设备

个人计算机或高性能计算集群。这里提到的所有软件都可以在类似Unix的工作站（如Linux和Mac）下运行。对于Windows用户，终端模拟器（如Cygwin）（ http://cygwin.com/），可以使用。

软件

FastQC（ http://www.bioinformatics.babraham.ac .uk/projects/fastqc/）
Bowtie2（Langmead和Salzberg，2012; http：//bowtie- bio.sourceforge.net/bowtie2/index.shtml ）
Samtools（Li&et al。，et al。，2009; http：//samtools .sourceforge.net/）
幻影工具（ http://code.google.com/archive/p/phantompeakqualtools/）
IGV和IGVtools（Robinson等人，2011; http://software.broadinstitute.org/software/igv/）
ngs.plot（Shen et al。，2014; http://github.com/shenlab-sinai/ngsplot ）
MACS（Zhang等人，2008; http：//github.com/taoliu/MACS ）
diffReps（Shen等），2013; http： //github.com/shenlab-sinai/diffreps ）
床上用品（Quinlan and Hall，2010; http://bedtools.readthedocs.io/en/latest/）
区域分析（Shao等人，，2016; http://github.com/shenlab-sinai/region_analysis ）
ChIPseqRUs（Loh et al。，2016; https：//github.com/shenlab-sinai/chip-seq_preprocess ）
David（Dennis et al。，2003; http：//david .ncifcrf.gov/）
IPA（ http://www.ingenuity.com/）
GREAT（McLean等人，，2010; http://bejerano.stanford.edu/great/public/html/）

程序

对排序数据文件执行质量控制分析
我们强烈建议您检查ChIP-seq排序数据的质量，然后再转到下一步。 FastQC是我们使用的一个优秀的程序，它为下一代排序（NGS）数据集执行一系列质量控制步骤。在评估测序质量方面需要注意的一些更重要的质量报告包括"每碱基序列质量"，它们应在整个阅读中显示出一贯的高品质价值; "每碱基序列含量"，应显示每个碱基上核苷酸的非随机分布;和"序列重复级别"，这不应该过多。上面的Web链接中的FastQC文档提供了一些好的和坏的排序数据可能看起来的报告的例子。

fastqc -o path_to_output_directory -t number_of_threads_to_usesequence_file。 fastq

注意：除了执行命令行，FastQC也可以作为交互式图形应用程序运行。此外，FastQC和本协议中使用的所有其他程序的命令行参数（例如，"-o"，"-t"）的定义可以在上述"软件"部分提供的各自的网页链接中找到。 >
序列与基因组的比对
1. 对于每个样品，我们使用Bowtie2程序进行原始fastq序列读取与参考小鼠基因组的比对。 Bowtie2在序列比对/映射（SAM）格式（Li et al。，2009）中生成对齐结果，其中包含对齐信息，包括短读ID，染色体名称，起始位置，链，失配信息，以及阅读的原始核苷酸等
  bowtie2 -p number_of_compute_cores_to_use -x -1 sequence_file_reverse_reads.fastq -S alignment_file.sam
  
  注意：在单端排序比对的情况下，从上述命令中删除'-2 sequence_file_reverse_reads.fastq'。
2. 从生成的SAM文件中，我们只需要提取唯一映射到基因组的读取。由于多映射读取由SAM文件中的Bowtie2仅通过"XS：i：value"标签：值对表示，我们将使用linux'grep'命令来提取不包含"XS"的所有结果行：我们在他们里面
  grep -v"XS：i：" align_file.sam > align_unique.sam
3. SAM格式文件是文本文件，其通常最终对于每个样本对齐的数千万次读取来说非常大且笨重。 SAM，二进制对齐/映射（BAM）格式（Li et al。，2009）的伴侣包含与SAM完全相同的信息，但能够有效地压缩和存储对齐数据，并且还允许有效地检索对准的读取。 BAM格式现在被大多数程序处理对齐数据广泛接受。使用samtools程序，我们将把SAM文件转换并排序成BAM格式，以便后续步骤使用。
  
