10X scATAC-seq的结果 fragment files 含义

生信技能树

发布于 2025-05-26 00:58:46

11800

代码可运行

运行总次数：0

代码可运行

在前面学习使用大佬William J. Greenleaf团队开发的ArchR软件分析scATAC-seq数据时，发现他使用的输入数据跟 Signac 软件的输入数据不一样，使用的是名字为 fragments.tsv.gz的文件，下面看看这个文件的内容~

fragment 定义

fragment 在 ArchR 软件页面中的定义如下：

参考：https://www.archrproject.com/bookdown/a-brief-primer-on-atac-seq-terminology.html

In ATAC-seq, a fragment refers to a sequenceable DNA molecule created by two transposition events. Each end of that fragment is sequenced using paired-end sequencing. The inferred single-base position of the start and end of the fragment is adjusted based on the insertion offset of Tn5.
in ArchR, “fragments” refers to a table or genomic ranges object containing the chromosome, offset-adjusted single-base chromosome start position, offset-adjusted single-base chromosome end position, and unique cellular barcode ID corresponding to each sequenced fragment.

fragments.tsv.gz 如何生成

在帖子：scATAC-seq分析之CellRanger-ATAC定量，我们跑完了上游，来看下 Cellranger ATAC 结果的输出！

具体的说明如下：https://www.10xgenomics.com/support/software/cell-ranger-atac/latest/analysis/outputs/understanding-output

outs/ 文件夹的内容如下，就包含 fragments.tsv.gz 和 fragments.tsv.gz.tbi文件，所以，我们现在知道了这个结果来自Cellranger ATAC软件的运行结果！

analysis
cloupe.cloupe
cut_sites.bigwig
filtered_peak_bc_matrix
filtered_peak_bc_matrix.h5
filtered_tf_bc_matrix
filtered_tf_bc_matrix.h5
fragments.tsv.gz
fragments.tsv.gz.tbi
peak_annotation.tsv
peak_motif_mapping.bed
peaks.bed
possorted_bam.bam
possorted_bam.bam.bai
raw_peak_bc_matrix
raw_peak_bc_matrix.h5
singlecell.csv
summary.csv
summary.json
web_summary.html

再回顾一下 Signac 软件输入数据：

1.Peak/Cell matrix：矩阵的每一行代表基因组的一个区域（一个peak），该区域被预测为开放染色质的区域。矩阵中的每个值表示每个barcode（即一个细胞）映射到每个峰值内的Tn5整合位点的数量；

对应的文件为filtered_peak_bc_matrix，也可以是 filtered_peak_bc_matrix.h5：

filtered_peak_bc_matrix
├── barcodes.tsv
├── peaks.bed
└── matrix.mtx

2.singlecell.csv

3.fragments.tsv.gz

fragments.tsv.gz 的内容

关于这个文件的说明，官方文档见：https://www.10xgenomics.com/support/software/cell-ranger-atac/latest/analysis/outputs/fragments-file，特点如下：

由cellranger-atac count命令生成，类似于BED格式的表格文件；
每一行代表由该检测方法捕获的独特的ATAC-seq片段 fragment， tab键分割；
每个 fragment 是由两个独立的转座事件创建的，这些事件形成了观察到的 fragment 的两端；
每个独特的 fragment 可能会产生多个重复 reads，这些重复 reads 会被合并成一个单独的fragment 记录；
fragment 文件的的前三列定义与BED格式相同，因此在很多情况下可以将 fragment 文件视为BED文件；
在 fragments.tsv.gz 文件中的位置，与 BED 文件中的位置一样，是以 0 为基准的。

