ATAC-Seq染色质可及性分析在线工具！！零代码也能做分析！！

工具链接：https://www.henbio.com/tooldetail?id=314

在基因组学研究领域，准确地揭示基因组中哪些区域是开放的并且处于活跃状态，对于理解基因的表达调控机制至关重要。目前，ATAC-seq（测序抗体转座酶可及性染色质分析技术）是实现这一目标的关键技术之一。ATAC-seq技术的核心优势在于其对细胞样本的需求量极低，这使得它能够在样本稀缺的情况下依然能够高效地开展研究工作。凭借这一独特的优势，ATAC-seq已经被广泛应用于多个重要的研究领域，包括但不限于染色质结构的解析、表观遗传学的深入研究、转录因子结合位点的精准定位以及基因调控网络的全面解析等。为了进一步降低基因组学研究的门槛，让更多的研究人员能够便捷地利用ATAC-seq技术开展研究工作，HiOmics平台推出了ATAC-Seq染色质可及性分析工具，为研究人员提供了强大的支持。特别是对于那些刚刚踏入这一领域的新手来说，HiOmics平台的友好性体现在其零代码在线运行分析的功能上。这意味着，即使是没有编程基础的研究人员，也能够轻松地上传自己的数据，通过平台的图形化界面进行操作，快速启动分析流程，并在短时间内获得可靠的分析结果。这种高效且易于上手的分析方式，无疑为推动基因组学研究的普及和发展提供了有力的助力。

下面我们看一下ATAC-Seq分析具体操作。

1.首先点击进入ATAC-Seq分析。

界面右侧对分析工具的使用方法及结果解读做了详细说明。左侧是上传的样本数据文件选项，对应的样本信息填写，工具支持人、小鼠、大鼠三个物种样本的ATAC-Seq分析。

2.上传样本信息描述文件说明
(1)第一列：样本名称（SampleId）。
(2)样本重复编号：第一个重复填1，第二个重复填2，依次类推。
(2)第三列：双末端测序的第一个文件名称（Read1）。
(3)第四列：双末端测序的第二个文件名称（Read2）。
请确保Read1和Read2的文件名称正确无误，不要颠倒。您可以先在Excel中整理这些信息，然后使用复制（Ctrl+C）和粘贴（Ctrl+V）操作将数据输入到网页的表格输入框中。
如下表所示：

3.上传文件目录选择
数据文件所在目录：选择样本描述文件中的Read1、Read2对应的测序文件所在的目录。在分析前，您应该先把需要分析的数据文件上传到平台特定目录，确保所有需要一起分析的文件位于同一个目录里面。

4.查看消耗费用并运行
选择好参数后点击“查看总费用按钮”，页面弹出本次分析总共消耗明细，确认无误后点击“开始分析”。

5.任务查看
点击运行后，可在我的项目中查看任务的运行情况和结果。默认情况下新任务将会在最上方展示。也可以通过项目名、任务编码、运行状态进行搜索，找到需要的任务。如下图：当状态已完成时，表示任务成功结束。

点击下载按钮可直接打包下载全部结果。

6.输出结果解读

所有结果位于ATAC_Seq_result.tar.gz的压缩文件中，解压后各目录和文件说明如下：
（1）QualityControl：质量控制分析结果。
    fastp/qc_before_res.xls：原始数据各指标统计。
    SampleId：样本名称。
    Reads：测序文件总Reads数。
    Bases(G)：测序文件总碱基数。
    Q20(%)：测序质量达到Q20以上的占比。
    Q30(%)：测序质量达到Q30以上的占比。
    R1_Len：双末端测序Read1文件平均测序长度。
    R2_Len：双末端测序Read2文件平均测序长度。
    GC(%)：测序文件中的GC含量占比。

fastp/qc_after_res.xls：使用fastp软件进行去除接头、去除低质量碱基等操作后各指标统计。各字段含义和qc_before_res.xls一致。
    qc_before/multiqc_report.html：原始数据各样本质控评估报告。
    qc_after/multiqc_report.html：使用fastp软件进行去除接头、去除低质量碱基等操作后各样本质控评估报告。 

（2）Mapping：使用Bowtie2软件把样本比对到其物种参考基因组的统计结果。
    samples.mapping.rate.xls：各样本比对率统计结果，各列说明如下：
    SampleId：样本名称
    species：物种名称
    assembly_accession：物种参考基因组版本
    MappingRate：样本测序数据比对上其参考基因组的reads数占比。

Fragment_length_distribution.pdf： 使用ATACseqQC 评估ATAC测序数据得到的样本片段大小分布图。实验比较理想的情况下会在100bp之内有一个无核小体区域的峰，200bp附近为一个核小体区域的峰，400bp附近为2个核小体区域的峰等。

 heatmap_plot/{SampleId}.TSS.heatmap.pdf：各样本在TSS上下游3kb区域内的覆盖度（信号强度）分布热图。

BigWig/{SampleId}.bw：各样本信号强度BigWig文件，可导入IGV基因组浏览器对感兴趣的区域进行可视化和探索，再进行美化可得到类似如下的图：

导出美化结果：

（3）CallPeaks：使用macs2进行峰识别得到的结果文件。

    {SampleId}.peaks.xls：峰识别结果文件，各列说明如下：

    chr：峰所在的染色体编号或名称

    start：峰的起始位置（以 1 为基准）

    end：峰的结束位置（以 1 为基准）

    length：峰的长度，计算公式为：end-start+1

    abs_summit：峰信号强度最大的位置

    pileup：峰区域的信号强度（覆盖度或读段堆叠的深度）

    -LOG10(pvalue)：峰区域显著性检验的 P 值的对数转换值

    fold_enrichment：峰信号相对于背景信号的富集倍数

    -LOG10(qvalue)：峰的多重检验校正后的 P 值（FDR）的对数转换值

    name：峰的名称，每个峰的唯一标识符。

    {SampleId}.peaks.bed：峰识别结果bed格式文件，可导入IGV可视化，坐标从0开始。

    {SampleId}.summits.bed：顶峰结果文件，坐标从0开始。

 （4）PeaksAnnotation：使用homer进行峰注释结果文件

    {SampleId}.peaks.annotation.xls：峰注释结果文件

    {SampleId}.peaks.annotation.barplot.pdf：富集峰在各染色体分布柱形图

 {SampleId}.peaks.annotation.pieplot.pdf：富集峰在各基因元件分布饼图

（5）findMotifs：使用homer对富集峰进行motif分析的结果文件
knownResults.html：homer分析得到的已知motif及其转录因子结果，一般P-value小于1e-50可信度才比较高

 homerResults.html：homer新发现的motif结果，一般P-value小于1e-50可信度才比较高

平台入口：https://henbio.com/tools
工具链接：https://www.henbio.com/tooldetail?id=314

如果您觉得这个网站对您有帮助，还请您帮忙多多转发，与他人分享，让更多人受益。如果内容有任何侵权或是错误，恳请您及时联系我，我一定第一时间改正，感谢！