  samtools view -Sb alignment_unique.sam > align_unique.bam
  
  samtools sort align_unique.bam alignment_sorted
删除PCR重复项
1. 由PCR扩增引起的潜在冗余短读的存在代表了第二代测序技术的内在限制。因为PCR优先放大具有某些核苷酸组成的DNA片段，所以使一些基因组位置在ChIP-seq文库中超过表达。虽然可以认为这种超额代表偏见同样适用于治疗和控制条件，因此可以归一化，但实际上扰乱了潜在数据的分布，并可能增加统计学意义。假设一个例子（表1），其中文库A和B中实际的片段数分别为1和3。如果我们简单地将这个数乘以10，那么我们将在库A中有10个片段，在库B中将有10个片段。如果通过卡方检验进行评估，这两个病例给出了3.0的相同的倍数变化，但是显着不同的p值。 />
  表1.一个假设的例子，以证明在不消除冗余的情况下膨胀统计学意义的危险。 从卡方检验生成 P 值。
2. 为了去除PCR重复，我们利用这样的事实，即在制备ChIP-seq文库期间，超声波仪几乎均匀地打破整个基因组，使得大多数片段来自独特的位置（因为哺乳动物基因组约2-3亿bp长）。这个过程可能会消除真正来自同一位置和股份的"无辜"碎片。但是，与PCR重复相比，这种情况较少发生，而作为统计学推断的一般规律，总是比做出虚假声明更保守。因此，我们已经删除了PCR重复的一部分ChIP-seq处理流水线（Loh等人，2016）。
  
  samtools rmdup -s <对齐__sm.bam align_rmdup.bam
  
  注意：在配对结束对齐的情况下，请使用-S选项代替-s选项。
  特别注意：在ChIP制备中的碎裂步骤中使用微球菌核酸酶代替超声处理时，不应使用冗余去除程序。这是因为对于微球菌核酸酶在特定位置（具有特定核苷酸组成）切割DNA序列的强烈偏好可能导致许多真正重复的片段。我们不知道在这样一个库中特别删除基于PCR的重复的任何可用的方法。
执行互相关质量分析
链互相关的分析可以用作ChIP-seq质量度量（Kharchenko等人，2008; Landt等人，2012）。这种分析的原理是，高质量的ChIP-seq实验预计将产生前向和反向链上的映射读取集群，其中ChIP绑定位点位于它们之间。通过越来越多地将读取方向转移到它们映射到的线的方向上，然后计算所有位置上的读取深度的两股之间的Pearson相关性，互相关系数对股线移位的图形通常产生两个峰值，一个对应于读取长度（所谓的"幻影"峰值），另一个到图书馆的平均片段长度。然后将这些峰的绝对和相对高度用于计算两个质量度量，标准化链系数（NSC）和相对链相关性（RSC）。编码联盟ChIP-seq指南指出，高质量的ChIP-seq数据集通常具有NSC> 1.1和RSC> 1，并且推荐在NSC < 1.05和RSC < 0.8（Landt等人，2012）。在这里，我们使用phantompeakqualtools包的run_SPP_nodups.R脚本来计算NSC和RSC值。图2中显示了由脚本生成的NSC和RSC度量和互相关图的示例
> run_spp_nodups.R -savp -c = align_rmdup.bam -out = phantompeak_output.txt br />
注意：
1. 我们建议谨慎地评估NSC和RSC值。它们对于染色质标记和转录因子往往更具信息，其峰值峰值高于宽峰。如果您的测序目标是具有广泛模式峰的染色质标记，例如H3K9me2，则NSC和RSC值可能会低于Encode建议标准。另一方面，我们发现一些输入控制样本具有非常高的NSC和RSC值。
2. "幻影"峰值是由基因组的偏置映射引起的现象。当基因组区域具有良好的映射性时，其反向互补也是如此。因此，基因组区域的两条链将获得相等量的对齐读数。因为读取深度是根据对齐读数的5'端计算出来的，读取长度的变换将产生局部最大值"幻影"峰值。
  
