CUT&RUN 差异结合分析归一化方法基准测试 [BRG1]

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE331453

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

CUT&RUN（Cleavage Under Targets and Release Using Nuclease）是一种日益流行的全基因组范围内分析蛋白质（转录因子、组蛋白修饰等）与DNA相互作用的方法。在对CUT&RUN数据进行差异结合分析，以识别不同条件下相互作用谱变化的基因组区域时，数据标准化对于准确的生物学解释至关重要。尽管如此，关于CUT&RUN数据集的最佳标准化方法尚无明确指南。在此，我们考察了五种标准化方法（spike-in、文库大小、背景、峰内读取和greenlist），并强调不同方法可能导致对数据的解释大相径庭。我们通过模拟多种可能的差异结合场景以及内部生成的数据集来测试这些标准化方法。我们确定，采用（i）文库大小或（ii）背景进行标准化最为稳健。重要的是，我们发现spike-in标准化是最不可靠的方法。我们的发现为CUT&RUN数据的标准化方法使用提供了指导，从而有助于实现可重复且稳健的分析。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。