矩阵生成
将Hi-C测序读数转换为归一化的接触矩阵
使用fanc auto命令，自动匹配读段到参考基因组，过滤假阳性，binning和归一化（Knight-Ruiz）。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
FAN-C：一个功能丰富的染色体构象捕获数据分析与可视化框架
FAN-C: a feature-rich framework for the analysis and visualisation of chromosome conformation capture data
实验完整度
中文献为计算工具开发，包含功能演示和验证，但缺乏湿实验验证，属于工具开发类研究。
主要模型
GM12878人类B淋巴细胞系 HUVEC人脐静脉内皮细胞 小鼠胚胎干细胞（ESC） 小鼠神经元前体细胞（NPC）和小鼠皮层神经元（CN）
重点核对
Hi-C数据矩阵的生成和分析参数（如窗口大小、分辨率） FAN-C与Cooler和Juicer格式的兼容性 使用示例数据集（GM12878、HUVEC、小鼠神经分化）验证功能
摘要
染色体构象捕获数据，特别是来自高通量方法（如Hi-C）的数据，通常非常复杂，难以分析。现有的分析工具往往功能单一，或兼容性仅限于少数几种数据格式，常常使Hi-C分析变得繁琐且耗时。在这里，我们介绍FAN-C，一个易于使用的命令行工具和功能强大的Python API，其功能集涵盖C类数据的矩阵生成、分析和可视化（https://github.com/vaquerizaslab/fanc）。由于FAN-C与最流行的Hi-C存储格式兼容，它可以与大量现有的分析工具结合使用，从而大大简化Hi-C矩阵分析。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何提供一个功能全面、兼容性强的Hi-C数据分析与可视化工具，以简化Hi-C数据处理流程？
- 核心机制
- FAN-C采用自定义分层存储格式，结合Knight-Ruiz矩阵平衡和迭代校正进行归一化，实现矩阵生成、分析和一体化可视化。
- 主要证据
- 通过处理GM12878和HUVEC的公开Hi-C数据，展示了矩阵生成、TAD、环、区室分析、差异比较和可视化功能。
- 研究意义
- FAN-C为Hi-C研究提供了综合性工具，提高分析效率和可重复性，有助于推动三维基因组研究。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
矩阵分析
识别染色质结构特征，如区室、TAD和环
计算距离衰减曲线、O/E转换、相关性矩阵、绝缘分数、方向性指数、HICCUPS环调用和聚合图。
矩阵比较
识别不同样本间的差异染色质结构
使用fanc compartments、fanc insulation、fanc compare等命令，比较ESC、NPC和CN的区室强度、绝缘分数差异和差异边界。
可视化
生成静态和交互式Hi-C相关数据视图
提供方形、三角形矩阵图，绝缘分数热图，聚合图，基因组浏览器等。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 矩阵生成 | 参考基因组版本（hg38/mm10）、比对工具参数、过滤参数 阅读提示：Methods部分：Hi-C matrix generation |
| 矩阵分析 | 分析的分辨率、窗口大小、AB区室分析的百分位数 阅读提示：Methods部分：Hi-C matrix analysis；API-based analyses |
| 矩阵比较 | 用于边界调用的窗口大小和边界强度截止值 阅读提示：Methods部分：Command-line based analyses |