DAP-seq技术解析大豆转录因子调控种子含油量的研究框架

最近我在重新整理大豆种子含油量相关的转录调控资料时，又刷到一篇JIPB（Journal of Integrative Plant Biology）上采用DAP-seq技术解析大豆转录因子调控种子含油量机制的论文。DAP-seq这几年在作物功能基因组学里的出镜率越来越高，但真正把它和农艺性状因果链条串完整的文章并不多，这篇恰好是个很适合拿来当范本的案例。无论你是做大豆、油菜还是其他油料作物，这篇文章的从“找转录因子”到“验证直接靶基因”再到“锚定油脂代谢通路”的完整框架，都可以直接借鉴过来。

这篇文章对我最有吸引力的地方是：它没有堆砌新技术，而是用DAP-seq这一个关键工具，把一个长期悬而未决的问题——某个转录因子究竟通过哪些下游基因影响种子含油量——从“猜测”提升到了“可验证的调控网络”层面。下面我就结合自己处理这类项目的经验，把这篇文章的方法逻辑、技术原理、生信流程和落地价值完整拆开讲一讲。

1. 为什么研究大豆种子含油量总绕不开转录因子

1.1 含油量是一个典型的数量性状，但最终要落到“开关”上

大豆种子含油量通常在17%到22%之间，品种间差异不大，但就是这么几个百分点的波动，对油脂加工企业的压榨利润和育种家的品种推广影响巨大。过去几十年，育种家通过常规杂交和选择把含油量一步步往上推，速度却越来越慢。原因在于含油量受多基因控制，大量QTL和GWAS位点被定位出来，但真正能落到功能基因的少之又少。

在这个背景下，转录因子进入研究者的视野。油脂合成过程已经研究得很清楚：质体里的脂肪酸从头合成、内质网上的三酰甘油组装、油体表面蛋白的包裹，每一步背后都有一批酶基因在表达。而转录因子是这些酶基因的“总开关”，一个转录因子能同时调控一批合成酶基因，这种“一对多”的调控特征是改良含油量的理想靶点。

拟南芥里的研究早就证明了这一点。WRI1属于AP2/EREBP家族，直接激活糖酵解和脂肪酸合成相关的酶基因，过量表达就能显著提升种子含油量；LEC1是NF-YB家族成员，处在油脂积累调控网络的上游，控制胚胎成熟和油脂合成进程；FUS3属于B3家族，和LEC1、LEC2、ABI3形成一套调控模块。大豆里也有这些基因的同源拷贝，但问题在于，大豆基因组复杂，每个基因往往有多个拷贝，到底哪个拷贝在种子发育期起作用、直接调控哪些下游基因，单靠序列同源比对根本回答不了。

JIPB这篇论文的思路就是从这个痛点切入：先锁定一个在大豆种子发育期明显表达、且和油脂积累相关的转录因子，然后用DAP-seq技术一次性拿到它全基因组范围的结合位点，再结合转录组数据筛选出真正受它调控的靶基因。这种“由因到果”的路径，比单纯做转录组差异分析或者蛋白互作要精准得多。

1.2 转录因子的“直接靶基因”为什么难找

很多课题组都遇到过类似困境：转基因实验证明某个转录因子能提高含油量，表达谱也支持它在种子成熟期起作用，但一问“它到底调控了哪些基因”，整个团队就卡住了。传统方法是先看候选转录因子过表达或突变后的转录组差异，从成千上万个差异基因里盲猜靶点，再用EMSA或酵母单杂交逐个验证，效率低，还容易漏掉真实的直接靶基因。

转录因子的功能逻辑是“结合DNA序列→改变下游基因转录”。要证明一个基因是直接靶基因，至少需要两条证据：一是转录因子在体内或体外能结合到该基因附近的调控序列，二是该基因的表达确实受这个转录因子影响。光有转录组差异，只能说明间接调控；光有体外结合，不能代表体内真实事件。DAP-seq解决的是第一类证据的规模化获取问题，而这篇JIPB文章的高明之处，是把DAP-seq和转录组数据做了精细的交集运算，从而大大压缩了候选靶基因的范围。

2. DAP-seq技术到底做了什么，和ChIP-seq有什么区别

2.1 从ChIP-seq的“抗体依赖”到DAP-seq的“标签依赖”

要理解DAP-seq，最好的参照物是ChIP-seq。ChIP-seq是染色质免疫共沉淀测序，原理是把细胞内的DNA和蛋白用甲醛交联固定，打断染色质，再用目标转录因子的抗体把“蛋白-DNA复合物”沉淀下来，解交联后测序，就能得到转录因子在全基因组上的结合位点。

