#获取每个转录本的前100个碱基txs_pr <- promoter (txs_dm6_chr4,0,100) #获取每个启动子区域内每个碱基的信号countmatrix_pr <- getCountsByPositions(PROseq, txs_pr)

class(countmatrix_pr) ## [1] "matrix" "array" nrow(countmatrix_pr) == length(txs_pr) ## [1] TRUE ncol(countmatrix_pr) == width(txs_pr[1]) ## [1] TRUE

#在每个启动子区域的10个bp bin中获取信号countmatrix_pr_bin <- getCountsByPositions(PROseq, txs_pr, binsize = 10) countmatrix_pr_bin[1:5，]

# # [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] # # [1] 0 0 0 0 0 0 0 0 0 0 # # 7 [2] 2 1 1 0 0 0 3 2 0 # # [3] 0 0 1 0 0 0 1 0 0 0 # # [4] 0 0 0 0 0 0 0 0 0 0 # # [5] 0 0 0 0 0 0 0 0 0 0

all(rowsum (countmatrix_pr_bin) == rowsum (countmatrix_pr)) ## [1] TRUE

getCountsByPositions (PROseq txs_dm6_chr4)

## .get_cbp_mw(hits, dataset. mw)中的错误。gr,地区。gr, binsize, FUN, smw，:区域。Gr包含多个宽度的范围，但是simplify.multi.width被设置为'error'。你的意思是调用getCountsByRegions吗?

2.1例子:基因上的信号图

我们可以用getCountsByPositions ()获取单个基因的信号谱。让我们来看看TSS附近信号最高的基因:

idx <- where .max(rowsum (countmatrix_pr)) idx ## [1] 135 plot(x = 1:ncol(countmatrix_pr)， y = countmatrix_pr[idx，]， type = "h"， main = txs_pr$tx_name[idx]， xlab = "距离到TSS"， ylab = "PRO-seq信号")

2．2示例:绘制信号热图

的典型用法getCountsByPositions ()是根据信号在基因列表中的位置生成热图。的ComplexHeatmapPackage有良好的文档记录，并提供了高级别的功能，但我们也可以使用ggplot2生成可定制的热图。

为了格式化ggplot的矩阵，我们想要“融化”它。这个包reshape2可以将矩阵熔化成数据帧，但BRGenomics还提供了一个融化几个函数的参数，包括getCountsByPositions ()：

海关与边境保护局。df <- getCountsByPositions(PROseq, txs_pr, binsize = 10, melt = TRUE, ncores = 1) head(cbp.df)

##区域位置信号## 1 1 1 1 0 ## 2 1 2 0 ## 3 1 3 0 ## 4 1 4 0 ## 5 1 5 0 ## 6 1 6 0 0

如您所见，矩阵的行和列现在在这个数据框架的列中描述，每个位置的信号在第三列中。现在我们可以绘制:

库(ggplot2)

ggplot (cbp)。df, aes(x = 10*position - 5, y =区域，fill =信号)+ geom_raster() + coord_cartesian(expand = FALSE) + labs(x = "距离TSS"， y = "Transcript"， title = "PRO-seq"， fill = "Reads") + theme_bw()

PRO-seq数据的高动态范围意味着信号较少的区域(行)很难挑选出来。为了解决这个问题，我们可以行规范化数据，并且让我们按最大信号位置对行进行排序。

# take only rows decent signal row_signal <- rowsum (countmatrix_pr) idx_signal <- row_signal > median(row_signal) cbp <- countmatrix_pr[idx_signal，] # row-normalize cbp_rn <- 100 * cbp / rowsum (cbp) # get row order(by max position) row_order <- order(apply(cbp_rn, 1, where .max)， decline = TRUE) # melt into a dataframe rn_cbp. #Df <- reshape2::melt(cbp_rn[row_order，]， varnames = c("region"， "position")， value.name = "signal")

ggplot (rn_cbp。df, aes(x = position, y = region, fill = signal)) + geom_raster() + scale_fill_gradient(low = "white"， high = "blue") + coord_cartesian(expand = FALSE) + labs(x = "距离TSS"， y = NULL, title = "Row-Normalized PRO-seq"， fill = "% signal ") + theme_bw() + theme(axis.ticks.)。Y = element_blank()， axis.text.y = element_blank())

请注意，这不是典型的PRO-seq热图的样子，但由于点染色体、低测序深度和没有基因筛选，这些数据非常稀疏。