  图2.由run_SPP_nodups.R脚本生成的示例H3K27ac ChIP-seq示例的互相关系数作为链变换的函数。 蓝色虚线显示幻影峰（ ie ，读取长度）的位置，红色虚线显示最佳和第二好的猜测（括号中的两个数字）片段长度。片段长度估计被确定为局部最大值。
生成要载入基因组浏览器的覆盖文件
ChIP-seq样品的有效可视化为台式生物学家提供了有价值的信息（图3）。通过使用基因组浏览器，研究者可以很容易地看到ChIP富集了哪些基因组区域。在图3中，y轴给出与该位置对准的短读数，其也可以通过用于比较两个或更多个ChIP-seq样本的库大小进行归一化。这可以通过为每个ChIP-seq样本生成所谓的覆盖文件来完成。选择基因组浏览器有很多选择。大多数基因组浏览器支持最适合其实现的自己的文件格式，但通常还支持一些其他常见格式。 UCSC基因组浏览器（Kent等人，2002）是最早的基因组浏览器之一，可能仍然是最全面的基因组浏览器之一。它是一个基于Web的应用程序，通常需要用户将覆盖文件上传到远程服务器。随着测序技术的迅速发展，ChIP-seq样本产生的覆盖文件的大小也将随之而来。因此，将这些大文件上传到远程服务器变得非常不方便。因此，我们建议使用可在本地机器上工作的基因组浏览器。一个非常好的选择是基于Java的跨平台应用程序的IGV基因组浏览器。它支持称为TDF的二进制格式，并为用户提供了一个实用程序（igvtools），用于从BAM格式对齐文件或其他常用格式生成TDF文件。

igvtools count align_rmdup.bam alignment_rmdup.tdf mm9

图3.在IGV基因组浏览器中显示的重复可卡因或盐水条件后组蛋白标记H3K9me3的覆盖图（Robinson等人，2011）。 Y轴表示由针对H3K9me3的抗体富集的DNA片段的归一化覆盖。这是位于染色体8上的〜9Kb长的峰，其显示了在小鼠伏隔核（NAc）中的慢性可卡因治疗后的结合减少（Maze等人，2011）。
生成全球覆盖图
显示所有注释基因组特征实例（如转录起始位点（TSS））的平均覆盖率的全局覆盖率通常对于确定浓缩，评估IP效率或与基因组相关性非常有帮助。图4显示了一个例子，说明H3K4me3的富集与基因表达水平呈正相关。这种情节的产生是直接的。基本原理是首先计算ChIP-seq样品的基因组覆盖载体。然后，从注释数据库中检索所选基因组特征的基因组坐标。使用基因组坐标，然后提取并平均覆盖值。我们已经开发了一个名为ngs.plot的开源软件包，基于统计包R，可以生成这些全局覆盖图。下面显示的命令执行基本的ngs.plot分析，其中包含四个必需参数。分析和绘图的其他自定义可以使用其他参数（ https ：//github.com/shenlab-sinai/ngsplot/wiki weblink ）。 ngs.plot也可作为Galaxy（Goecks等人，2010）的附加组件，这是一种流行的基于Web的基因组分析框架。

ngs.plot.r -G mm9 -R tss -C alignment_rmdup.bam -O outputfile_prefix

注意：所有上述步骤1-6可以被认为是需要应用于所有样品的预处理步骤。虽然这里提供了每个步骤的单独命令行，我们还开发了一个开源自动流水线（Loh et al。，2016）（Available at http://github.com/shenlab-sinai/chip-seq_preprocess/），将自动对所有样本运行所有这些步骤。管道还具有并行处理和自动恢复中断的作业。请参阅上面的URL以了解如何安装和使用管道的说明，这里不再赘述。

