Deeptools 对数据质量控制的命令包含如下

• plotCorrelation
• plotPCA
• plotFingerprint
• bamPEFragmentSize
• computeGCBias
• plotCoverage

可视化工具1 plotCorrelation

使用场景： 计算不同样本的相关性

输入 multiBigwigSummary or multiBamSummary 产生的table文件

输出：相关性热图，或者散点图

$ deepTools2.0/bin/plotCorrelation \-in scores_per_transcript.npz \--corMethod pearson --skipZeros \--plotTitle "Pearson Correlation of Average Scores Per Transcript" \--whatToPlot scatterplot \-o scatterplot_PearsonCorr_bigwigScores.png   \--outFileCorMatrix PearsonCorr_bigwigScores.tabdeepTools2.0/bin/plotCorrelation \    -in readCounts.npz \    --corMethod spearman --skipZeros \    --plotTitle "Spearman Correlation of Read Counts" \    --whatToPlot heatmap --colorMap RdYlBu --plotNumbers \    -o heatmap_SpearmanCorr_readCounts.png   \    --outFileCorMatrix SpearmanCorr_readCounts.tab

主要参数

--corData, -in : multiBigwigSummary 或者 multiBamSummary输出的压缩矩阵文件--corMethod, -c： 对样品进行聚类的方法，选项有spearman, pearson--whatToPlot, -p：选择出图样式，选项有heatmap, scatterplot--plotFile, -o： 根据后缀名选择输出的文件，可以选择.png, .eps, .pdf and .svg.--skipZeros： 没有mapping的跳过--labels, -l: 输入样品名称，不同样品用空格隔开--plotTitle, -T：出图的标题--plotFileFormat： 输出格式png, eps, pdf and svg.--removeOutliers： 去除掉异常值--outFileCorMatrix： 输出样品间相关系数的矩阵--plotHeight ：图的高度，单位是cm--plotWidth：图的宽度，单位是cm--zMin, -min: 设置最小的值--zMax, -max： 设置最大的值--colorMap： 设置颜色，颜色表查询位置http://matplotlib.org/examples/color/colormaps_reference.html--xRange，--yRange: 设置x,y的范围

可视化工具2 plotPCA

使用场景： 画各个样品的主成分图

输入文件，multiBamSummary 和multiBigwigSummary 计算的结果，输出： 图

$ deepTools2.0/bin/plotPCA -in readCounts.npz \-o PCA_readCounts.png \-T "PCA of read counts"

重要参数

--corData, -in：multiBamSummary 和multiBigwigSummary--plotFile, -o： 根据后缀名选择输出的文件，可以选择.png, .eps, .pdf and .svg.--labels, -l: 输入样品名称，不同样品用空格隔开--plotTitle, -T：出图的标题--plotFileFormat： 输出格式png, eps, pdf and svg.--plotHeight ：图的高度，单位是cm--plotWidth：图的宽度，单位是cm--outFileNameData： 输出画PCA的数据--ntop： 选择top N行的数字进行画图，默认是1000--PCs： 默认是1，2 ，用于画图的主成分--log2： 计算PCA时候，对数字进行log2转换，为了避免0，所有数字加上0.01--colors： 设置颜色，如 red blue green

可视化工具3 plotFingerprint

使用场景：检测Chip-seq相对背景是否有显著的富集。

怎么样的chip-seq是比较好的？

左图a是最理想的富集。图c是input和treat并不明显

$ deepTools2.0/bin/plotFingerprint \-b testFiles/*bam \--labels H3K27me3 H3K4me1 H3K4me3 H3K9me3 input \--minMappingQuality 30 --skipZeros \--region 19 --numberOfSamples 50000 \-T "Fingerprints of different samples"  \--plotFile fingerprints.png \--outRawCounts fingerprints.tab

-b: 输入文件，比对的bam文件--plotFile, -o： 根据后缀名选择输出的文件，可以选择.png, .eps, .pdf and .svg.--outRawCounts： 输出每个bin的counts数目--ignoreDuplicates：是否忽略掉重复的reads--minMappingQuality： 去除低比对质量的比对结果--centerReads： reads are centered with respect to the fragment length。这个参数我不是很理解，师弟给我画了个图

--samFlagInclude/--samFlagExclude : 根据sam文件的flag进行挑选和过滤reads--minFragmentLength：ATAC-seq 设定的参数，FragementLength的长度--labels, -l： 空格输入的标签--binSize, -bs： 设置bin的大小--numberOfProcessors, -p ： 线程数--region, -r： 限定的用于分析的--plotFile, -o： 根据后缀名选择输出的文件，可以选择.png, .eps, .pdf and .svg.--plotTitle, -T：出图的标题--skipZeros： 没有mapping的跳过

可视化工具4 plotCoverage

使用场景，计算bam的覆盖度

输入 bam文件，输出 图

$ plotCoverage -b H3K4Me1.bam H3K4Me3.bam H3K27Me3.bam H3K9Me3.bam    --plotFile example_coverage    -n 1000000    --plotTitle "example_coverage" \    --outRawCounts coverage.tab \    --ignoreDuplicates \    --minMappingQuality 10 \    --region 19# have a look at the optional tabular output: each row represents the number of reads overlapping with a sampled bp$ head coverage.tab    'H3K27me3'        'H3K4me1'       'H3K4me3'       'H3K9me3'    0 0       0       0    0 0       0       0    0 0       0       0    0 0       0       0    0 0       0       0    0 0       0       0    0 0       0       0    0 0       0       0    0 0       0       0

参数：

-b: 输入文件，比对的bam文件，用空格分开不同的bam文件--plotFile, -o： 根据后缀名选择输出的文件，可以选择.png, .eps, .pdf and .svg.--outRawCounts： 输出每个bin的counts数目--ignoreDuplicates：是否忽略掉重复的reads--minMappingQuality： 去除低比对质量的比对结果--centerReads： reads are centered with respect to the fragment length。这个参数我不是很理解，师弟给我画了个图--samFlagInclude/--samFlagExclude : 根据sam文件的flag进行挑选和过滤reads--minFragmentLength：ATAC-seq 设定的参数，FragementLength的长度--labels, -l： 空格输入的标签--binSize, -bs： 设置bin的大小--numberOfProcessors, -p ： 线程数--region, -r： 限定的用于分析的--plotFile, -o： 根据后缀名选择输出的文件，可以选择.png, .eps, .pdf and .svg.--plotTitle, -T：出图的标题--skipZeros： 没有mapping的跳过--numberOfSamples, -n： 抽样次数，default为1 million.

manual https://deeptools.readthedocs.io/en/latest/content/tools/plotFingerprint.html