2019年11月11日，来自威斯康星大学麦迪逊分校的郑晔博士和 Sunduz Keles教授在Nature Methods发表了题为“FreeHi-C simulates high fidelity Hi-C data for benchmarking and dataaugmentation”的论文，提出了一个全新的Hi-C数据高保真模拟方法，即FreeHi-C, 使得三维基因学基准测试更为合理，并且通过模拟数据扩增（data augmentation）显著提高了信号差异分析的检测精度（precision）与强度（power）并且有效地控制错误发现率（false discovery rate）。
目前，Hi-C数据的模拟方法都是通过学习Hi-C数据矩阵特征，比如接触距离（contact distance）、拓扑相关结构域（TopologicallyAssociating Domains，TADs）、染色质环（ chromatin loops ）等，直接模拟出n x n的矩阵。但由于基因组三维立体结构非常复杂，结构之间的关系也尚未明晰，因而直接模拟矩阵效果并不理想。FreeHi-C则选择从Hi-C实验过程的角度，通过非参数模型，模拟实验中每一步生成的数据，获得模拟基因序列（sequencing data），再进行与真实数据相同的基因序列处理，得到高保真的Hi-C模拟数据矩阵（下图）。FreeHi-C一大优势是使用者可以任意设定测序深度（sequencing depth，即基因序列总个数），而基因测序深度是影响Hi-C数据质量，分析效果强度的主要因素。此外，使用者可以通过调节模拟基因序列的错配（mismatches）、空位（gaps）、嵌合序列（chimeric reads）的比率来控制模拟数据与真实数据之间的相似度。
文章中，作者通过与Sim3C以及降采样（downsampling）的对比，展示出FreeHi-C对真实Hi-C数据结构各个层面（A/B compartment，TADs等）的精准模拟。同时，对diffHic，multiHiCcompare，FIND，Selfish四种差异信号检测（differential chromatin interaction detection）方法的比较分析中，FreeHi-C的推断结论一致，且不受测序深度的限制。最后，作者提出可以通过数据扩增（data augmentation），将模拟Hi-C数据加入差异信号检验中，以克服生物学重复（biological replicate）数量过少的问题。FreeHi-C模拟数据的加入极大地提高了检测的精度和强度，同时控制错误发现率在理想范围内（下图）。
背景
染色体构象捕获3C（chromosome conformation capture）和Hi-C（high-throughput chromosomeconformation capture）测序技术已经逐渐成熟，成为研究远距离基因调控机制的重要方法。越来越多的学者提出分析Hi-C数据信号探测的模型和算法，但由于Hi-C数据深度测序成本巨大，而大部分检验结果无法进行实验验证真伪，因而迫切需要一个稳定的Hi-C数据模拟方法来进行基准测试和评估。目前，只有一个系统的Hi-C 数据模拟方法即Sim3C，却由于三维基因组数据结构过于复杂，Sim3C模型无法捕获所有Hi-C数据的基本特征，再加上参数模型强加的一系列假设，使得模拟出来的Hi-C数据矩阵与真实Hi-C数据矩阵相差甚远（下图）。此外降采样（downsampling）和生物样本间置换（permutation）作为常见的测试方法，也有各自无法避免的局限。
对于叁维基因组
叁维基因组手段是破解遗传机理的“关键钥匙”，通过叁维基因组的手段来解析玉米中顺式调控元件的作用机制显得尤为重要。而传统叁维结构研究方法受限于精度不高等因素，很难得到高分辨率的叁维结构图谱，制约了科学家对这一机制的破解。
投诉侵权
