【原】BED文件以及如何正确的从UCSC下载BED文件

健明 2021-07-14

展开全文

在画chip-seq里最基础的两张图的时候，出现了报错，报错信息各种看不懂呀，去网上各种搜也没有解决。后来请教健明老师，困扰我两天的难题他一眼就看出来是我bed文件出现了问题，就是说我从UCSC下载的bed文件是不对的。我就拿这个我以为的bed文件去查看TSS附近信号强度，最后结果当然是各种报错。犯这么蠢的错，归其原因是我不了解bed文件格式。

在做chipseq中下面这两张图的时候，用到deeptools软件里的computeMatrix命令，需要给一个参考的注释文件（就是我们这里介绍的bed文件），从而让软件查看样本在TSS（转录起始位点）附近是否有富集。

看下到底哪一步用到了bed文件

BED文件介绍

BED (Browser Extensible Data)格式文件就是通过规定行的内容来展示注释信息。
注释文件就是基因组的说明书。告诉我们哪些序列是编码蛋白的基因，哪些是非编码基因，外显子、内含子、UTR等的位置等等。注释文件在以下三个提供参考基因组的网站中都有提供，比如Ensemble、NCBI 、UCSC。之后我们介绍如何从UCSC上下载bed文件。

先简单了解下UCSC：
UCSC是生物领域里常用的数据库之一，由University of California Santa Cruz (UCSC)创立和维护，主要包含了人类、小鼠、果蝇等多种常见动物的基因组信息。UCSC里也包括了一系列的分析工具，帮助用户浏览基因信息、查看已有基因组注释信息和下载基因序列等。

基因组注释（genomic features）通常使用Browser Extensible Data (BED) 或者 General Feature Format (GFF)文件格式表示，用UCSC Genome Browser进行可视化比较。

Bed文件最基本的信息就是染色体或Contig的ID或编号，然后就是DNA的正负链信息，接着就是在染色体上的起始和终止位置数值。BED文件中起始坐标为0，结束坐标至少是1。

BED文件每行至少包括chrom，chromStart，chromEnd三列必选;另外还可以添加额外的9列可选，这些列的顺序是固定的。

必选的三列：

1. chrom - 染色体的名称（例如chr3，chrY，chr2_random）或支架（例如scaffold10671）。

2. chromStart- 染色体或支架中特征的起始位置。染色体中的第一个碱基编号为0。

3. chromEnd- 染色体或支架中特征的结束位置。所述 chromEnd碱没有包括在特征的显示。例如，染色体的前100个碱基定义为chromStart = 0，chromEnd = 100，并跨越编号为0-99的碱基。

特别注意：bed文件坐标为一半开半闭区间[start, end),所以如果是[10,20)，实际上只提取了10,11，…19 这十个位点，对应ucsc上的即为染色体坐标的10-19位碱基。ucsc上染色体坐标也是从0开始。

例如有一fasta格式的文件
chr1
TCGAGA

对应bed文件的坐标应为
chrome start end
chr1 0 5

用bedtools提取 CGAG 中间四个碱基，所需的bed输入文件应为[1,5)
chrome start end
chr1 1 5

9个可选的BED字段：

1. name：定义BED行的名称。当轨道打开到完全显示模式时，此标签显示在Genome浏览器窗口中BED行的左侧，或者在打包模式下直接显示在项目的左侧。

2. score：得分在0到1000之间。如果此注释数据集的轨迹线useScore属性设置为1，则得分值将确定显示此要素的灰度级别（较高的数字=较深的灰色）。此表显示 Genome Browser将BED分数值转换为灰色阴影：

3. strand：定义strand。只有三种情况 “.” 、“+”或“ - ”。

4. thickStart：绘制特征的起始位置（例如，基因显示中的起始密码子）。当没有厚部分时，thickStart和thickEnd通常设置为chromStart位置。

5. thickEnd：绘制特征的结束位置（例如基因显示中的终止密码子）。

6. itemRgb：R，G，B形式的RGB值（例如255,0,0）。如果轨道行 itemRgb属性设置为“On”，则此RBG值将确定此BED行中包含的数据的显示颜色。注意：建议使用此属性的简单颜色方案（八种颜色或更少颜色），以避免压倒Genome浏览器和Internet浏览器的颜色资源。

7. blockCount：BED行中的块（外显子）数。

8. blockSizes：块大小的逗号分隔列表。此列表中的项目数应与blockCount相对应。

9. blockStarts：以逗号分隔的块开始列表。应该相对于chromStart计算所有 blockStart位置。此列表中的项目数应与blockCount相对应。

官方介绍bed文件地址：http://genome./FAQ/FAQformat.html#format1

如何从UCSC正确的下载BED文件

参考jimmy老师的博客：http://www./2494.html

1. 首先进入UCSC的Table Browser：https://genome./cgi-bin/hgTables

2. 按照下图例子进行参数设置

在Table Browser里，我们选定人的基因组，采用最新的GRCh38版本，然后再选择Gene and Gene Predictions里的NCBI RefSeq作为想要导出的本地数据库。

注意: 将output format改选为“BED-browser extensible data”, output file一定要填写，如果空着的话即使选择了output format为BED格式也是输出网页形式; file type returned选择gzip compressed的话，下载会相对快一些。