Please wait a minute...

Quantitative Biology

Quant. Biol.    2017, Vol. 5 Issue (3) : 226-235     DOI: 10.1007/s40484-017-0111-8
An introduction to computational tools for differential binding analysis with ChIP-seq data
Shiqi Tu1,2, Zhen Shao1()
1. CAS Key Laboratory of Computational Biology, Collaborative Innovation Center for Genetics and Developmental Biology, CAS-Max Planck Society Partner Institute for Computational Biology, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai 200031, China.
2. Graduate University of Chinese Academy of Sciences, Beijing 100049, China.
Download: PDF(658 KB)   HTML
Export: BibTeX | EndNote | Reference Manager | ProCite | RefWorks

Background: Gene transcription in eukaryotic cells is collectively controlled by a large panel of chromatin associated proteins and ChIP-seq is now widely used to locate their binding sites along the whole genome. Inferring the differential binding sites of these proteins between biological conditions by comparing the corresponding ChIP-seq samples is of general interest, yet it is still a computationally challenging task.

Results: Here, we briefly review the computational tools developed in recent years for differential binding analysis with ChIP-seq data. The methods are extensively classified by their strategy of statistical modeling and scope of application. Finally, a decision tree is presented for choosing proper tools based on the specific dataset.

Conclusions: Computational tools for differential binding analysis with ChIP-seq data vary significantly with respect to their applicability and performance. This review can serve as a practical guide for readers to select appropriate tools for their own datasets.

Author Summary  ChIP-seq experiment is now widely used to locate transcription factor binding sites and histone modification enrichments on a genome wide scale. Identifying the genomic regions with differential ChIP-seq signals across conditions is of broad biological and biomedical interests, yet it is still a computationally challenging task. By briefly reviewing the computational tools developed for differential binding analysis with ChIP-seq data, we summarize their characteristics in terms of strategy of statistical modeling and scope of application, providing a practical guide for readers to select appropriate tools for their own datasets.
Keywords ChIP-seq      peak calling      differential binding analysis      computational tools     
Corresponding Authors: Zhen Shao   
Online First Date: 28 July 2017    Issue Date: 24 August 2017
 Cite this article:   
Shiqi Tu,Zhen Shao. An introduction to computational tools for differential binding analysis with ChIP-seq data[J]. Quant. Biol., 2017, 5(3): 226-235.
E-mail this article
E-mail Alert
Articles by authors
Shiqi Tu
Zhen Shao
Fig.1  General work flow of two popular strategies for differential binding analysis with ChIP-seq data.
Fig.2  A diagram to classify most of the computational tools for differential binding analysis discussed in the main text, according to their strategy of statistical modeling and range of applicability.
Name Method description Characteristics and applicability
diffReps [ 49] Using a sliding window to scan the whole genome Multiple statistical tests are designed to handle both of the cases with and without biological replicates
PePr [ 50] Using a sliding window to scan the whole genome The negative binomial test is used to assess differential binding; biological replicates are required
