We present Model-based Analysis of ChIP-Seq data, MACS, which analyzes data generated by short read sequencers such as Solexa's Genome Analyzer. MACS empirically models the shift size of ChIP-Seq tags, and uses it to improve the spatial resolution of predicted binding sites. MACS also uses a dynamic Poisson distribution to effectively capture local biases in the genome, allowing for more robust predictions. MACS compares favorably to existing ChIP-Seq peak-finding algorithms, and is freely available.

We have produced a draft sequence of the rice genome for the most widely cultivated subspecies in China, Oryza sativa L. ssp. indica , by whole-genome shotgun sequencing. The genome was 466 megabases in size, with an estimated 46,022 to 55,615 genes. Functional coverage in the assembled sequences was 92.0%. About 42.2% of the genome was in exact 20-nucleotide oligomer repeats, and most of the transposons were in the intergenic regions between genes. Although 80.6% of predicted Arabidopsis thaliana genes had a homolog in rice, only 49.4% of predicted rice genes had a homolog in A. thaliana . The large proportion of rice genes with no recognizable homologs is due to a gradient in the GC content of rice coding sequences.

Unified, structured vocabularies and classifications freely provided by the Gene Ontology (GO) Consortium are widely accepted in most of the large scale gene annotation projects. Consequently, many tools have been created for use with the GO ontologies. WEGO (Web Gene Ontology Annotation Plot) is a simple but useful tool for visualizing, comparing and plotting GO annotation results. Different from other commercial software for creating chart, WEGO is designed to deal with the directed acyclic graph structure of GO to facilitate histogram creation of GO annotation results. WEGO has been used widely in many important biological research projects, such as the rice genome project and the silkworm genome project. It has become one of the daily tools for downstream gene annotation analysis, especially when performing comparative genomics tasks. WEGO, along with the two other tools, namely External to GO Query and GO Archive Query, are freely available for all users at http://wego.genomics.org.cn . There are two available mirror sites at http://wego2.genomics.org.cn and http://wego.genomics.com.cn . Any suggestions are welcome at wego@genomics.org.cn .

Model-based analysis of ChIP-seq (MACS) is a computational algorithm that identifies genome-wide locations of transcription/chromatin factor binding or histone modification from ChIP-seq data. MACS consists of four steps: removing redundant reads, adjusting read position, calculating peak enrichment and estimating the empirical false discovery rate (FDR). In this protocol, we provide a detailed demonstration of how to install MACS and how to use it to analyze three common types of ChIP-seq data sets with different characteristics: the sequence-specific transcription factor FoxA1, the histone modification mark H3K4me3 with sharp enrichment and the H3K36me3 mark with broad enrichment. We also explain how to interpret and visualize the results of MACS analyses. The algorithm requires ∼3 GB of RAM and 1.5 h of computing time to analyze a ChIP-seq data set containing 30 million reads, an estimate that increases with sequence coverage. MACS is open source and is available from http://liulab.dfci.harvard.edu/MACS/.

Complex organisms require tissue-specific transcriptional programs, yet little is known about how these are established. The transcription factor FoxA1 is thought to contribute to gene regulation through its ability to act as a pioneer factor binding to nucleosomal DNA. Through genome-wide positional analyses, we demonstrate that FoxA1 cell type-specific functions rely primarily on differential recruitment to chromatin predominantly at distant enhancers rather than proximal promoters. This differential recruitment leads to cell type-specific changes in chromatin structure and functional collaboration with lineage-specific transcription factors. Despite the ability of FoxA1 to bind nucleosomes, its differential binding to chromatin sites is dependent on the distribution of histone H3 lysine 4 dimethylation. Together, our results suggest that methylation of histone H3 lysine 4 is part of the epigenetic signature that defines lineage-specific FoxA1 recruitment sites in chromatin. FoxA1 translates this epigenetic signature into changes in chromatin structure thereby establishing lineage-specific transcriptional enhancers and programs.

The evolution of prostate cancer from an androgen-dependent state to one that is androgen-independent marks its lethal progression. The androgen receptor (AR) is essential in both, though its function in androgen-independent cancers is poorly understood. We have defined the direct AR-dependent target genes in both androgen-dependent and -independent cancer cells by generating AR-dependent gene expression profiles and AR cistromes. In contrast to what is found in androgen-dependent cells, AR selectively upregulates M-phase cell-cycle genes in androgen-independent cells, including UBE2C, a gene that inactivates the M-phase checkpoint. We find that epigenetic marks at the UBE2C enhancer, notably histone H3K4 methylation and FoxA1 transcription factor binding, are present in androgen-independent cells and direct AR-enhancer binding and UBE2C activation. Thus, the role of AR in androgen-independent cancer cells is not to direct the androgen-dependent gene expression program without androgen, but rather to execute a distinct program resulting in androgen-independent growth.

Peroxisome proliferator-activated receptor γ(PPARγ), a nuclear receptor and the target of anti-diabetic thiazolinedione drugs, is known as the master regulator of adipocyte biology. Although it regulates hundreds of adipocyte genes, PPARγ binding to endogenous genes has rarely been demonstrated. Here, utilizing chromatin immunoprecipitation (ChIP) coupled with whole genome tiling arrays, we identified 5299 genomic regions of PPARγ binding in mouse 3T3-L1 adipocytes. The consensus PPARγ/RXRα “DR-1”-binding motif was found at most of the sites, and ChIP for RXRα showed colocalization at nearly all locations tested. Bioinformatics analysis also revealed CCAAT/enhancer-binding protein (C/EBP)-binding motifs in the vicinity of most PPARγ-binding sites, and genome-wide analysis of C/EBPα binding demonstrated that it localized to 3350 of the locations bound by PPARγ. Importantly, most genes induced in adipogenesis were bound by both PPARγ and C/EBPα, while very few were PPARγ-specific. C/EBPβ also plays a role at many of these genes, such that both C/EBPα and β are required along with PPARγ for robust adipocyte-specific gene expression. Thus, PPARγ and C/EBP factors cooperatively orchestrate adipocyte biology by adjacent binding on an unanticipated scale.

The increasing volume of ChIP-chip and ChIP-seq data being generated creates a challenge for standard, integrative and reproducible bioinformatics data analysis platforms. We developed a web-based application called Cistrome, based on the Galaxy open source framework. In addition to the standard Galaxy functions, Cistrome has 29 ChIP-chip- and ChIP-seq-specific tools in three major categories, from preliminary peak calling and correlation analyses to downstream genome feature association, gene expression analyses, and motif discovery. Cistrome is available at http://cistrome.org/ap/ .

Protein localization to membrane-enclosed organelles is a central feature of cellular organization. Using protein correlation profiling, we have mapped 1,404 proteins to ten subcellular locations in mouse liver, and these correspond with enzymatic assays, marker protein profiles, and confocal microscopy. These localizations allowed assessment of the specificity in published organellar proteomic inventories and demonstrate multiple locations for 39% of all organellar proteins. Integration of proteomic and genomic data enabled us to identify networks of coexpressed genes, cis-regulatory motifs, and putative transcriptional regulators involved in organelle biogenesis. Our analysis ties biochemistry, cell biology, and genomics into a common framework for organelle analysis.