运行SCENIC做单细胞的转录因子分析时遇到一个问题，就是运行SCENIC所需的输入文件中需要用到cistarget database的参考motif文件，而这个在SCENIC官网上仅有人、小鼠、果蝇的参考数据库，而自己的数据是大鼠的基因组，因此需要自己动手去建大鼠的cistarget database。
SCENIC官网中提供了create cistarget database的workflow，但官网中该部分的文档写的并不十分详细，在此特别感谢另外一位做拟南芥的简友，提供了很好的借鉴，附上参考资料：
https://github.com/aertslab/create_cisTarget_databases
https://www.jianshu.com/p/59db26de0858
https://github.com/weng-lab/cluster-buster

第一步：安装各种软件

创建环境

conda create -n create_cistarget_databases \
    'python=3.10' \
    'numpy=1.21' \
    'pandas>=1.4.1' \
    'pyarrow>=7.0.0' \
    'numba>=0.55.1' \
    'python-flatbuffers'

conda activate create_cistarget_databases

将create_cisTarget_databases软件包拷贝到本地

git clone https://github.com/aertslab/create_cisTarget_databases

安装Cluster-Buster

##安装预编译二进制文件
cd "${CONDA_PREFIX}/bin" #进入环境根目录下的bin文件夹
wget https://resources.aertslab.org/cistarget/programs/cbust #下载预编译二进制文件
chmod a+x cbust #使该文件变为可执行文件

##安装cbust
git clone -b change_f4_output https://github.com/ghuls/cluster-buster/
cd cluster-buster
make cbust
conda activate create_cistarget_databases
cp -a cbust "${CONDA_PREFIX}/bin/cbust"

安装UCSC工具

cd "${CONDA_PREFIX}/bin"
wget http://hgdownload.soe.ucsc.edu/admin/exe/linux.x86_64/liftOver
wget http://hgdownload.soe.ucsc.edu/admin/exe/linux.x86_64/bigWigAverageOverBed
chmod a+x liftOver bigWigAverageOverBed
conda activate create_cistarget_databases

第二步：创建Cistarget数据库

根据create_cistarget_database的官方文档，需要输入以下文件

image.png

所需文件

1、FASTA file with regulatory regions: 所有基因的启动子区域序列，可以在UCSC中下载https://hgdownload.soe.ucsc.edu/goldenPath/rn7/bigZips/。

2、motifs矩阵文件：in Cluster-Buster format

从cisBP(http://cisbp.ccbr.utoronto.ca/)中下载大鼠基因的motif信息，主要关注PWM文件夹。

image.png PWM文件夹由许多motif的txt文件组成，点开其中一个motif的txt文件可以看到其中包含了motif的概率矩阵信息。在这个矩阵中，每一行代表一个碱基位置，每一列代表一个碱基类型，数字表示该位置上对应碱基类型的频次或权重。 image.png

需要注意的是，PWM文件夹中的motif矩阵文件需要修饰为Cluster-Buster中的motif矩阵格式!

image.png

cd ./pwms_all_motifs

#Step 1: 去掉文件夹中所有txt文件的第一行和第一列的信息
for file in *.txt; do
    awk 'NR>1 { for (i=2; i<=NF; i++) printf $i"\t"; printf "\n" }' "$file" > "${file}_temp"
    mv "${file}_temp" "$file"
done

#Step 2: 过滤掉文件夹中的空白文件
find ./ -type f -empty -delete

#Step 3: 提取文件夹中的文件名作为motif_id，并在相应的txt文件的第一行添加motif_id的信息
for file in *.txt; do
    motif_id=$(basename "$file" .txt)
    sed -i "1s/^/$motif_id\n/" "$file"
done

#Step 4: 在所有文档的开头加上“>”符号
sed -i '1s/^/>/' *.txt

#Step 5: 将所有文件的后缀名改为.cb文件
for file in *.txt; do
    mv "$file" "${file%.txt}.cb"
done

得到了以下结果： image.png

3、motif list：其实就是把PWM文件夹中所有文件的文件名提取出来形成一个txt文件就行

for file in pwms_all_motifs/*.cb; do
    echo "$(basename "$file" .cb)" >> motif_list.txt
done

运行create_cisTarget_motif_databases.py

cd /home/lwc/scRNA/SCENIC/create_cisTarget_databases
ln -s ~/scRNA/SCENIC/Rattus_cistarget_database/upstream2000.fa
ln -s ~/scRNA/SCENIC/Rattus_cistarget_database/pwms_all_motifs/
ln -s ~/scRNA/SCENIC/Rattus_cistarget_database/motif_list.txt

python create_cistarget_motif_databases.py \
   -f upstream2000.fa \
   -M pwms_all_motifs/ \
   -m motif_list.txt \
   -o ~/scRNA/SCENIC/Rattus_cistarget_database/ \
   -t 22

运行界面如下 image.png

总结

1. 第一步安装软件按照create_cistarget_database的官方文档来就好了
2. 第二步比较坑的一点是官方文档中只说了需要Cluster-Buster格式的motif文件，但是并没有详细说明，另外就是还缺少说明motif list需要的是什么信息。
3. 想要创建cistarget database，最关键的是要拿到对应种属的motif PWM文件，然后将这个motif的矩阵文件进行修饰改为Cluster-Buster的格式。
4. 本文选取的是收录motif信息最多的cisbp数据库，当然还有其他数据库可以下载这个motif PWM文件，但是至于怎么把它们整合起来那是另一回事了。