ChIPDiff [ 47] Modeling the whole genome with a 3-state HMM using the beta-binomial hierarchy as emission The Bayesian hierarchy implicitly augments the number of hidden states, making the method sensitive to differential binding; it does not support replicates
ODIN [ 48] Modeling the whole genome with a 3-state HMM using the binomial or a mixture of Poisson as emission Refinement is performed for the specific type of ChIP-seq data, based on whether they are associated with sharp peaks or broad domains; it does not support replicates
THOR [ 15] An extension of ODIN using the negative binomial as emission THOR extends ODIN by supporting biological replicates and providing a series of procedures for bias correction and normalization
RSEG [ 32] Using an HMM to identify broad domains with consecutively elevated ChIP-seq signals The method accepts a treatment sample and an optional input sample as control, suited for histone modifications constituting broad domains such as H3K9me3 and H3K36me3
SICER [ 26] Leveraging enrichment information from neighboring regions to identify chromatin domains of enriched ChIP-seq signals Similar to RSEG, except that the resolution of chromatin domains identified by SICER is explicitly specified by users
MACS [ 25] Using the Poisson distribution with a dynamic background level to call ChIP-seq peaks The dynamic background is used to account for biases of local chromatin regions, suited for most transcription factors and histone modifications associated with sharp peaks
JAMM [ 33] Incorporating information from replicate samples to perform peak calling The method calls peaks jointly on replicates and, thus, improves the precision for determining peak boundaries
MAnorm [ 8] Normalizing two ChIP-seq samples based on their common peak regions The method does not assume that the genome-wide distribution of ChIP-seq signal intensities is invariant across samples and, thus, shows a robust behavior; it is suitable for ChIP-seq samples sharing a significant number of peaks
GFOLD [ 40] Given two ChIP-seq samples, modeling the distribution of fold changes in signal levels under a Bayesian framework GFOLD shrinks considerably a fold change calculated from small read counts to 1, leading to a more reliable ranking of differential peaks
edgeR [ 36] Modeling raw counts using the negative binomial distribution and identifying differential peaks; originally developed for RNA-seq data The method incorporates information from all peaks to estimate the common dispersion parameter, leading to a robust behavior even with the minimal level of replication
DESeq [ 37] Modeling raw counts using the negative binomial distribution and identifying differential peaks; originally developed for RNA-seq data DESeq generalizes edgeR by allowing an arbitrary mean-variance relationship and, thus, is more adaptive to different datasets
DBChIP [ 28] Using a generalized linear model with the negative binomial distribution to detect differential peaks DBChIP is specifically designed for ChIP-seq samples of transcription factors; it can handle experiment designs of arbitrary complexity (not limited to two-condition comparisons)
ChIPComp [ 29] Using a generalized linear model with the Poisson distribution to detect differential peaks ChIPComp is suited for both sharp peaks and broad domains; it can handle experiment designs of arbitrary complexity
voom [ 44] Converting count data into normalized continuous values and entering them into the limma package [ 46] to perform a differential analysis; originally developed for RNA-seq data voom aims to remove the heteroscedasticity intrinsic to count data by learning the mean-variance relationship and introducing a precision weight for each observation; it unlocks a large repository of tools originally designed for continuous measurements, including the limma [ 46]