图4.组织蛋白标记H3K4me3的全球TSS图，小鼠NAc在盐水条件下与基因表达水平相关。 H3K4me3被称为转录激活标记，与基因表达水平呈强正相关。在这里，通过标准化的RNA-seq读数计数定义了4个基因组 - 高，中1，中2和低。四个基因组的表达水平从高到低排列，每组包含从基因组中随机选择的1,000个基因
峰值检测和注释
通过严格的统计评估（峰值调用）确定ChIP-seq文库的结合浓缩通常是非常有用的。可以在峰上获得全球统计数据，以确定其分布（图5）。还可以选择排名最高的峰值进行跟踪，或将峰值列表与功能注释或基因表达相关联。峰值呼叫ChIP-seq在过去几年中一直是一个研究重点的领域，迄今为止开发了数十种软件工具（参见[Szalkowski和Schmid，2010; Pepke等人，2009年） ; Wilbanks and Facciotti，2010]）。任何峰值调用程序的基本原理可概括如下：1）将全基因组分为固定大小的小间隔，如200 bp; 2）每个仓中的短读数用于构建零分布以描述非绑定区域，通常使用泊松或负二项（NB）分布; 3）使用滑动窗口扫描整个基因组并识别超过预定的统计截止值的区域。当我们研究这个过程时，我们可以看到，峰值调用的最重要部分是构建描述ChIP-seq背景的零分布。这是一个不平凡的任务，因为ChIP-seq库的简短读取计数不遵循统一的随机过程。复杂性是由许多因素引起的，但一些最重要的因素是：染色质不均匀包装在核小体中，PCR偏差和测序缺陷（Chen et al。，2012）。通过DNA序列单独建模这些效果是一个非常复杂的任务，如果它是可能的话。因此，始终建议使用相同的准备过程将多个IP库与输入库耦合。然后可以轻松地比较来自IP和输入库的归一化读取计数，并确定IP的浓缩。非常受欢迎的峰值调用程序是MACS，可以使用或不使用输入。 MACS利用本地泊松分布来模拟ChIP-seq样本的背景。在没有输入的情况下工作时，它使用IP的区域计数作为背景。这很容易导致不准确，因为没有办法分离来自IP和非特定绑定的短读。当输入可用时，MACS将IP与输入进行比较，从而识别浓度比单独的IP更好的灵敏度和特异性。

macs2 callpeak -t align_rmdup.bam -c input.bam -f BAM -g mm -n outputfile_prefix - bw 150 -q 0.05

图5.使用现有的基因特征注释，两个组蛋白标记（A）H3K4me3和（B）H3K9me3）在整个基因组上的峰值分布。H3K4me3是一个"基因"标记，其大多数峰位于TSS周围或基因体上。相比之下，H3K9me3是一个"非基因"标记，其大部分峰位于基因间区域（Maze et al。，2011）。
差分分析与功能关联
1. 由于我们对药物诱导的染色质修饰的表征感兴趣，因此比较两种IP库的治疗和控制是非常有意义的，并且识别结合的差异，或者换句话说，差异位点。这可以通过比较来自治疗和控制的两个峰值列表以及存在/不存在呼叫来完成。然而，我们发现这种方法对我们的数据无效，因为药物诱导的大脑中的染色质变化通常相对较小，这可能是由于组织的异质性，例如与细胞培养系统相比。通常，人们可以观察到在药物治疗和对照条件下存在的峰，但是一些峰在幅度上显示出显着的差异（图6A）。另外，存在在一个条件下峰值在比较条件下不显着更丰富的情况，但是由于选择任意的截止值而仍被分类为不同（图6B）。这种方法的改进是确定两种条件下的峰值，并对其结合浓缩进行定量评估（Liang and Keles，2012）。这是第一种方法的显着改进，通常可以产生比前者更可靠的差异性位点。该方法应该适用于转录因子样组蛋白标记。然而，对于某些组蛋白标记，这仍然可能不是最佳的。例如，像H3K9me3这样的标记通常产生高达几个Kb的峰，而峰可以很好地观察到差异（图6C）。比较两个峰值可能无法识别这种变化。为了应对上述挑战，我们开发了我们自己的程序diffReps来检测两个高清晰度条件之间的差异染色质修饰区域。 diffReps采用滑动窗口方法来识别出显着变化的所有区域。使用可调整的窗口大小，可以查找大块或染色质修饰的小区域。 diffReps还考虑了每个条件下的生物学变化，并提供了一些统计测试来选择用于评估差异。当生物复制可用时，我们建议使用NB测试，对一组中离散计数数据的过度分散（大变化）进行建模。在检测ChIP-seq数据的差异站点时，NB测试通常比检测更敏感。它也避免了对小计数数据造成误报的问题。每组中只有一个样本，可以选择Pearson卡方或G检验进行差异分析。以下示例显示了通过比较两个实验条件来检测差异位点的diffReps，其中每个条件包含三个BED文件。每个条件的输入样品也可以使用。我们使用200 bp的窗口大小获得染色质修饰景观和NB测试的高分辨率分析，以评估统计学意义。
  
