deepTools - NGS 数据分析与可视化工具集

技能概述

deepTools 是一套专为高通量测序数据分析设计的 Python 命令行工具集，帮助研究人员完成 ChIP-seq、RNA-seq、ATAC-seq 等实验的数据处理、质量控制和可视化。使用 deepTools 可以将 BAM 比对文件转换为标准化的覆盖度轨道（bigWig），进行样本相关性分析和信号富集评估，并生成发表级别的热图和信号曲线图。

适用场景

1. ChIP-seq 数据分析全流程

从原始 BAM 文件到发表级图表的完整工作流，包括质量控制、标准化覆盖度计算、处理组与对照组比较、TSS 和 peak 区域信号可视化。技能提供预构建的工作流模板，支持一键生成 ChIP-seq QC 脚本，快速评估重复样本相关性、富集强度和测序深度。

2. RNA-seq 链特异性覆盖度分析

针对 RNA-seq 数据的特点，提供链特异性覆盖度轨道生成功能。支持正负链分离可视化、RPKM/CPM 标准化，并能够处理剪接区域而不错误延伸 reads。特别适用于 dUTP 法等常见链特异性文库构建方式的数据分析。

3. ATAC-seq Tn5 偏移校正与信号可视化

处理 ATAC-seq 数据时自动进行 Tn5 酶切位点偏移校正（--ATACshift），生成准确的开放染色质信号图。支持核小体定位模式分析（核小体梯状图）、片段长度分布评估和 peak 区域信号富集分析。

核心功能

1. BAM/bigWig 文件处理与标准化

提供 bamCoverage 和 bamCompare 等工具，支持将 BAM 比对文件转换为 bigWig 覆盖度轨道。内置多种标准化方法（RPGC、CPM、RPKM、BPM），自动处理基因组大小参数，支持 reads 延伸、重复过滤、质量值过滤等常用操作，确保不同样本间的信号可比性。

2. 质量控制与样本评估

通过 plotFingerprint、plotCorrelation、plotPCA、plotCoverage 等工具全面评估测序数据质量。可以检测 ChIP 富集强度、评估重复样本相关性、分析测序深度是否充足、识别异常样本。提供直观的可视化输出和结果解读指导。

3. 基因组信号可视化

基于 computeMatrix 计算基因特征区域的信号矩阵，使用 plotHeatmap 和 plotProfile 生成发表级别的热图和信号曲线图。支持参考点模式（如 TSS）和区间模式（如 gene body），提供聚类、颜色映射、图例自定义等丰富的可视化选项。

常见问题

deepTools 支持哪些类型的测序数据分析？

deepTools 主要支持基于 DNA 测序的分析，包括 ChIP-seq、ATAC-seq、MNase-seq、DNA-seq 等实验类型，以及 RNA-seq 的覆盖度可视化。对于 ChIP-seq，提供完整的 QC、标准化和可视化流程；对于 ATAC-seq，内置 Tn5 偏移校正；对于 RNA-seq，支持链特异性覆盖度分析。技能不适用于变异检测、转录本定量等需要其他工具完成的任务。

如何选择合适的标准化方法？

标准化方法的选择取决于实验类型和分析目的：ChIP-seq 覆盖度分析推荐使用 RPGC（需要提供有效基因组大小）或 CPM；ChIP-seq 样本间比较使用 bamCombine 配合 log2 转换；RNA-seq 固定区间使用 CPM，基因级别分析使用 RPKM（考虑基因长度）；ATAC-seq 使用 RPGC 或 CPM。技能内置常见物种的有效基因组大小参数表，并提供详细的标准化方法选择指南。

ATAC-seq 分析有哪些特殊要求？

ATAC-seq 数据处理需要特别注意 Tn5 酶切造成的偏移，应使用 alignmentSieve 的 --ATACshift 参数进行校正（等效于 --shift 4 -5 5 -4，且仅保留正确配对的片段）。不建议对 ATAC-seq 数据使用 --extendReads。分析时应检查片段长度分布，理想情况下应看到约 200bp 粒度的核小体梯状模式。技能提供专门的 ATAC-seq 工作流模板，包含偏移校正、覆盖度计算和可视化步骤。