Tab.1  Summary of the main characteristics and applicability of the computational tools shown inFigure 2.
1 Mardis, E. R.  (2007) ChIP-seq: welcome to the new frontier. Nat. Methods, 4, 613–614
doi: 10.1038/nmeth0807-613 pmid: 17664943
13 Liu, W., Tanasa,  B., Tyurina, O. V. ,  Zhou, T. Y. ,  Gassmann, R. ,  Liu, W. T. ,  Ohgi, K. A. ,  Benner, C. ,  Garcia-Bassets, I. ,  Aggarwal, A. K. , et al. (2010) PHF8 mediates histone H4 lysine 20 demethylation events involved in cell cycle progression. Nature, 466, 508–512
doi: 10.1038/nature09272 pmid: 20622854
14 Yu, M., Riva,  L., Xie, H. ,  Schindler, Y. ,  Moran, T. B. ,  Cheng, Y. ,  Yu, D., Hardison,  R., Weiss, M. J. ,  Orkin, S. H. , et al. (2009) Insights into GATA-1-mediated gene activation versus repression via genome-wide chromatin occupancy analysis. Mol. Cell, 36, 682–695
doi: 10.1016/j.molcel.2009.11.002 pmid: 19941827
2 Park, P. J. (2009) ChIP-seq: advantages and challenges of a maturing technology. Nat. Rev. Genet., 10, 669–680
doi: 10.1038/nrg2641 pmid: 19736561
15 Allhoff, M., Seré,  K., F Pires, J., Zenke, M.  and  G Costa, I.  (2016) Differential peak calling of ChIP-seq signals with replicates with THOR. Nucleic Acids Res., 44, e153
pmid: 27484474
3 Steinhauser, S., Kurzawa,  N., Eils, R.  and  Herrmann, C.  (2016) A comprehensive comparison of tools for differential ChIP-seq analysis. Brief. Bioinform., 17, 953–966
pmid: 26764273
4 Kundaje, A., Meuleman,  W., Ernst, J. ,  Bilenky, M. ,  Yen, A. ,  Heravi-Moussavi, A. ,  Kheradpour, P. ,  Zhang, Z. ,  Wang, J. ,  Ziller, M. J. , et al. (2015) Integrative analysis of 111 reference human epigenomes. Nature, 518, 317–330
doi: 10.1038/nature14248 pmid: 25693563
16 Wang, S., Sun,  H., Ma, J. ,  Zang, C. ,  Wang, C. ,  Wang, J. ,  Tang, Q. ,  Meyer, C. A. ,  Zhang, Y.  and  Liu, X. S.  (2013) Target analysis by integration of transcriptome and ChIP-seq data with BETA. Nat. Protoc., 8, 2502–2515
doi: 10.1038/nprot.2013.150 pmid: 24263090
17 Ouyang, Z., Zhou,  Q. and Wong, W. H.  (2009) ChIP-Seq of transcription factors predicts absolute and differential gene expression in embryonic stem cells. Proc. Natl. Acad. Sci. USA, 106, 21521–21526
doi: 10.1073/pnas.0904863106 pmid: 19995984
18 Wang, S., Zang,  C., Xiao, T. ,  Fan, J. ,  Mei, S. ,  Qin, Q. ,  Wu, Q., Li,  X., Xu, K. ,  He, H. H. , et al. (2016) Modeling cis-regulation with a compendium of genome-wide histone H3K27ac profiles. Genome Res., 26, 1417–1429
doi: 10.1101/gr.201574.115 pmid: 27466232
19 Chen, Y., Negre,  N., Li, Q. ,  Mieczkowska, J. O. ,  Slattery, M. ,  Liu, T. ,  Zhang, Y. ,  Kim, T. K. ,  He, H. H. ,  Zieba, J. , et al. (2012) Systematic evaluation of factors influencing ChIP-seq fidelity. Nat. Methods, 9, 609–614
doi: 10.1038/nmeth.1985 pmid: 22522655
20 Meyer, C. A. and Liu, X. S. (2014) Identifying and mitigating bias in next-generation sequencing methods for chromatin biology. Nat. Rev. Genet., 15, 709–721
doi: 10.1038/nrg3788 pmid: 25223782
21 Landt, S. G., Marinov,  G. K., Kundaje, A. ,  Kheradpour, P. ,  Pauli, F. ,  Batzoglou, S. ,  Bernstein, B. E. ,  Bickel, P. ,  Brown, J. B. ,  Cayting, P. , et al. (2012) ChIP-seq guidelines and practices of the ENCODE and modENCODE consortia. Genome Res., 22, 1813–1831
doi: 10.1101/gr.136184.111 pmid: 22955991
22 Furey, T. S. (2012) ChIP-seq and beyond: new and improved methodologies to detect and characterize protein-DNA interactions. Nat. Rev. Genet., 13, 840–852
doi: 10.1038/nrg3306 pmid: 23090257