  diffReps.pl --tr T1.bed T2.bed T3.bed - co C1.bed C2.bed C3。 - btr T_input.bed - bco C_input.bed - re diffsite.txt - gname mm9 - 我nb --wi 200 --st 20
  
  注意：diffReps需要输入文件为BED格式（ https://genome.ucsc.edu/FAQ/FAQformat#format1 ），可以使用bedtools包（Quinlan和Hall，2010）从BAM格式转换，使用命令：
  
  bedtools bamtobed -i inputfile.bam > outputfile.bed
  
  图6.通过比较两个条件来检测来自ChIP-seq数据的差异位点的挑战。 A.两个峰均高于显着性截止值，但显示结合差异。 B.一个峰值高于截止值，另一个峰值低于截止值，但它们没有显着差异。 C.有一个峰值有显着差异的区域，但考虑整个峰值时可能无法检测到。
2. 我们分析的最后一步是峰值列表或差异站点列表的功能注释。这传统上是通过首先将每个基因组区域注释到最接近的基因，然后测试该Goecks基因组中功能术语的富集。要根据它们所在的基因组特征的类型来注释每个被称为峰或差异位点，则使用region_analysis程序。 region_analysis程序能够注释任何文本文件，其中前三列分别是染色体，开始和结束位置。
  
  region_analysis.py -i input_file -g mm9 -d refseq -r
3. 可以用各种开源或市售工具完成注释到峰或差异位点的基因列表的基因富集分析。一个非常受欢迎的开放源码工具是DAVID，而商业上可用的替代方案是Ingenuity Pathway Analysis（IPA）。另外，峰的功能解释中的另一个发展是与基因调控区重叠，所述基因调控区可以是TSS的近端区域或远至1Mb的远端区域。这种方法是有用的，因为随着ChIP-seq的出现，我们现在能够描述不限于启动子的基因组区域。可能含有调控信息的潜在基因组区域包括远程增强子以及基因体。此功能大大增强了我们揭示组蛋白标记或DNA结合蛋白的以前未知功能的能力。这个类别中的代表性工具被称为"基因组区域丰富的注释工具"（GREAT）。 GREAT只需要输入一个可以从峰值调用或差分输出输出轻松获得的BED文件。这些分析工具主要是基于网络的，感兴趣的读者可以参考他们的网站了解更多信息。
预期成果
这里概述的ChIP-seq协议是一种非常强大和全面的技术，用于表征大脑中组蛋白标记的染色质修饰景观。 ChIP-seq数据不仅允许我们查看传统的监管区域 - 启动子，还可以调查远程监管站点，如增强子和外显子。随着这种增强的能力，我们现在进入了一个新的时代，以前所未有的细节研究与疾病相关的染色质修饰变化。

数据分析

对于使用上述分析程序对七个组蛋白修饰标记和RNA-seq的数据集研究可卡因诱导的表观基因组和小鼠脑转录组学变化的一些具体实例，读者参考我们以前的研究（Feng等人）。，2014）。

