8. P. 1126–1136. https://doi.org/10.1038/s41593-018-0187-0

  51. Girdhar K., Hoffman G.E., Bendl J. et al. Chromatin domain alterations linked to 3D genome organization in a large cohort of schizophrenia and bipolar disorder brains // Nat. Neurosci. 2022. V. 25. № 4. P. 474–483. https://doi.org/10.1038/s41593-022-01032-6

  52. Persico G., Casciaro F., Amatori S. et al. Histone H3 Lysine 4 and 27 Trimethylation Landscape of Human Alzheimer’s Disease // Cells. Multidisciplinary Digital Publ. Institute. 2022. V. 11. № 4. https://doi.org/10.3390/cells11040734

  53. Klein H.-U., McCabe C., Gjoneska E. et al. Epigenome-wide study uncovers large-scale changes in histone acetylation driven by tau pathology in the aging and Alzheimer human brain // Nat. Neurosci. 2019. V. 22. № 1. P. 37–46. https://doi.org/10.1038/s41593-018-0291-1

  54. Mack S.C., Singh I., Wang X. et al. Chromatin landscapes reveal developmentally encoded transcriptional states that define human glioblastoma // J. Exp. Med. 2019. V. 216. № 5. P. 1071–1090. https://doi.org/10.1084/jem.20190196

  55. Anders S., Huber W. Differential expression analysis for sequence count data // Genome Biol. 2010. V. 11. № 10. https://doi.org/10.1186/gb-2010-11-10-r106

  56. Stępniak K., Machnicka M.A., Mieczkowski J. et al. Mapping chromatin accessibility and active regulatory elements reveals pathological mechanisms in human gliomas // Nat. Commun. 2021. V. 12. № 1. P. 3621. https://doi.org/10.1038/s41467-021-23922-2

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска содержание выпуска

Генетика

Архивы выпусков Информация о журнале Отправить рукопись в журнал