3DGenomes/TADbit教程：Hi-C数据处理与归一化方法详解

引言

Hi-C技术是现代三维基因组学研究的重要工具，能够捕获全基因组范围内的染色质相互作用。然而，原始Hi-C数据包含各种噪声和偏差，需要进行严格的质量控制和归一化处理。本文将详细介绍如何使用3DGenomes/TADbit工具包进行Hi-C数据的过滤和归一化处理，为后续的三维结构建模奠定基础。

数据过滤流程

异常值检测与过滤

在Hi-C数据分析中，第一步通常是识别并过滤掉异常数据点。这些异常可能来源于实验过程中的技术误差或测序偏差。

from pytadbit import Chromosome

my_chrom = Chromosome('19')
my_chrom.add_experiment('gm', resolution=10000, 
                      hic_data='sample_data/HIC_gm06690_chr19_chr19_100000_obs.txt')

exp = my_chrom.experiments[0]
zeroes = exp.filter_columns(draw_hist=True)

执行上述代码会生成一个交互计数分布图，图中红色虚线表示过滤阈值。系统会自动识别并移除交互计数低于此阈值的列（即基因组区域），这些区域通常代表数据质量较差的区域。

技术要点：

1. 过滤阈值基于分布曲线的凹点确定
2. 系统会检查该阈值是否位于零和中位数之间
3. 被过滤的列信息存储在Experiment._zeros变量中

对角线零值处理

Hi-C矩阵对角线上的零值通常被视为异常，因为理论上同一基因组区域应该存在自我相互作用。TADbit会自动检测并移除包含对角线零值的整行和整列。

NaN值处理

任何包含NaN值的行或列都会被自动排除在后续分析之外，确保数据完整性。

数据归一化方法

权重计算

Hi-C数据归一化的第一步是计算每个交互对的权重，公式如下：

$$weight(I, J) = \frac{\sum^N_{i=0}{\sum^N_{j=0}{(matrix(i, j))}}}{\sum^N_{i=0}{(matrix(i, J))} \times \sum^N_{j=0}{(matrix(I, j))}}$$

其中：

• matrix代表原始交互计数矩阵
• N表示矩阵的行/列数

归一化后的值通过将权重与原始数据相乘获得。此外，系统还提供了factor参数用于控制归一化尺度，默认值为1，使得归一化后矩阵的平均单元值为1。

注意事项：

• 过滤的行/列不参与归一化计算
• 染色体局部建模时使用全染色体归一化值，不进行局部归一化

Z-score计算

Z-score用于标准化归一化后的数据，计算公式为：

$$zscore(I, J) = \frac{log_{10}(weight(I, J) \times matrix(I, J)) - mean(log_{10}(weight \times matrix))}{stddev(log_{10}(weight \times matrix))}$$

特殊处理：

• 对角线值不参与计算
• 零值处理：计算均值/stddev时视为0，计算z-score时视为-1

实践建议

1. 质量控制：始终检查过滤前后的数据分布，确保过滤阈值合理
2. 参数选择：根据实验目的调整归一化因子factor
3. 零值解释：零值可能反映真实生物学现象或技术假象，需谨慎处理
4. 数据一致性：比较不同实验时确保使用相同的归一化参数

通过上述步骤，我们可以获得高质量的Hi-C数据，为后续的三维基因组结构建模提供可靠输入。理解这些处理步骤的原理和实现对于正确解释建模结果至关重要。