看下标准的：

chr1    10073   10186   ACGGATTCATGCGACC-1      1
chr1    10085   10203   TAATCGGCATACTGCA-1      1
chr1    10091   10285   GGTGCTGAGTGATAAC-1      2
chr1    10120   10126   CACCTTGGTCGCTACG-1      1
chr1    10138   10273   CACAACACAGAAAGAG-1      1
chr1    10144   10216   GCTTAAGCATCAGAAA-1      1
chr1    10151   10180   ATCCAGAAGGATGTCG-1      1
chr1    10151   10190   CTTAATCTCCTCCAGT-1      5
chr1    10151   10191   GCACCTTTCCGGAAAG-1      2
chr1    10151   10192   TTGTTCAGTCCTCAGG-1      1
chr1    10151   10196   AACTGGTAGCTCCATA-1      2
chr1    10151   10202   TCAGTCCTCCAACCTC-1      3
chr1    10151   10210   TGACAACCAACGAGGT-1      5
chr1    10151   10216   TTGCGAAAGGTAGGCT-1      1
chr1    10155   10210   AACGAGGGTATCGCGC-1      2
chr1    10155   10210   TATTGCTCAGTCCTGG-1      1
chr1    10157   10190   CAGCTAAGTTTGCCCT-1      1

每一列的具体含义：

第1列：chrom， fragment 的参考基因组染色体；
第2列：chromStart，调整的 fragment 在染色体上的起始位置；
第3列：chromEnd，染色体上 fragment 的调整后末端位置，末端位置是排他的；
第4列：barcode，这个 fragment 的10x细胞条形码。这对应于该 fragment 对应BAM文件记录附加的CB标签；
第5列：readSupport，与此fragment相关的reads对的总数，包括标记为唯一的reads对以及所有重复的reads；
第6列：strand，使用R1 (+)和R2 (-)接头序列确定片的 fragment 起源。（这一列好像在上面的数据中没有看到）

表头会使用 # 进行注释

Fragment interval

片段的 BED 间隔是通过调整测序 read-pair 的BAM比对间隔获得的。间隔的起始位置从最左侧比对位置向前移动4个碱基对（bp），从最右侧比对位置向后移动5个碱基对。转座酶在两条DNA链上各切出一个9个碱基对的突出端，调整后的位置代表了这两个切口的中点。这个位置被记录为一个 cut site 切口位点，代表了一个染色质可及性事件。

通过调整测序读对的BAM比对间隔来获得片段的BED间隔。调整的目的是为了确定转座酶在DNA链上切割的中点位置，这个位置被记录为切口位点，用于表示染色质的可及性事件。

fragments.tsv.gz.tbi

fragments.tsv.gz.tbi 文件是一个片段区间的 tabix 索引，便于从任意基因组区间随机访问记录。tabix 索引是通过使用 --preset=bed 创建的。

实战数据GSE173682

GSE173682数据中的 fragments.tsv.gz 内容如下：

# zless -S GSM5276944_3533EL_ATAC_fragments.tsv.gz
chr1    10157   10184   GCCAGACGTGTCCCAG-1      1
chr1    10345   10519   TGCTATTCAGGTCCTG-1      1
chr1    10594   11036   AGCTATGAGTGTCCCG-1      1
chr1    13292   13534   AGCCTCTGTGGGTAGT-1      1
chr1    13936   13998   CAATCCCAGACCTATC-1      2
chr1    13937   14003   GCGGTGTCATCCGTAA-1      1
chr1    13940   13998   ACTAACGTCGCTAGTA-1      2
chr1    13951   13997   ACCCAAACATCATAGC-1      1
chr1    13960   13993   GAATCTGAGTGAAGGA-1      3
chr1    13978   14009   CTCAACCAGATTAGAC-1      1
chr1    13978   14016   AACTGTGGTTTCCACC-1      1
chr1    15809   15922   TTAGCTTTCCAGGGAA-1      1
chr1    15895   16053   TTCTGTATCCTTCGAC-1      3
chr1    16091   16303   TTGCGGGAGGCAAGCT-1      5
chr1    16205   16241   ACCCAAAAGATCTAAG-1      1
chr1    16211   16272   TCAGGTACAGGCAAGT-1      2
chr1    16241   16339   ACCCAAAAGATCTAAG-1      1
chr1    17194   17521   CCAATGAGTTCATTTC-1      1