使用homer进行peak注释

homer软件集成了许多的功能，包括peak calling, peak注释，motif分析等等，通过这一个软件，就可以完成chip_seq的绝大部分分析内容，不可谓不强大。本文主要介绍这个软件进行peak注释的用法。

在homer中通过annotatePeaks.pl这个脚本进行peak的注释，分为以下两步

1. 准备参考基因组的注释信息

homer内置了许多物种的注释信息供我们下载，通过以下命令可以查看所有内置的物种

perl configureHomer.pl --list

其中GENOMES部分对应的就是内置支持的物种，部分内容展示如下

GENOMES
v5.10 hg19 v6.0 human genome and annotation for UCSC hg19
+ mm10 v6.0 mouse genome and annotation for UCSC mm10
- sacCer3 v6.0 yeast genome and annotation for UCSC sacCer3
- panTro5 v6.0 human genome and annotation for UCSC panTro5

以hg19为例，下载方式如下

perl configureHomer.pl -install hg19

下载的信息保存在homer安装目录的data目录下，以hg19为例，在data/genome/hg19目录下，文件列表如下

├── chr1.fa
├── chr2.fa
├── chr3.fa
├── ...fa
├── chrom.sizes
├── conservation
├── hg19.annotation
├── hg19.aug
├── hg19.basic.annotation
├── hg19.full.annotation
├── hg19.miRNA
├── hg19.repeats
├── hg19.rna
├── hg19.splice3p
├── hg19.splice5p
├── hg19.stop
├── hg19.tss
├── hg19.tts
└── preparsed

包含了参考基因组的fasta序列以及不同区域的区间文件。
hg19.basic.annotation内容如下

Intergenic chr1 1 10873 + N 1900000000
promoter-TSS (NR_046018) chr1 10874 11974 + P 1
non-coding (NR_046018, exon 1 of 3) chr1 11975 12227 + pseudo 125025
intron (NR_046018, intron 1 of 2) chr1 12228 12612 + I 810684
non-coding (NR_046018, exon 2 of 3) chr1 12613 12721 + pseudo 125026
intron (NR_046018, intron 2 of 2) chr1 12722 13220 + I 810684
non-coding (NR_046018, exon 3 of 3) chr1 13221 13361 + pseudo 125027

同时在data/accession目录下，还有参考基因组对应的基因注释文件。
human2gene.tsv记录了基因的ubigene id, gene symbol等信息，内容如下所示

ADE73044 3107 Hs.656020 NM_002117 ENSG00000204525 HLA-C
ENSG00000113163 10087 Hs.270437 NM_005713 ENSG00000113163 COL4A3BP
DB065460 9947 Hs.132194 NM_005462 ENSG00000155495 MAGEC1
ENSP00000282466 285313 Hs.58561 NM_178822 ENSG00000152580 IGSF10
DB029361 22849 Hs.131683 NM_014912 ENSG00000107864 CPEB3
XP_016877211 87 Hs.235750 NM_001102 ENSG00000072110 ACTN1
EAW77897 56965 Hs.270244 NM_020213 ENSG00000137817 PARP6

human.description记录表了基因的功能描述，类别等信息，示意如下

2. 进行注释

用法如下

annotatePeaks.pl peak.bed hg19 > peak.annotation.xls

第一个参数为peak的bed文件，第二个参数为参考基因组的名称。输出结果如下所示

注释的内容包含两个部分，第一部分是距离peak区间最近的转录起始位点TSS，第二部分是对peak在基因组区域的分布，比如TSS,TTS,3’UTR,5’UTR等区域。

·end·