ChIP-seq听起来直接，但实操门槛很高。最大瓶颈是抗体：研究一个转录因子，往往需要先制备特异性抗体，这多则耗时半年，少则也要一两个月，而且效果不稳定。即使改用标签蛋白（比如Flag、GFP），也至少要构建稳定转基因材料。对于大豆这种转化周期动辄半年以上的作物，每个转录因子都做一套ChIP-seq，时间成本根本承受不起。

DAP-seq在2016年由Nature Plants发表后，等于把这个问题从源头绕开了。它不需要抗体，不需要转基因材料，核心是用体外表达的“Halo标签融合转录因子蛋白”去“钓”基因组DNA片段。HaloTag是一种经过改造的脱卤素酶，能和HaloLink树脂形成共价键，洗脱条件严格，背景很低。整个流程分两大块：体外表达蛋白和构建基因组DNA文库，两块拼在一起就能完成一个转录因子的全基因组结合位点扫描。

2.2 DAP-seq标准流程和大豆体系的关键适配

DAP-seq的具体操作步骤大致是这样：

1. 构建转录因子的Halo标签融合表达载体。一般用体外转录翻译系统或者小麦胚芽无细胞表达系统表达蛋白，避免大肠杆菌系统容易形成包涵体的问题。表达后用磁珠（HaloLink Beads）把蛋白固定在磁珠表面。

2. 准备基因组DNA文库。把大豆幼叶或幼嫩组织的基因组DNA提取出来，超声波打断成300到500bp的片段，经过末端修复、加A、连上测序接头，做成类似普通的DNA-seq文库。

3. 把带有Halo-TF蛋白的磁珠和基因组DNA文库混合孵育，让转录因子结合到含有其识别基序的DNA片段上。经过多次洗涤去掉非特异性结合，再洗脱DNA片段。

4. 洗脱下来的DNA用PCR扩增后直接上机测序。测序得到reads比对到大豆参考基因组上，通过peak calling找出转录因子的富集区域，再注释到基因上。

这套流程对大豆有几个天然适配点。大豆基因组约1.1Gb，属于中等偏大的植物基因组，重复序列比例高，但DAP-seq是体外结合反应，基因组DNA上没有组蛋白修饰干扰，因此信号相对干净。另外，大豆基因组的参考序列质量很好，Phytozome上的Wm82.a2.v1版本注释也比较完善，比对和注释环节不会成为瓶颈。

2.3 DAP-seq和ChIP-seq的对照：没有谁绝对更好，只有谁更合适

不少刚入门的同学会问：DAP-seq这么好，是不是可以全面替代ChIP-seq？答案是否定的。我把两种技术放到同一张表里对比，大家就能看出各自的优劣。

DAP-seq的局限性也很明显：因为基因组DNA是裸露的，没有核小体占据和染色质可及性的信息，它检出的结合位点里有一部分在体内可能根本“够不着”。所以，DAP-seq的结果不能单独下结论，必须结合转录组、ATAC-seq或者表观数据来过滤。

JIPB这篇文章的做法很聪明：用DAP-seq获得候选结合区域后，立刻用同一时期的种子转录组数据做交集，只保留那些“转录因子能结合、且基因表达受处理或发育阶段影响”的靶点。这样既发挥了DAP-seq高通量、无抗体的优势，又规避了体外实验假阳性偏高的短板。

3. 从候选转录因子到调控网络：JIPB文章的完整研究逻辑

3.1 第一步：锁定值得做的转录因子

做DAP-seq之前，有个更基础的问题：到底该对哪个转录因子做？很多课题死在这第一步，因为候选基因选得太随意。常见的筛选策略有三种：一是来自前期QTL定位或GWAS分析，落在显著关联区间内的转录因子优先；二是从种子不同发育阶段的转录组中筛选差异表达转录因子，尤其是和含油量积累趋势同步的那些；三是从公共数据库中做WGCNA共表达网络，找到和油脂合成酶基因高度共表达的上游调控子。

JIPB这篇研究的候选转录因子来源，基本符合上述策略的组合：它在种子发育早期的表达水平明显升高，和油脂快速积累的时期吻合，而且它的同源基因在拟南芥里已经被证明参与脂肪酸代谢调控。这样选出来的转录因子，先验知识扎实，后续验证成功率自然高。

3.2 第二步：DAP-seq数据如何变成“靶基因列表”

