对于ChIP-seq实验，我们从比对文件中观察到的是链的不对称性，其中+/-链上的读取密度位于结合位点的中心。所选片段的5'末端将在正链和负链上形成基团。然后使用统计方法评估这些组的分布，并与背景（输入或模拟IP样本）进行比较，以确定富集位点是否可能是真实的结合位点。

MACS2

MACS2，一个基于模型分析的，常用于ChIP-seq识别转录因子结合位点的工具。 MACS算法捕获基因组的复杂性的影响，以评估丰富的CHIP区域的意义。尽管它是为检测转录因子结合位点而开发的，但它也适用于较大的区域。

MACS通过结合测序标签位置和方向信息来提高结合位点的空间分辨率。MACS可以轻松地单独用于ChIP样品，也可以与增加峰值调用特异性的对照样品一起使用。MACS工作流程如下所示。

配对峰建立模型

真实结合位点周围的标签密度应显示双峰富集模式（或成对的峰）。MACS利用这种双峰模式来对移动大小进行经验建模，以更好地定位精确的结合位点。

为了找到配对峰以建立模型，MACS首先扫描整个数据集，以寻找高度重要的富集区域。仅使用ChIP示例即可完成！给定超声处理的大小（bandwidth）和高置信度的折叠富集（mfold），MACS会bandwidth在基因组上滑动两个窗口，以找到具有相对于随机标签基因组分布而言富集程度更高的标签的mfold区域。

MACS随机采样这些高质量峰中的1,000个，分离其正链和负链标签，并按其中心之间的中点对齐它们。的在对准的两个峰的模式之间的距离被定义为“d”和表示所估计的片段长度。MACS将所有标签朝着3'末端移动d / 2到最可能的蛋白质-DNA相互作用位点。

纠正低映射区域中真实信号的丢失

为了从标签数计算λBG，MAC2需要有效的基因组大小或可映射的基因组大小。可映射性与基因组中特定位置的k聚体的独特性有关。低复杂度和重复区域的唯一性较低，这意味着可映射性较低。因此，我们需要提供有效的基因组长度，以纠正低映射区域中真实信号的丢失。

峰值检测

MACS将每个标签移动 d / 2 后，它会使用2d的窗口大小在基因组中滑动以找到候选峰。沿着基因组的标签分布可以通过泊松分布来建模。泊松是一个参数模型，其中参数λ是该窗口中预期的读取次数。

MACS2输出文件

.narrowPeak 是 BED 6 + 4 格式，表示标准BED文件的前6列以及4个其他字段：