Juicebox:Hi-C數據可視化利器

2020-10-18 生信修煉手冊

Juicer軟體運行之後會得到後綴為hic的結果文件，該文件可以導入到juicebox這個工具中進行可視化。該工具是一款圖形界面工具，可以方便的查看和展示Hi-C圖譜，從以下連結可以下載該軟體

https://github.com/aidenlab/juicebox/wiki/Download

採用javar語言開發的GUI工具，支持多個平臺。啟動之後的界面如下所示

通過File->open可以導入後綴為hic的文件進行查看，可以導入本地的文件，也可以輸入url。軟體也內置了ENCODE的數據集，示意如下

雙擊即可導入，導入之後的界面如下

首先展示的是所有染色體的HI-C圖譜，通過工具欄可以選擇染色質，調整解析度，對交互矩陣進行歸一化，調整顯示的染色質區域。以17號染色質體為例，在Chromosomes一欄中，兩列都選擇17號染色體，代表交互矩陣的行和列都是17號染色體，然後點擊右邊的刷新按鈕，結果如下

通過Normalization工具調整歸一化方法；通過Resolution工具調整解析度；通過Goto工具調整顯示的染色體區域。

通過簡單的操作就可以查看和展示Hi-C圖譜了，除了這些基本功能外，還支持導入注釋文件，通過View->Show Annotation Panel可以打開注釋文件面板，注釋信息分為1D和2D的兩種，1D的主要指的是chip_seq,RNA_seq等信息，2D指的是TAD,染色質環等信息，通過Load ENCODE可以導入ENCODE資料庫中的一維注釋，示意如下

