motif结果能给到我们些什么信息？
1. 背景简介
1.1. 什么是motif？
Motif是一段典型的序列或者一个结构。一般来说，我们称为基序。一般情况下是指构成任何一种特征序列的基本结构。通俗来讲，即是有特征的短序列，一般认为它是拥有生物学功能的保守序列，可能包含特异性的结合位点，或者是涉及某一个特定生物学过程的有共性的序列区段。比如蛋白质的序列特异性结合位点，如核酸酶和转录因子。
1.2. 研究motif的意义
序列基序在基因调控分析中越来越重要。Motif并不局限于基因组DNA序列还是RNA序列，甚至蛋白质序列也可以提取出相应的motif。通过序列信息的解析，我们可以解析生物学过程中的密码。当某一个大类的序列中，大量重复出现相同的序列结构的时候，就可能存在探索它意义的价值。基于motif序列的提取，我们可以预测潜在的结合位点等等，有助于我们进一步理解各生物学过程中涉及的生物学意义。比如转录因子的结合位点，其motif往往意味着某蛋白结构域与DNA碱基序列的相互作用。
1.3. motif的展示形式
在我们的日常应用中，我们经常会看到motif这个词的出现，往往会伴随着这样一张logo展示图。这样的logo经常用于描述序列特征，如DNA中的蛋白质结合位点等。motif logo由每个位置的一堆字母组成。字母的相对大小表示它们在序列中的频率。每个字母的高度与该位置的相应碱基的出现频率成正比，常以bits为单位。每个位置的字母按照保守性从大到小排列，可以方便的从顶端的字母识别保守序列。
图1 logo展示图
用一段序列来描述所有序列的碱基组成，称之为一致性序列。当一个位置涉及到多个碱基出现的时候，这里就涉及到简并碱基的使用。
示例如图2，在日常使用中，也经常用“RRACH”来表示它。这个“RRACH”就是一种一致性序列的表示方式。
| 简并碱基 | 正常碱基 |
|---|---|
| R | A/G |
| Y | C/T |
| M | A/C |
| K | G/T |
| S | G/C |
| W | A/T |
| H | A/T/C |
| B | G/T/C |
| V | G/A/C |
| D | G/A/T |
| N | A/T/C/G |
图2 logo示例
2. motif如何被预测？
HOMER 是一套用于Motif查找和二代数据分析的工具。它不仅能检测已知的motif，还能预测可能存在的未知motif。 这个预测新颖motif算法，设计用于在基因组学应用里的调控元件分析(这里的元件指DNA，而非蛋白质)。 它采取两套序列，并试图识别在其中一套序列上相对于另一套的特定富集的调控元件（比如说我们的peaks序列相对于整个基因组序列）。它使用ZOOPS评分(0或1发生在每条序列上)与超几何富集计算(或二项式)来确定motif富集。HOMER也尽力考虑数据集里的排序偏差。它的设计用于ChIP-Seq和启动子分析，但可以应用于几乎任何核酸序列的motif发现。
我们使用 Homer 子程序 findMotifsGenome.pl 进行motif分析， findMotifsGenome.pl 命令用于在基因组区域中寻找富集Motifs。以下为结果的详细解读。
3. 结果列表说明
Demo: motif_ZYN-H3K27ac - Homer Known Motif Enrichment Results
结果说明：
| 结果 | 说明 |
|---|---|
homerMotifs.all.motifs | 由所有homerMotifs.motifs*组成的连接文件 |
homerMotifs.motifs10 | de novo 查找motif的输出文件(motif长度为10) |
homerMotifs.motifs12 | de novo 查找motif的输出文件(motif长度为12) |
homerMotifs.motifs8 | de novo 查找motif的输出文件(motif长度为8) |
homerResults.html | 查找已知motifs的格式化输出。 |
homerResults/ | 子文件夹：包含homerResults.html网页文件， 包括motif<#>.motif文件，用于寻找每个motif的具体实例。 |
knownResults.html | de novo查找motif的格式化输出。 |
knownResults/ | 子文件夹：包含knownResults.html网页文件， 包括known<#>.motif文件。 |
knownResults.txt | 包含关于已知motifs丰富的统计信息的文本文件(在EXCEL中打开)。 |
motifFindingParameters.txt | 用于执行findMotifsGenome.pl的命令，包含分析使用的参数 |
seq.autonorm.tsv | 用于lower-order oligo标准化的autonormalization统计。 |
3.1. 网页可视化文件的表头说明
3.1.1. knownResults.html (Homer Known Motif Enrichment Results)
图示：
表头说明：
| 表头 | 说明 |
|---|---|
Rank | 序号 |
