Motif預測分析是一種在生物信息學和計算生物學中廣泛應用的技術，用于識別DNA、RNA或蛋白質序列中具有生物學功能的短保守序列模式。接下來讓我們一起了解其分析的目的、在不同富集類實驗中的區別與常用分析軟件。

一

Motif預測分析的目的

解析基因調控機制：在DNA序列中，轉錄因子等調控蛋白通過結合特定的motif來啟動或抑制基因轉錄。如通過motif預測分析找到與細胞周期調控相關基因的啟動子區域的motif，可揭示細胞周期的調控機制。

推斷生物功能：蛋白質序列中的motif往往與特定功能相關，如酶的活性中心、信號傳導蛋白的結合位點等。通過motif預測分析可推斷新發現蛋白質的功能。

研究分子進化：保守的motif在不同物種中可能具有相似功能。對比不同物種間的motif，可以了解基因家族的進化關系和功能演變。

二

Motif預測分析在ChIP-seq和RIP-seq中的差異

• 2.1 技術原理差異

ChIP-seq先通過甲醛交聯將細胞內的蛋白質與DNA連接，用超聲波將基因組DNA打斷，再用特異性抗體進行免疫沉淀，得到與目標蛋白結合的DNA片段，測序后進行motif分析；RIP-seq實驗使用蛋白的特異性抗體將RNA-蛋白質復合體沉淀，回收RNA片段，測序后進行motif分析。

圖 1 ChIP-seq實驗步驟

圖 2 RIP-seq實驗步驟

• 2.2 研究對象差異

ChIP-seq研究蛋白質與DNA的相互作用，其motif預測分析主要是尋找轉錄因子等蛋白質在DNA上的結合位點motif；RIP-seq研究RNA結合蛋白與RNA的相互作用，其motif預測分析是尋找RNA結合蛋白在RNA上的結合位點motif。

• 2.3 分析意義的區別

ChIP-seq的motif預測分析可用于研究基因轉錄調控、染色質狀態和基因組結構等，幫助構建基因調控網絡；RIP-seq的motif預測分析主要用于研究RNA加工、轉運、翻譯調控和RNA穩定性等，有助于了解RNA結合蛋白在基因表達后調控中的作用。

當然，除了ChIP-seq和RIP-seq，motif預測分析還可用于確定基因家族保守序列，推斷基因進化關系和物種親緣關系；預測蛋白質功能結構域，輔助蛋白質結構預測；構建基因調控網絡，揭示信號轉導網絡中蛋白質相互作用模式等。

三

Motif預測分析常用軟件

目前，motif主流的分析軟件是MEME和HOMER(http://homer.ucsd.edu/homer/)。MEME主要基于多重期望最大化（EM）算法，通過迭代計算來尋找序列中最可能的motif模式。HOMER則是通過對基因組數據進行統計分析，結合已知的轉錄因子結合位點信息等，識別motif。

從結果展示方面，這兩個軟件也是有些區別的。

• 3.1 MEME分析motif

MEME網址：https://meme-suite.org/meme/

»  3.1.1 網頁版分析步驟如下：

① 進入官網，點擊MEME模塊

② 分析模式選擇（綠色框）：motif discovery mode一般選擇經典模式，提供一組序列。后面兩種模式需要提供兩組序列，旨在相對于第二組（對照）在第一組（主要）中富集的基序。the sequence alphabet指如果你的序列不是標準字母表（DNA、RNA、或蛋白質），必須輸入自定義字母表，一般不用管。

③ 提交序列（紅框）：選擇“Upload sequences”上傳包含序列的FASTA文件，上傳完文件后，MEME網站會自動檢測是蛋白序列還是DNA序列；或選擇“Type in sequences”直接將序列粘貼到文本框中。

④ 設置參數（黃色框）：Site Distribution根據對序列中motif分布的預期選擇，如“zero or one per sequence”表示每個序列中motif出現0次或1次，為默認選項；“one per sequence”表示每個序列中恰好出現1次；“any number of repetitions”表示每個序列中可出現任意次。