23 Langmead, B., Trapnell,  C., Pop, M.  and  Salzberg, S. L.  (2009) Ultrafast and memory-efficient alignment of short DNA sequences to the human genome. Genome Biol., 10, R25
doi: 10.1186/gb-2009-10-3-r25 pmid: 19261174
24 Zhang, Y., Liu,  T., Meyer, C. A. ,  Eeckhoute, J. ,  Johnson, D. S. ,  Bernstein, B. E. ,  Nusbaum, C. ,  Myers, R. M. ,  Brown, M. ,  Li, W., et al. (2008) Model-based analysis of ChIP-Seq (MACS). Genome Biol., 9, R137
doi: 10.1186/gb-2008-9-9-r137 pmid: 18798982
25 Feng, J., Liu,  T., Qin, B. ,  Zhang, Y.  and  Liu, X. S.  (2012) Identifying ChIP-seq enrichment using MACS. Nat. Protoc., 7, 1728–1740
doi: 10.1038/nprot.2012.101 pmid: 22936215
26 Zang, C., Schones,  D. E., Zeng, C. ,  Cui, K. ,  Zhao, K.  and  Peng, W.  (2009) A clustering approach for identification of enriched domains from histone modification ChIP-Seq data. Bioinformatics, 25, 1952–1958
doi: 10.1093/bioinformatics/btp340 pmid: 19505939
27 Wilbanks, E. G.  and  Facciotti, M. T.  (2010) Evaluation of algorithm performance in ChIP-seq peak detection. PLoS One, 5, e11471
doi: 10.1371/journal.pone.0011471 pmid: 20628599
28 Liang, K. and Keles,  S. (2012) Detecting differential binding of transcription factors with ChIP-seq. Bioinformatics, 28, 121–122
doi: 10.1093/bioinformatics/btr605 pmid: 22057161
29 Chen, L., Wang,  C., Qin, Z. S.  and  Wu, H. (2015) A novel statistical method for quantitative comparison of multiple ChIP-seq datasets. Bioinformatics, 31, 1889–1896
doi: 10.1093/bioinformatics/btv094 pmid: 25682068
30 Barski, A., Cuddapah,  S., Cui, K. ,  Roh, T. Y. ,  Schones, D. E. ,  Wang, Z. ,  Wei, G. ,  Chepelev, I.  and  Zhao, K.  (2007) High-resolution profiling of histone methylations in the human genome. Cell, 129, 823–837
doi: 10.1016/j.cell.2007.05.009 pmid: 17512414
31 Wang, Z., Zang,  C., Rosenfeld, J. A. ,  Schones, D. E. ,  Barski, A. ,  Cuddapah, S. ,  Cui, K. ,  Roh, T. Y. ,  Peng, W. ,  Zhang, M. Q. , et al.(2008) Combinatorial patterns of histone acetylations and methylations in the human genome. Nat. Genet., 40, 897–903
doi: 10.1038/ng.154 pmid: 18552846
32 Song, Q. and Smith,  A. D. (2011) Identifying dispersed epigenomic domains from ChIP-Seq data. Bioinformatics, 27, 870–871
doi: 10.1093/bioinformatics/btr030 pmid: 21325299
33 Ibrahim, M. M. ,  Lacadie, S. A.  and  Ohler, U.  (2015) JAMM: a peak finder for joint analysis of NGS replicates. Bioinformatics, 31, 48–55
doi: 10.1093/bioinformatics/btu568 pmid: 25223640
5 Martens, J. H.  and  Stunnenberg, H. G.  (2013) BLUEPRINT: mapping human blood cell epigenomes. Haematologica, 98, 1487–1489
doi: 10.3324/haematol.2013.094243 pmid: 24091925
6 Lara-Astiaso, D., Weiner,  A., Lorenzo-Vivas, E., Zaretsky, I. ,  Jaitin, D. A. ,  David, E. ,  Keren-Shaul, H. ,  Mildner, A. ,  Winter, D. ,  Jung, S. , et al. (2014) Chromatin state dynamics during blood formation. Science, 345, 943–949
doi: 10.1126/science.1256271 pmid: 25103404
7 Koues, O. I., Kowalewski,  R. A., Chang, L. W. ,  Pyfrom, S. C. ,  Schmidt, J. A. ,  Luo, H. ,  Sandoval, L. E. ,  Hughes, T. B. ,  Bednarski, J. J. ,  Cashen, A. F. , et al. (2015) Enhancer sequence variants and transcription-factor deregulation synergize to construct pathogenic regulatory  circuits  in  B-cell  lymphoma.  Immunity, 42, 186–198
doi: 10.1016/j.immuni.2014.12.021 pmid: 25607463
34 Li, Q. H., Brown,  J. B., Huang, H.  and  Bickel, P. J.  (2011) Measuring reproducibility of high-throughput experiments. Ann. Appl. Stat., 5, 1752–1779
doi: 10.1214/11-AOAS466
35 Heinz, S., Benner,  C., Spann, N. ,  Bertolino, E. ,  Lin, Y. C. ,  Laslo, P. ,  Cheng, J. X. ,  Murre, C. ,  Singh, H.  and  Glass, C. K.  (2010) Simple combinations of lineage-determining transcription factors prime cis-regulatory elements required for macrophage and B cell identities. Mol. Cell, 38, 576–589