论文的DAP-seq部分很标准，但值得注意的有三点。第一，它设置了严格的对照，使用不带转录因子的HaloTag蛋白或者Input DNA做背景扣除，确保后续peak calling的可靠性。第二，它在分析时把peaks按照可信度分级，优先关注位于基因启动子区域（转录起始位点上游2kb以内）的富集区域，同时也不忽略落在基因内部和基因间区的结合位点，因为植物转录因子也有远端调控行为。第三，它把DAP-seq peaks关联到的基因和转录组数据做交集，筛选出“可结合且有表达变化”的靶基因。

这一套做完，靶基因列表从几百个压缩到几十个甚至十几个，里面往往能直接看到脂肪酸去饱和酶、三酰甘油组装酶、油体蛋白这类和油脂代谢直接相关的基因。到了这一步，调控网络的轮廓已经浮现出来。

3.3 第三步：分子验证要打“组合拳”

DAP-seq得到的只是结合证据，要证明调控关系，缺少不了经典的分子实验验证。JIPB这篇文章采取的验证组合是：EMSA验证转录因子在体外能直接结合靶基因启动子上的特异片段；双荧光素酶报告系统验证转录因子在植物细胞内对靶基因启动子的转录激活或抑制活性；必要时再用酵母单杂交确认酵母体系里的结合活性。三层证据叠在一起，调控关系才算真正闭环。

这类验证实验里，我最想提醒的是EMSA的探针位置。很多人直接从DAP-seq峰的中心截取一段序列做探针，结果怎么也做不出结合信号。原因是峰的中心不一定就是转录因子识别基序的精确位置，正确的做法是把峰区间里的motif预测结果和DAP-seq的read密度叠在一起看，找到具体的基序核心序列再设计探针。JIPB这篇文章里如果仔细看补充材料，会发现它设计的EMSA探针基本都覆盖了预测的motif核心区，这也是它能顺利重复出结合信号的原因之一。

4. 生物信息学实操：从fastq到motif的完整流程

4.1 数据质控和比对：大豆基因组的“特殊关照”

做完DAP-seq实验，拿到原始测序数据的第一步永远是质控。DAP-seq文库片段短，测序策略常用单端50bp或双端75bp，读长短，但足够用于peak calling。推荐用fastp做清洗，既可以去接头又能按质量修剪，命令也很简单：

fastp -i raw_R1.fastq.gz -I raw_R2.fastq.gz \ -o clean_R1.fastq.gz -O clean_R2.fastq.gz \ -q 20 -u 30 -l 36 --detect_adapter_for_pe

参数里-q 20表示质量值低于20的碱基会被修剪，-l 36是丢弃长度短于36bp的reads，--detect_adapter_for_pe能自动识别并去除接头污染。这些设置对DAP-seq这种文库复杂度并不高的数据足够用了。

比对建议用bowtie2，运行速度快，对短reads的支持也好。大豆参考基因组我一般用Phytozome的Wm82.a2.v1版本，注意必须保持基因组序列和注释文件来自同一个版本，否则后续peak注释时染色体坐标会错位。

bowtie2 -p 16 --very-sensitive \ -x soybean_index \ -U clean_R1.fastq.gz \ 2> align.log | \ samtools view -bS -q 10 - | \ samtools sort -o sample.sorted.bam samtools index sample.sorted.bam

-q 10是过滤掉比对质量值低于10的reads，可以去除多位置比对的可疑reads。大豆基因组重复序列多，比对时加上--very-sensitive能显著提高唯一比对的准确性，但计算时间会上升，建议多给几个线程。

比对完成后用samtools flagstat检查比对率，DAP-seq的比对率通常应该达到80%以上，如果低于这个数，优先检查基因组版本和建库质量。

4.2 Peak calling的参数细节：不要照搬ChIP-seq默认值

DAP-seq的peak calling是生信分析中最容易踩坑的环节。很多人直接拿MACS2的默认参数跑，结果峰值数量要么爆炸要么寥寥无几。原因在于，DAP-seq文库和ChIP-seq文库的片段特征不一样，ChIP-seq是免疫沉淀富集后的DNA，片段大小分布由打断和沉降过程决定；DAP-seq是用Halo标签磁珠拉下来的DNA片段，片段长度受gDNA文库构建时的打断参数控制，默认的模型外推往往不准。

我推荐的参数是：

macs2 callpeak -t sample.sorted.bam \ -c input.sorted.bam \ -f BAM -g 1.0e9 \ --nomodel --shift -100 --extsize 200 \ --keep-dup all -q 0.05 \ -n sample