致谢

这项工作得到拨款支持：P50MH096890和P01DA008227。

参考文献

Chen，Y.，Negre，N.，Li，Q.，Mieczkowska，JO，Slattery，M.，Liu，T.，Zhang，Y.，Kim，TK，He，HH，Zieba，J.，Ruan，Y 。，Bickel，PJ，Myers，RM，Wold，BJ，White，KP，Lieb，JD and Liu，XS（2012）。系统评估影响ChIP-seq保真度的因素。 Nat方法 9（6）：609-614。 br />
Dennis，G.，Jr.，Sherman，BT，Hosack，DA，Yang，J.，Gao，W.，Lane，HC and Lempicki，RA（2003）。< a class ="ke-insertfile"href = "http://www.ncbi.nlm.nih.gov/pubmed/12734009"target ="_ blank"> DAVID：用于注释，可视化和集成发现的数据库。 Genome Biol 4（5）：P3。
Feng，J.，Wilkinson，M.，Liu，X.，Purushothaman，I.，Ferguson，D.，Vialou，V.，Maze，I.，Shao，N.，Kennedy，P.，Koo， Dias，C.，Laitman，B.，Stockman，V.，LaPlant，Q.，Cahill，ME，Nestler，EJ，and Shen，L。（2014）小鼠伏隔核细胞中的慢性可卡因调控的表观基因组变化 Genome Biol 15（ 4）：R65。
Goecks，J.，Nekrutenko，A.，Taylor，J.和Galaxy，T。（2010）。< a class ="ke-insertfile"href ="http://www.ncbi.nlm.nih.gov/pubmed/20738864"target ="_ blank"> Galaxy：一种全面的方法，用于支持生命科学中可访问，可重复和透明的计算研究。 Genome Biol 11（8）：R86 。
Kent，WJ，Sugnet，CW，Furey，TS，Roskin，KM，Pringle，TH，Zahler，AM和Haussler，D。（2002）。 UCSC的人类基因组浏览器 Genome Res 12（6）：996-1006。 br />
Kharchenko，PV，Tolstorukov，MY and Park，PJ（2008）。 DNA结合蛋白的ChIP-seq实验的设计和分析。生物技术26（12）：1351-1359。
Landt，SG，Marinov，GK，Kundaje，A.，Kheradpour，P.，Pauli，F.，Batzoglou，S.，Bernstein，BE，Bickel，P.，Brown，JB，Cayting，P.，Chen，Y. ，DeSalvo，G.，Epstein，C.，Fisher-Aylor，KI，Euskirchen，G.，Gerstein，M.，Gertz，J.，Hartemink，AJ，Hoffman，MM，Iyer，VR，Jung，YL，Karmakar， S.，Kellis，M.，Kharchenko，PV，Li，Q.，Liu，T.，Liu，XS，Ma，L.，Milosavljevic，A.，Myers，RM，Park，PJ，Pazin，MJ，Perry， MD，Raha，D.，Reddy，TE，Rozowsky，J.，Shoresh，N.，Sidow，A.，Slattery，M.，Stamatoyannopoulos，JA，Tolstorukov，MY，White，KP，Xi，S.，Farnham， PJ，Lieb，JD，Wold，BJ和Snyder，M。（2012）。< a class ="ke-insertfile"href ="http://www.ncbi.nlm.nih.gov/pubmed/22955991"目标="_ blank"> ENCODE和modENCODE联盟的ChIP-seq指南和做法。 Genome Res 22（9）：1813-1831。
Langmead，B。和Salzberg，SL（2012）。与Bowtie 2快速的间隙读取对齐。 Nat方法 9（4）：357-359。
Lee，TI，Jenner，RG，Boyer，LA，Guenther，MG，Levine，SS，Kumar，RM，Chevalier，B.，Johnstone，SE，Cole，MF，Isono，K.，Koseki，H.，Fuchikami，T ，Abe，K.，Murray，HL，Zucker，JP，Yuan，B.，Bell，GW，Herbolsheimer，E.，Hannett，NM，Sun，K.，Odom，DT，Otte，AP，Volkert， Bartel，DP，Melton，DA，Gifford，DK，Jaenisch，R.and Young，RA（2006）。< a class ="ke-insertfile"href ="http：//www.ncbi.nlm.nih。 goop/pubmed/16630818"target ="_ blank"> Polycomb在人类胚胎干细胞中的发育调节因子的控制细胞 125（2）：301-313。