doi: 10.1016/j.molcel.2010.05.004 pmid: 20513432
36 Robinson, M. D. ,  McCarthy, D. J.  and  Smyth, G. K.  (2010) edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics, 26, 139–140
doi: 10.1093/bioinformatics/btp616 pmid: 19910308
37 Anders, S. and Huber,  W. (2010) Differential expression analysis for sequence count data. Genome Biol., 11, R106
doi: 10.1186/gb-2010-11-10-r106 pmid: 20979621
38 Ross-Innes, C. S. ,  Stark, R. ,  Teschendorff, A. E. ,  Holmes, K. A. ,  Ali, H. R. ,  Dunning, M. J. ,  Brown, G. D. ,  Gojis, O. ,  Ellis, I. O. ,  Green, A. R. , et al. (2012) Differential oestrogen receptor binding is associated with clinical outcome in breast cancer. Nature, 481, 389–393
pmid: 22217937
39 Conesa, A., Madrigal,  P., Tarazona, S. ,  Gomez-Cabrero, D. ,  Cervera, A. ,  McPherson, A. ,  Szcześniak, M. W. ,  Gaffney, D. J. ,  Elo, L. L. ,  Zhang, X. , et al. (2016) A survey of best practices for RNA-seq data analysis. Genome Biol., 17, 13
doi: 10.1186/s13059-016-0881-8 pmid: 26813401
40 Feng, J., Meyer,  C. A., Wang, Q. ,  Liu, J. S. ,  Shirley Liu, X.  and  Zhang, Y.  (2012) GFOLD: a generalized fold change for ranking differentially expressed genes from RNA-seq data. Bioinformatics, 28, 2782–2788
doi: 10.1093/bioinformatics/bts515 pmid: 22923299
41 Johnson, W. E. ,  Li, C. and Rabinovic, A. (2007) Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics, 8, 118–127
doi: 10.1093/biostatistics/kxj037 pmid: 16632515
42 Nueda, M. J., Ferrer,  A. and Conesa, A.  (2012) ARSyN: a method for the identification and removal of systematic noise in multifactorial time course microarray experiments. Biostatistics, 13, 553–566
doi: 10.1093/biostatistics/kxr042 pmid: 22085896
43 Robinson, M. D.  and  Smyth, G. K.  (2007) Moderated statistical tests for assessing differences in tag abundance. Bioinformatics, 23, 2881–2887
doi: 10.1093/bioinformatics/btm453 pmid: 17881408
44 Law, C. W., Chen,  Y., Shi, W.  and  Smyth, G. K.  (2014) voom: precision weights unlock linear model analysis tools for RNA-seq read counts. Genome Biol., 15, R29
doi: 10.1186/gb-2014-15-2-r29 pmid: 24485249
8 Shao, Z., Zhang,  Y., Yuan, G. C. ,  Orkin, S. H.  and  Waxman, D. J.  (2012) MAnorm: a robust model for quantitative comparison of ChIP-Seq data sets. Genome Biol., 13, R16
doi: 10.1186/gb-2012-13-3-r16 pmid: 22424423
45 Soneson, C. and Delorenzi, M. (2013) A comparison of methods for differential expression analysis of RNA-seq data. BMC Bioinformatics, 14, 91
doi: 10.1186/1471-2105-14-91 pmid: 23497356
46 Smyth, G. K.  (2004) Linear models and empirical bayes methods for assessing differential expression in microarray experiments.Stat. Appl. Genet. Mol. Biol., 3, Article3
9 Xu, J., Shao,  Z., Glass, K. ,  Bauer, D. E. ,  Pinello, L. ,  Van Handel, B. ,  Hou, S. ,  Stamatoyannopoulos, J. A. ,  Mikkola, H. K. ,  Yuan, G. C. , et al. (2012) Combinatorial assembly of developmental stage-specific enhancers controls gene expression programs during human erythropoiesis. Dev. Cell, 23, 796–811
doi: 10.1016/j.devcel.2012.09.003 pmid: 23041383
10 Faure, A. J., Schmidt,  D., Watt, S. ,  Schwalie, P. C. ,  Wilson, M. D. ,  Xu, H., Ramsay,  R. G., Odom, D. T.  and  Flicek, P.  (2012) Cohesin regulates tissue-specific expression by stabilizing highly occupied cis-regulatory modules. Genome Res., 22, 2163–2175
doi: 10.1101/gr.136507.111 pmid: 22780989
