Discovering single nucleotide variants and indels from bulk and single-cell ATAC-seq

文獻鏈接：https://www.biorxiv.org/content/10.1101/2021.02.26.433126v1.full

研究背景

1、genetic variants的發現

WGSATAC-seq

特點	成本高，大部分的reads來自非調控區、非編碼區	低成本，reads來自調控區(有功能的突變)
應用	genetic variants discovery常用方法	未被系統評估

之前有一些研究評估了sc RNA-seq數據中的單核苷突變檢測方法的表現（參考鏈接：https://pubmed.ncbi.nlm.nih.gov/31744515/ ），但是尚未有研究系統評估一些單核苷突變檢測方法在ATAC-seq數據上的表現。

（1）評估7種variant callers工具對bulk ATAC-seq和sc ATAC-seq數據，在SNVs和indels方面的預測效果。
（2）整合上述variants callers的結果，并開發出整體表現具有顯著優勢的VarCA預測工具。

主要結果

1、Variant Callers的表現（前幾名）

• SNV discovery：GATK、VarScan2、VarDict
• Indels discovery：GATK、VarScan2、Menta、VarDict

2、VarCA的表現

bulk ATAC-seqsc ATAC-seq

SNVs	precision:0.99|recall:0.95	precision:0.98|recall:0.94
indels	precision:0.93|recall:0.80	precision:0.82|recall:0.82

• VarCA achieves substantially better performance than any individual method and its recalibrated quality scores can be used to filter for high confidence variants.

• Application of VarCA to single-cell ATAC-seq datasets could potentially reveal the presence of somatic mutations that are present in only some subsets of cells.

VarCA的局限性：
（1）只適用于雙端測序的數據集。
（2）只能對SNVs、indels突變類型進行識別。

操作步驟

1、bulk ATAC-seq/Single cell ATAC-seq 數據處理步驟

bulk ATAC-seqsc ATAC-seq

Step1	BWA-MEM：將雙端的reads與參考基因組比對	10x Single Cell ATAC pipeline：比對、聚類
Step2	samtools：過濾reads	samtools、pysam：過濾reads
Step3	MACS2：識別峰值	MACS2：識別峰值
Step4	VarCA：variants detection	VarCA：variants detection

2、VarCA的簡介
https://github.com/aryarm/varCA

• prepare subworkflow
• runs multiple variant callers on aligned ATAC-seq reads
• gathers the output of these callers together into a single dataset in variant call format (VCF)
• classify subworkflow
  • uses the output from the prepare subworkflow to predict variants within ATAC-seq peaks
  • outputs a new VCF file containing the predictions

總結

以上是生活随笔為你收集整理的文献阅读 | 基于ATAC-seq数据的SNV与indels的发现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。