Liang，K. and Keles，S。（2012）。
Li，H.，Handsaker，B.，Wysoker，A.，Fennell，T.，Ruan，J.，Homer，N.，Marth，G.，Abecasis，G.，Durbin，R.and 1000 Genome Project Data Processing子组。（2009）。序列对齐/地图格式和SAMtools 。生物信息学 25（16）：2078-2079。
Loh，YH，Shao，NY and Shen，L.（2016）。 ChIPseqRUs：用于ChIP-seq预处理的流水线。 github repository 。
Maze，I.，Feng，J.，Wilkinson，MB，Sun，H.，Shen，L.and Nestler，EJ（2011）。< a class ="ke-insertfile"href ="http：//www .ncbi.nlm.nih.gov/pubmed/21300862"target ="_ blank">可卡因可动态调节异染色质和重复元件在核伏核中的无效。 Proc Natl Acad Sci USA 108（7 ）：3035-3040。
McLean，CY，Bristor，D.，Hiller，M.，Clarke，SL，Schaar，BT，Lowe，CB，Wenger，AM和Bejerano，G。（2010）。< a class ="ke-insertfile"href ="http://www.ncbi.nlm.nih.gov/pubmed/20436461"target ="_ blank"> GREAT可改善顺式调控区域的功能解释。 Nat Biotechnol 28 （5）：495-501。
Park，PJ（2009）。 ChIP-seq：advantage和成熟技术的挑战。 Nat Rev Genet 10（10）：669-680。
Pepke，S.，Wold，B.和Mortazavi，A.（2009）。 ChIP-seq和RNA-seq研究的计算。 Nat方法 6（11 Suppl）：S22-32。
Quinlan，AR and Hall，IM（2010）。 BEDTools ：用于比较基因组特征的灵活的实用工具。生物信息学 26（6）：841-842。
Renthal，W.，Kumar，A.，Xiao，G.，Wilkinson，M.，Covington，HE，3rd，Maze，I.，Sikder，D.，Robison，AJ，LaPlant，Q.，Dietz，DM，Russo ，SJ，Vialou，V.，Chakravarty，S.，Kodadek，TJ，Stack，A.，Kabbaj，M.and Nestler，EJ（2009）。< a class ="ke-insertfile"href ="http： //www.ncbi.nlm.nih.gov/pubmed/19447090"target ="_ blank">可卡因染色质调控的基因组范围分析揭示了sirtuins的作用。神经元 62 （3）：335-348。
Robison，AJ和Nestler，EJ（2011）。转录和成瘾的表观遗传机制。 Nat Rev Neurosci 12（11）：623-637。
Robinson，JT，Thorvaldsdottir，H.，Winckler，W.，Guttman，M.，Lander，ES，Getz，G.and Mesirov，JP（2011）。< a class ="ke-insertfile"href ="http ：//www.ncbi.nlm.nih.gov/pubmed/21221095"target ="_ blank">综合基因组学观察者 Nat Biotechnol 29（1）：24-26。< br />
Shao，NY，Loh，YH and Shen，L.（2016）。区域分析：用于基因组间隔注释的python程序。 github仓库。 Zenodo。
Shen，L.，Shao，NY，Liu，X.，Maze，I.，Feng，J.and Nestler，EJ（2013）。 DiffReps：通过生物重复检测来自ChIP-seq数据的差异染色质修饰位点。 PLoS One 8 6）：e65598。
Shen，L.，Shao，N.，Liu，X.和Nestler，E。（2014）。 ngs.plot：通过整合基因组数据库快速挖掘和观察下一代测序数据。 > BMC Genomics 15： >
Szalkowski，A.M.and Schmid，C.D。（2011）。 ChIP-seq峰值呼叫算法的快速创新是超越基准测试。简要生物信息 12（6）：626-633。
Wilbanks，EG和Facciotti，MT（2010）。评估的ChIP-seq峰检测中的算法性能。 PLoS One 5（7）：e11471。
Zhang，Y.，Liu，T.，Meyer，CA，Eeckhoute，J.，Johnson，DS，Bernstein，BE，Nusbaum，C.，Myers，RM，Brown，M.，Li，W.and Liu，XS 2008）。基于模型的ChIP-Seq分析（ MACS）。 Genome Biol 9（9）：R137。