11 Trompouki, E., Bowman,  T. V., Lawton, L. N. ,  Fan, Z. P. ,  Wu, D. C. ,  DiBiase, A. ,  Martin, C. S. ,  Cech, J. N. ,  Sessa, A. K. ,  Leblanc, J. L. , et al. (2011) Lineage regulators direct BMP and Wnt pathways to cell-specific programs during differentiation and regeneration. Cell, 147, 577–589
doi: 10.1016/j.cell.2011.09.044 pmid: 22036566
12 Fujiwara, T., O’Geen,  H., Keles, S. ,  Blahnik, K. ,  Linnemann, A. K. ,  Kang, Y. A. ,  Choi, K. ,  Farnham, P. J.  and  Bresnick, E. H.  (2009) Discovering hematopoietic mechanisms through genome-wide analysis of GATA factor chromatin occupancy. Mol. Cell, 36, 667–681
doi: 10.1016/j.molcel.2009.11.001 pmid: 19941826
47 Xu, H., Wei,  C. L., Lin, F.  and  Sung, W. K.  (2008) An HMM approach to genome-wide identification of differential histone modification sites from ChIP-seq data. Bioinformatics, 24, 2344–2349
doi: 10.1093/bioinformatics/btn402 pmid: 18667444
48 Allhoff, M., Seré,  K., Chauvistré,  H., Lin, Q. ,  Zenke, M.  and  Costa, I. G.  (2014) Detecting differential peaks in ChIP-seq signals with ODIN. Bioinformatics, 30, 3467–3475
doi: 10.1093/bioinformatics/btu722 pmid: 25371479
49 Shen, L., Shao,  N. Y., Liu, X. ,  Maze, I. ,  Feng, J.  and  Nestler, E. J.  (2013) diffReps: detecting differential chromatin modification sites from ChIP-seq data with biological replicates. PLoS One, 8, e65598
doi: 10.1371/journal.pone.0065598 pmid: 23762400
50 Zhang, Y., Lin,  Y. H., Johnson, T. D. ,  Rozek, L. S.  and  Sartor, M. A.  (2014) PePr: a peak-calling prioritization pipeline to identify consistent or differential peaks from replicated ChIP-Seq data. Bioinformatics, 30, 2568–2575
doi: 10.1093/bioinformatics/btu372 pmid: 24894502
51 Ernst, J. and Kellis,  M. (2010) Discovery and characterization of chromatin states for systematic annotation of the human genome. Nat. Biotechnol., 28, 817–825
doi: 10.1038/nbt.1662 pmid: 20657582
52 Ernst, J. and Kellis,  M. (2012) ChromHMM: automating chromatin-state discovery and characterization. Nat. Methods, 9, 215–216
doi: 10.1038/nmeth.1906 pmid: 22373907
53 Ernst, J., Kheradpour,  P., Mikkelsen, T. S. ,  Shoresh, N. ,  Ward, L. D. ,  Epstein, C. B. ,  Zhang, X. ,  Wang, L. ,  Issner, R. ,  Coyne, M. , et al. (2011) Mapping and analysis of chromatin state dynamics in nine human cell types. Nature, 473, 43–49
doi: 10.1038/nature09906 pmid: 21441907
54 Kasowski, M., Kyriazopoulou-Panagiotopoulou,  S., Grubert, F. ,  Zaugg, J. B. ,  Kundaje, A. ,  Liu, Y. ,  Boyle, A. P. ,  Zhang, Q. C. ,  Zakharia, F. ,  Spacek, D. V. , et al. (2013) Extensive variation in chromatin states across humans. Science, 342, 750–752
doi: 10.1126/science.1242510 pmid: 24136358
55 Bonhoure, N., Bounova,  G., Bernasconi, D., Praz, V. ,  Lammers, F. ,  Canella, D. ,  Willis, I. M. ,  Herr, W. ,  Hernandez, N. ,  Delorenzi, M. , et al. (2014) Quantifying ChIP-seq data: a spiking method providing an internal reference for sample-to-sample normalization. Genome Res., 24, 1157–1168
doi: 10.1101/gr.168260.113 pmid: 24709819
56 Smyth, G. K., Michaud,  J. and Scott, H. S.  (2005) Use of within-array replicate spots for assessing differential expression in microarray experiments. Bioinformatics, 21, 2067–2075
doi: 10.1093/bioinformatics/bti270 pmid: 15657102
57 Wu, D., Lim,  E., Vaillant, F. ,  Asselin-Labat, M. L. ,  Visvader, J. E.  and  Smyth, G. K.  (2010) ROAST: rotation gene set tests for complex  microarray  experiments. Bioinformatics, 26, 2176–2182
doi: 10.1093/bioinformatics/btq401 pmid: 20610611
Related articles from Frontiers Journals
[1] Jing Qin, Bin Yan, Yaohua Hu, Panwen Wang, Junwen Wang. Applications of integrative OMICs approaches to gene regulation studies[J]. Quant. Biol., 2016, 4(4): 283-301.
Full text