Motif | motif序列可视化 |
P-value | 置信度计算结果 |
log P-pvalue | 计算log10P值结果 |
q-value (Benjamini) | Benjamini模型计算的q值 |
# Target Sequences with Motif | 靶标序列 |
% of Targets Sequences with Motif | 靶标序列占总序列百分比 |
# Background Sequences with Motif | 背景序列 |
% of Background Sequences with Motif | 背景序列占总序列百分比 |
Motif File | motif文件结果 |
SVG | motif的svg可视化文件 |
3.1.2. homerResults.html (Homer de novo Motif Results)
图示：
表头说明：
| 表头 | 说明 |
|---|---|
Rank | 序号 |
Motif | motif序列可视化 |
P-value | 置信度计算结果 |
log P-pvalue | log P-pvalue 值 |
% of Targets | 靶标序列占总denovo序列百分比 |
% of Background | 背景序列占总denovo序列百分比 |
STD(Bg STD) | 靶标和背景的序列集出现偏离序列中心200bp的标准偏差 |
Best Match/Details | 最为匹配的结果 |
Motif File | motif文件结果 |
3.2. 如理解输出的Motif文件homerMotifs.*.motifs* ?
>NNATGASTCATH Fra1(bZIP)/BT549-Fra1-ChIP-Seq(GSE46166)/Homer 7.011739 -10.259778 0 T:4.0(57.14%),B:3353.3(3.23%),P:1e-4 0.227 0.228 0.279 0.266 0.285 0.199 0.287 0.229 0.461 0.212 0.256 0.070 0.017 0.005 0.016 0.962 0.015 0.009 0.745 0.231 0.949 0.010 0.001 0.040 0.097 0.363 0.411 0.130 0.028 0.013 0.026 0.933 0.189 0.789 0.009 0.013 0.963 0.012 0.001 0.024 0.074 0.253 0.198 0.475 0.244 0.347 0.172 0.237 >GAGGAAGT 1-GAGGAAGT 7.179638 -766.972685 0 T:12507.0(11.15%),B:8752.9(7.83%),P:1e-333 Tpos:99.7,Tstd:55.7,Bpos:99.8,Bstd:58.7,StrandBias:-0.0,Multiplicity:1.08 0.174 0.261 0.545 0.020 0.949 0.001 0.049 0.001 0.001 0.001 0.997 0.001 0.001 0.001 0.993 0.005 0.997 0.001 0.001 0.001 0.997 0.001 0.001 0.001 0.124 0.044 0.831 0.001 0.039 0.043 0.001 0.917 Copy to clipboardErrorCopied
第一行以一个“>”开头，后面跟着各种信息，其他行是每个位置的各个核苷酸具体概率(A/C/G/T)。标题行实际上是用制表符分隔的，并包含以下信息:
“>”+序列(实际上不用于任何东西，可以是空的)示例:>NNATGASTCATH
motif名称(如果几个motif在同一个文件中，应该是唯一的)。例子:Fra1(bZIP)/BT549-Fra1-ChIP-Seq(GSE46166)/Homer
log odds检测阈值，用于确定结合的vs未结合位点。示例:7.011739
富集的log-p值
0(表示向后兼容性的占位符，在旧版本中用于描述“gapped” motif，结果证明它并不是很有用)
发生的信息，用逗号分隔，例如: T:4.0(57.14%),B:3353.3(3.23%),P:1e-4
T:带motif的靶标序列数，占靶序列总数的%
B:带motif的背景序列数目，占总背景的%
P:最终富集P值
用逗号分隔的Motif统计信息（这一个信息是与链有关的，因为我的BED文件里链的哪一列没有指定是+/-，我输入的是.，所以这里没有第7个信息），官网的例子：Tpos:100.7,Tstd:32.6,Bpos:100.1,Bstd:64.6,StrandBias:0.0,Multiplicity:1.13
Tpos: motif在目标序列中的平均位置(0 =序列开始)
Tstd:目标序列中位置的标准偏差
Bpos:motif在背景序列中的平均位置(0 =序列开始)
Bstd:背景序列中位置的标准差
StrandBias:在+链出现与在-链出现的log比例。
Multiplicity:在具有一个或多个结合位点的序列中，每个序列平均出现的次数。