⑤ Motif數量（藍色框）：設置期望MEME發現的motif數量，決定在這一組多條序列中，將被挖掘出的結構域的種類數量。可先設置一個較大的值，再根據初步結果調整。默認值是3。

注：一般可先使用默認參數，如有特殊需求，再對其他參數進行調整。還可選擇提供郵箱地址，以便接收結果通知。

⑥ 提交分析：點擊“Start Search”按鈕提交任務，開始motif分析。

»  3.1.2 結果解讀

① 查看基本信息：MEME的結果頁面提供多種格式的輸出，如HTML、PDF等。首先查看motif的基本信息，包括motif的序列模式、E-value等，E-value越小，表明motif越具有統計學意義。

② 分析motif分布：查看motif在輸入序列中的分布情況，了解motif在不同序列中的位置和出現頻率，判斷其分布是否具有生物學意義。

③ 與已知motif比較：可將發現的motif與已知的motif數據庫（如TRANSFAC、JASPAR）進行比較，通過Tomtom工具等，確定是否與已知的motif相似，以推測其可能的生物學功能。

注：如果我們想要包含坐標軸和E-value，選擇MEME軟件分析更合適哦，motif序列也可以通過Adobe Illustrator等圖片編輯軟件拼接到peak峰圖對應位置。

• 3.2 HOMER分析motif

»  3.2.1 分析步驟如下：

① 下載腳本安裝HOMER、配置環境變量并下載基因組數據數據準備

② 準備目標序列文件：如果是基于ChIP-seq、ATAC-seq等高通量測序數據進行分析，需先進行peak calling，得到包含基因組位置信息的峰文件，如BED格式文件。文件中至少包含染色體、起始位置、結束位置等信息。

③ 確定背景序列：可選擇默認的自動背景選擇，也可自定義背景序列。若自定義，需準備包含背景序列基因組位置信息的文件。

④ 參數設置（參考）：

-len：設置要查找的motif長度，可指定多個長度，如-len 8,10,12表示查找長度為8bp、10bp和12bp的motif。

-size：指定分析區域的大小。-size 200表示每個峰的中心點前后各100bp，總共200bp的區域將被考慮進行分析；若要使用peak的實際大小進行分析，使用-size given。

-p：指定使用的CPU數量。

-mset：可指定使用的數據庫，如-mset vertebrates表示使用脊椎動物數據庫。

»  3.2.2 結果解讀

① 查看HTML結果文件：在輸出目錄中，homerresults.html文件展示新基序發現的結果，knownresults.html展示已知基序的發現結果。

注：Known和homer是兩種不同的motif預測算法，結果都是可信的。Known motif基于已有轉錄因子數據庫的motif結果，比對本次的peak有沒有在這些已有的研究motif上富集；homer result是指利用所有的peak從頭（de novo）計算得到motif，然后會比對已有轉錄因子數據庫的motif，看比對率最一致的是哪個（bestmatch）。兩者不一定一致（因為motif序列是一組序列模式，相似的序列可能會被歸為同一個motif）。

② 分析結果指標：

p-value：基于統計學的p值，用于表示基序在目標序列中出現的顯著性。

q-value(benjamini)：p值經過benjamini-hochberg校正后的q值，用于多重假設檢驗控制假陽性率。

fold enrichment：富集倍數，表示基序在目標序列中出現的頻率相對于背景序列的頻率。

③ 查看motif序列和logo圖：結果中會提供motif 的具體序列信息，還可能有logo圖展示motif的序列特征，可直觀了解motif中各堿基的分布和保守性。

愛基默認的motif分析軟件是HOMER，其利用了已知的數據庫信息和高通量數據的背景，在motif富集分析上的準確性相對較高。富集類的項目，如ChIP-seq、ATAC-seq、DAP-seq、RIP-seq、meRIP-seq、meDIP-seq愛基的標準流程中均會提供motif預測分析。如您需要相關技術，歡迎各位老師咨詢喲~

項目咨詢