[SEACR 논문] “Peak calling by Sparse Enrichment Analysis for CUT&RUN chromatin profiling”

Background

DNA 의 어느 부분에 protein 이 붙어있는지에 따라, 유전자 발현양이나, 세포의 운명? 이 결정된다. 따라서 해당 위치를 알아내기 위해 사용되는 기술로는 ChiP-seq(protein 과 dna 를 link 하고 dna 자른 뒤 antibody로 추출하는) 과 CUT&RUN(Antibody-directed MNase 가 protein binding 위치를 자르는 기술) 이 있다. ChiP-seq 기술이 좀더 오래 사용되었고, 많은 분석 툴들이 해당 기술에 초점이 맞춰져있어서 이를 CUT&RUN 데이터에 적용시키기 어려운면이 있다. Chip-seq 데이터는 background noise 가 큰 반면, CUT&RUN low read length, low and sparseness background 때문에 ChiP-seq 툴을 사용하면 실제로는 peak 이 아닌데 살짝 시그널이 있다고 positive 라고 예측하는 false-positive가 생긴다. Oversensitivy 하다는 뜻이다. 따라서 SEACR 에서는 specificity 에 초점을 맞춰서 해당 false positive 를 줄이기 위해 global background 를 이용한다.

 

Sensitivity(= recall) = TP / (TP+FN ) - 실제로 positive 인 것 중 얼마나 맞췄는지

Specificity = TN / (TN + FP) - 실제로 negative 인것 중 얼마나 맞췄는지

Precision = TP / (TP+FP) - positive 라고 예측한 것중 실제 positive 비율

 

 

SEACR

SEACR은 크게보면 global distribution of background signal을 이용해서 threshold 를 정하고 이를 이용하여 peak identity를 하는 알고리즘이라고 보면된다. 좀더 자세히 설명하자면 (Fig.1(a)를 참고바란다), 먼저 CUT&RUN의 target data 와 igG data를 signal block 으로 나눈다. 이때 하나의 signal block은 continuous 하고, nonzero read depth 한 block을 나타내고, 각 block의 signal은 read counts의 합이다. 이러한 signal block들을 이용하여 poportion 그래프를 그릴 수 있는데, 이를 이용해서 calling 되는 target 의 양이 control (igG) 와 가장 차이가 나게되는 threshold를 구할 수 있다. 이 threshold를 넘는 peak들을 calling 한번 해주고, 만약 선정된 peak들중에 igG peak이랑 겹치는 peak (repeated region 혹은 false positve) 또한 제거해준다.

Fig.1 의 오른쪽 그래프는 proportion of signal blocks 을 나타내고 이를 이용해 threshold값을 정의할 수 있다. Fig.2 은 SEACR 이 false positive 를 잘 걸러준다는 것을 보여준다. hESC에서는 FoxA2가 없고 Endoderm에는 Sox2 가 biologically 존재하지않는다.

 

 

Precision 이 높다는 것은 low false positive rate 을 뜻하고, Recall (sensitivity) 가 높다는 뜻은 low false negative 를 의미한다. F1 score 가 높으면 precision, recall 이 골고루 높다는 뜻이다.

 

Precision = TP / (TP+FP) - positive 라고 예측한 것중 실제 positive 비율

Sensitivity(= recall) = TP / (TP+FN ) - 실제로 positive 인 것 중 얼마나 맞췄는지

F1 = 2/(1/recall + 1/precision) - harmonic mean of precision and recall

 

⇒ 결론적으로 SEACR 을 이용하면 false positive 줄일 수 있고 read depth 가 10 million 이상이면 F1 socre 도 제일 좋다는 것을 보여주었다. MACS2 FDR cutoff 가 좋지만, 애초에 ENCODE (gold standard) 데이터가 MACS2 로 추출했다는 것 또 생각해야 할 것 같다.

 

 

 

 

 

 

 

추가적으로, 해당 논문에서는 SEACR의 peakwidth 가 다른 방법과 비교했을때 가장높고, 사용되는 컴퓨터 파워에서도 (runtime, read memory write memory) 좋은 성능을 보임을 보여준다.