NGS数据格式之Bigwig/Wiggle

一、什么是Bigwig/Wiggle

Bigwig：简写为bw，它规定了全基因组数据的每个坐标区间的测序深度，bigWig是通过wig格式的文件转换的二进制压缩文件，是一种全基因组计算或实验信号数据的压缩的，索引的二进制格式，

Wiggle：简写为wig，表示基因组上一个区域的信号，可以上传至UCSC上进行可视化。而wig文件也是和BED文件类似的包含区域信息的文件，一般使用MACS峰值探测后可以产生wig格式的文件。

二、为什么要使用Bigwig/Wiggle文件

我们一般会熟悉sam/bam格式文件，就是把测序reads比对到参考基因组后的文件！bam或者bed格式（下节会讲到哦）的文件主要是为了追踪我们的reads到底比对到了参考基因组的哪些区域。而UCSC规定的这几个文件格式(Wiggle、BigWig和bedgraph)用处不一样，仅仅是为了追踪参考基因组的各个区域的覆盖度，测序深度！而且这些定义好的文件，可以无缝连接到UCSC的Genome Browser工具里面进行可视化！wig和bigWig文件的优势在于可以体现出数据大小的变化和高低，例如组蛋白修饰的峰值等。

其实对我们的bam文件，用samtools软件也可以很容易得到基因组区域的覆盖度和测序深度，比如：

samtools depth -r chr12:126073855-126073965  Ip.sorted.bam

chr12    126073855    5

chr12    126073856    15

chr12    126073857    31

chr12    126073858    40

chr12    126073859    44

chr12    126073860    52

...其余省略输出...

这其实就是wig文件的雏形，但是wig文件会更复杂一点！

首先它不需要第一列了，因为全部是重复字段，只需要在每个染色体的第一行定义好染色体即可。

三、什么是bigWig文件

BigWig格式是wig格式文件的二进制压缩版本，用于密集连续的数据，并在基因组浏览器中进行可视化，是UCSC推荐的一种格式。BigWig文件是由原始的Wig格式通过wigToBigWig工具转换过来， Sample commands:：

  
  # create the chrom.sizes file for the UCSC database (e.g., hg19).
  fetchChromSizes  hg19 > chrSize.txt
  # Convert wig to big wig:  
  wigToBigWig input.wig chrSize.txt myBigWig.bw

输出的BigWig文件大约比原始Wig文件多占用50%的内存（UCSC数据格式转换代码见：http://barcwiki.wi.mit.edu/wiki/SOPs/coordinates）。也可以由bedGraph 格式通过bedGraphToBigWig转换，这里不作展开。BigWig的主要优点是仅将显示特定区域所需的部分传输到UCSC，所以对于大数据集的文件，BigWig比Wig文件速度快。BigWig主要存在用户可以获得的网页上(http, https or ftp)，而不在UCSC服务器上，只有当前正在查看的染色体位置所需的文件部分在本地缓存为一个“稀疏文件”。

四、什么是Wiggle文件

Wig是一种比较老的格式，展示连续值的数据，比如GC百分比，转录组数据等，Wig的数据被压缩的，储存在128个独特的仓中，当导出为其他格式时，会有很小的损失。Wig数据的元素大小必须是一样的。如果数据大小不一样，应该使用bedGraph格式，如果数据过大，就转换为bigWig。在UCSC中具体使用哪种数据格式，细节见：http://genomewiki.ucsc.edu/index.php/Selecting_a_graphing_track_data_format。以UCSC给的Wig参考文件为例（注：因排版为题，只截取了部分文件，文件全文请查看：http://genome.ucsc.edu/goldenPath/help/examples/wiggleExample.txt）Wig的数据是面向行的，第一行定义了track的属性，比如track type=wiggle_0，指定track为Wig track。

Wig文件主要由两部分格式组成，variableStep format和fixedStep format。variableStep format以一个声明开始，明确了染色体的序号，跨度(span)。后面跟两列数据，染色体开始的碱基位置，数据的值value（可以理解为覆盖度）。span参数可以将含有相同value的连续碱基包含在一起，使数据更加简洁。如图，variableStep format span=150，包含的第一行数据49304701   10.0表示49304701-49304851有相同的value，为10.0。

  
  variableStep chrom=chr2
  300701 12.5
  300702 12.5
  300703 12.5
  300704 12.5
  300705 12.5 

等价于：

  
  variableStep chrom=chr2 span=5
  300701 12.5

都表示在2号染色体300701-300705位置上有相同的value，且value=12.5。

第二部分为fixedStep format， 由声明和单列数据组成。声明部分和variableStep format中各变量的意义一样。

  
  fixedStep chrom=chr3 start=400601 step=100 span=5
  11
  22
  33 

表示在3号染色体400601-400605, 400701-400705, and 400801-400805三个区域，value值分别为11, 22, 和 33。Wig中的value值可以是整数，实数，正数或者负数。只有指定的位置有value值，没有制定的位置则没有value，且不会在UCSU Genome Browser中作出图。

五、什么是BedGraph文件

最后顺便讲讲BedGraph ，它的trace type和Wig文件很像，不过后面的数据和bed文件很类似，ChIPseq数据做完peak calling后的bed文件最短只有三列，染色体序号，染色体起始位置和结束位置。如下图，前面的声明和Wig类似，后面的四列分别表示染色体序号，起始位置，结束位置和value值。

参考资料：

http://genome.ucsc.edu/goldenPath/help/wiggle.html

http://genome.ucsc.edu/goldenPath/help/bigWig.html

http://genome.ucsc.edu/goldenPath/help/bedgraph.html

http://genomewiki.ucsc.edu/index.php/Selecting_a_graphing_track_data_format

http://www.bio-info-trainee.com/1815.html

http://barcwiki.wi.mit.edu/wiki/SOPs/coordinates

还有更多文章，请移步公众号阅读

如果你生信基本技能已经入门，需要提高自己，请关注上面的生信技能树，看我们是如何完善生信技能，成为一个生信全栈工程师。

如果你是初学者，请关注下面的生信菜鸟团，了解生信基础名词，概念，扎实的打好基础，争取早日入门。