勾選需要導入的注釋信息，通過Load進行導入，打入之後界面如下

每個導入的track的顏色等配置可以在面板中進行調整，如下所示

通過Load Loops/Domain可以導入2D的注釋信息，示意如下

導入之後在Hi-C圖譜中看到對應的標記，如下所示

黃色區域標記的是TAD, 淺藍色區域標記的是染色質環，調整好之後的圖片也可以導出成PDF或者SVG格式。

通過juicebox, 可以動態探索Hi-C圖譜，輕鬆實現高質量的Hi-C圖片可視化效果。

·end·

相關焦點

  • #軟體工程##基因組觀#Juicebox:可視化Hi-C互作區(Cell System 乾貨)V1.0
    Juicebox Provides a Visualization System for Hi-C Contact Maps with Unlimited
  • 技能分享|Python數據可視化利器:Seaborn使用方法(一)
    本篇我們的主題是數據可視化的利器——seaborn庫的使用。Seaborn是基於matplotlib，在matplotlib的基礎上進行了更高級的API封裝，便於用戶可以更加簡便地做出各種有吸引力的統計圖表。
  • 數據可視化之R語言
    分類數據的可視化使用條形圖、點圖、柱形圖、脊柱圖、馬賽克圖、餅圖及四折圖連續數據的可視化使用箱線圖、直方圖、散點圖及其變種、帕累託圖==============================================一、分類數據的可視化
  • 如何用pandas更快地進行數據可視化?
    Pandas更快的進行數據可視化！df = pd.DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000), 'c': np.random.randn(1000) - 1}, columns=['a', 'b
  • kaggle:R可視化分析金拱門餐廳食物營養性(一)
    我們偶爾吃的這家快餐，它滴食物營養性咋樣，今天我們就來對kaggle競爭上的這份數據做一個可視化分析！公眾號後臺回復「金拱門」下載數據集。) ,contour = FALSE)+scale_fill_viridis(option="magma")#鈉與卡路裡的可視化繪圖（圖4）d3<-menu%>%ggplot(aes(x=Sodium,y=Calories))+stat_density_2d(geom = "tile", aes(fill = ..density..), h=c(3000,1500) ,contour =
  • 可視化工具不知道怎麼選?深度評測5大Python數據可視化工具
    作者 | 劉早起來源 | 早起Python（ID: zaoqi-python）相信很多讀者學習Python就是希望作出各種酷炫的可視化圖表，當然你一定會聽說過Matplotlib、Pyecharts、Seaborn、Plotly、Bokeh這五大工具，本文就將通過真實繪圖來深度評測這五個Python數據可視化的庫，看看到底這幾種工具各有什麼優缺點
  • 數據可視化在移動端的應用
    隨著大數據行業的快速發展，數據可視化設計在移動端的應用越來越多。今天我們就數據可視化在移動端的使用場景、特點、注意事項以及各個使用場景進行一次簡單的分享。應用場景數據可視化在移動端的主要體現是「數據圖表」，我們最常用的數據設計組件就是：柱狀圖、折線圖、環形圖等，它們簡單易懂，容易被用戶接受。
  • python可視化
    基於pandas的內置可視化基本繪圖Series和DataFrame上的這個功能只是使用matplotlib庫的plot()方法的簡單包裝實現。Boxplot可以繪製調用Series.box.plot()和DataFrame.box.plot()或DataFrame.boxplot()來可視化每列中值的分布。
  • 有這5小段代碼在手,輕鬆實現數據可視化(Python+Matplotlib)
    大數據文摘作品編譯：傅一洋、吳雙、龍牧雪本文要講的是Matplotlib，一個強大的Python可視化庫。一共5小段代碼，輕鬆實現散點圖、折線圖、直方圖、柱狀圖、箱線圖，每段代碼只有10行，也是再簡單不過了吧！數據可視化是數據科學家工作的一項主要任務。
  • matplotlib的Python數據可視化和探索——入門指南
    matplotlib——最受歡迎的Python庫，用於數據可視化和探索我喜歡在Python中使用matplotlib。這是我學會掌握的第一個可視化庫，此後一直存在。matplotlib是最受歡迎的用於數據可視化和探索的Python庫，這是有原因的——它提供的靈活性和敏捷性是無與倫比的！
  • 淺談數據可視化
    我主要進行了少量數據處理和系統可視化部分，在這個過程中，覺得數據可視化是一個非常迷人的話題，這過程中也了解了很多相關的資料，學習了一些基礎的工具，在這裡分享給大家，也是為自己做一個整理和記錄。1、什麼是數據可視化？
  • Python數據可視化實例之繪製圖表
    Python數據可視化實例之繪製圖表原創 蟲蟲安全 2018-09-05 17:41:57得利於語言的簡單明了、豐富的數據結構、豐富的類和模塊，Python如今成了數據科學中的香餑餑，成了matlab、R語言之外又一強大的數據分析工具。拋開其他方面的、今天蟲蟲帶大家一起來探索Python在數據可視化方面的應用。
  • 一文讀懂ggplot2數據可視化
    前言ggplot2是數據可視化的重要程序包，用於繪製各種高級統計圖形。
  • Juice是果汁,那my phone needs juice,難道是手機需要果汁?
    但是為了降降暑，很多小夥伴開始點各種奶茶（bubble tea）呀，果汁（juice）呀。比如orange juice橙汁，watermelon juice西瓜汁，以及Lemon juice檸檬汁。當然少有人會直接喝檸檬汁，都是喝的檸檬水，叫做lemonade。
  • 數據可視化的基本流程
    作者 | 向倩文來源 | 數據產品手記大多數人對數據可視化的第一印象，可能就是各種圖形，比如Excel圖表模塊中的柱狀圖、條形圖、折線圖、餅圖、散點圖等等，就不一一列舉了。以上所述，只是數據可視化的具體體現，但是數據可視化卻不止於此。
  • 「Out of juice」 是沒果汁了?太天真!
    這個影響力也可以引申為我們中文中的「有關係，走後門」，比如：一次美國老闆出差，但是時間緊急訂不到房間，老闆問我Do you have any juice?這裡的juice絕不是 「something to drink」，當時我以為老闆要喝果汁，隨即問道「What kind of juice do you want?
  • phyloseq | 用 R 分析微生物組數據及可視化(三)
    排序分析排序分析（Ordination analysis）是探索複雜的系統發育測序數據的得力工具。簡而言之，排序（ordination）的過程就是在一個可視化的低維空間重新排列這些樣方，使得樣方之間的距離最大程度地反映出平面散點圖內樣方之間的關係信息。phyloseq分別通過ordinate()和plot_ordination()函數，來進行排序分析及其可視化。
  • 海洋數據三維可視化
    海洋數據可視化平臺指通過海洋信息三維可視化技術，實現海洋信息數據的可視化。海洋數據可視化是科學管理海洋數據的重要組成部分，它能夠將無法直接查看的數據以直觀的圖形方式展示出來，提高海洋數據研究利用能力，能提髙數據訪問效率及安全性。
  • 兩步搞定數據可視化
    數據可視化強調以圖形形式呈現抽象信息。數據可視化使我們能夠發現傳統報告，表格或電子表格中未被注意的模式，趨勢和相關性。研究表明，人類對視覺的反應優於任何其他類型的刺激。人類大腦處理視覺信息的速度比文本快60,000倍。
  • 從數據可視化到交互式數據分析
    高可視性的可視化項目主要關注兩個目的：帶來靈感和幫助解釋。然而，可視化可以通過數據分析來增加對複雜問題的理解，這樣的項目雖然不多見，但不代表不重要。數據可視化的三個主要用途我知道我這樣總結可能存在嚴重簡化的風險。但是，我發現根據主要目的（有意或無意）確定數據可視化的三類主要用途是很有用的，這也有助於我在本文後面闡明一些觀點。