北京基因组所等开发从低区分率Hi-C数据中提取高区分率3D基因组结构的新要领
高等真核生物的核内运动, 从基因转录 ，DNA的复制到DNA损伤修复等 ，都与基因组的三维空间结构息息相关。因此 ，3D基因组研究成为近年来的前沿热点领域。Hi-C是目前最常见的全基因组检测染色质三维结构的组学技术。然而 ，由于Hi-C具有区分率相对较低 ，测序量要求极高的特点 ，在类似精准医学人群行列这样的大规模项目中 ，开展高精度的3D基因组研究在经济上险些无法实现。如何低本钱快速的获得高区分率的染色质空间结构 ，成为大规�？�3D基因组研究的一大瓶颈。
球速体育张治华研究组与软件所李昂生研究组相助 ，开发了利用低区分率的Hi-C结合其他表观组数据 ，预测高区分率的染色质结构域和染色质相互作用的新要领 ，使得在大样本中 ，快速、低本钱获得染色质高精度结组成为一种可能。该研究以Decoding Topologically Associating Domains with Ultra-low resolution Hi-C Data by Graph Structural Entropy为题于8月15日在线宣布于Nature Communications上。
该要领主要应用低区分率的Hi-C预测高区分率的染色质拓扑结构域(TAD)�；诶畎荷哦又吧さ慕峁剐畔㈧乩砺� ，该研究创立性的把Hi-C数据看作是一个相互连接的网络,开发了deDoc算法。新算法显著区别于目今的其他要领 ，可以直接用使用原始测序数据而不需要归一化。正确的归一化要领对其他的软件来说十分要害 ，不恰当的归一化往往会获得糟糕甚至是过失的结果。别的 ，新算法对数据总量的依赖很是低。测试发明 ，纵然只使用低至十个单细胞的Hi-C数据聚合 ，也可以很清晰的鉴定出类似拓扑结构域的结构。由于deDoc的上述两个重要特征 ，使得deDoc可以成为在大人群行列中进行高精度三维基因组研究的重要工具。
张治华团队一直致力于染色质三维结构研究 ，此前研究开发了精确预测染色质相互作用的算法CISD_loop ，该算法利用真核生物核小体在基因组上排布的不均匀性 ，从核小体的排布方法上来推断高精度的染色体相互作用位点 ，进一步引入低区分率的HI-C数据来预测染色质的相互作用。通过欠抽样实验 ，发明只要极低区分率的Hi-C数据 ，CISD_loop就可以高区分率预测染色质的相互作用。
上述源代码可以通过github下载 ，研究获得国家自然基金委和科技部“973”的项目资助。
deDoc
CISD_loop