逐项解释一下：-g 1.0e9是大豆的有效基因组大小，约为1.1Gb扣除N碱基和高重复区域后的估计值。--nomodel是让MACS2不要用配对信息去外推片段长度，因为DAP-seq的reads全部来自短片段文库，模型外推没有意义。--shift -100 --extsize 200是DAP-seq分析里常用的“经验参数组合”，会把reads的比对位置向左偏移100bp，再向3'方向延伸200bp，模拟出一个约200bp的真实转录因子结合中心区域，这套参数在多个植物的DAP-seq数据集里都表现稳定。--keep-dup all表示保留所有重复reads，DAP-seq中重复reads可能来自真实结合位点的PCR扩增，全部保留能提高低丰度结合的检出率。

跑完后用samtools的bedgraph或者deepTools检查一下peaks在启动子区域的分布比例。一个合格的DAP-seq实验，peaks落在启动子区域的比例通常能达到30%到60%，如果这个比例过低，很可能说明实验背景偏高。

4.3 Peak注释和motif挖掘：从坐标到生物学功能

得到peaks后，需要用注释工具把坐标对应到基因上。推荐用R语言的ChIPseeker包，它可以基于GFF文件构建TxDb对象，然后把peaks注释到启动子、外显子、内含子、基因间区等不同功能区域。如果不能从GFF构建TxDb，也可以直接用HOMER的annotatePeaks.pl脚本，指定参考基因组后自动注释最近基因。

library(ChIPseeker) library(TxDb.Gmax) # 需从GFF自行构建 txdb <- makeTxDbFromGFF("Glycine_max_v2.1.gene.gff3") peakAnno <- annotatePeak("sample_peaks.narrowPeak", TxDb = txdb, upstream = 2000, downstream = 500) plotAnnoBar(peakAnno)

upstream=2000表示把转录起始位点上游2kb以内定义为启动子区域，这是植物转录因子结合分析的常用标准。downstream=500是把转录起始位点下游500bp也算进近启动子范围，因为有些转录因子会结合到第一个外显子附近。

motif挖掘是DAP-seq分析里最有意思的一步。HOMER的findMotifsGenome.pl是主流选择：

findMotifsGenome.pl sample_peaks.narrowPeak \ Glycine_max_v2.1 \ motif_output \ -size 200 -len 8,10,12 -p 16

-size 200表示从每个peak中心取200bp序列作为背景，-len 8,10,12表示搜索8bp、10bp、12bp三种长度的基序。输出结果里会有一个motif列表，如果实验成功，第一第二名往往是这个转录因子家族已知的识别基序。比如B3类转录因子富集到RY motif（CATGCA），AP2/EREBP类富集到AW-box（AAATTCAA），NF-Y类富集到CCAAT盒。

4.4 和转录组联合：怎么把几百个peak变成长长的靶基因名单

DAP-seq单独分析出的peaks数量通常会很多，一个转录因子可能结合几百上千个位点。但结合不等于调控，很多结合事件可能是“顺式占位”，不伴随转录活性变化。因此，和转录组数据做交集是必须的。

具体操作分两步。第一步，把peaks关联到基因。第二步，取转录因子高表达材料或过表达材料的差异表达基因做交集，只保留“既有结合峰，又有表达差异”的基因。更进一步，可以根据表达方向把靶基因分成“激活靶标”和“抑制靶标”。

这一步我在实际项目中的体会是，不要把差异表达阈值设得太死，log2FC大于0.5就可以先纳入交集，等人工核对生物学功能后再收紧。很多转录因子调控的下游基因表达变化幅度不大，但确实是直接靶标。JIPB这篇研究也是采用类似的策略，最终获得的靶基因列表里既有脂肪酸生物合成相关酶，也有参与碳代谢和油体形成的基因，形成了比较完整的油脂积累调控网络。

5. 常见问题与排查技巧：DAP-seq从实验到分析的那些坑

5.1 对照设置和重复怎么设计

DAP-seq实验设计中，最容易被忽视的是对照和生物学重复。只用Input DNA做对照，虽然能扣掉背景，但无法扣除HaloTag磁珠本身的非特异性吸附。更稳妥的做法是设置一组“空载Halo蛋白+DAN文库”的对照，也就是表达不含转录因子结构域的Halo蛋白，走完全相同的pull-down流程。这个对照能模拟磁珠和标签蛋白对基因组DNA的非特异性吸附，用它做MACS2的对照，peak calling的假阳性会明显下降。

生物学重复方面，DAP-seq不像转录组那样必须做三重复，但至少要做两个独立的蛋白表达和pull-down批次。因为体外表达的蛋白批次之间会有活性差异，两个重复的peaks取交集，既能过滤批次效应，也能显著提高结果的可信度。JIPB这篇文章在材料方法部分应该也是这样描述的：至少两个独立DAP-seq重复，分析时取共有peaks。

5.2 Peak calling对不上，或者motif富集不到，怎么排查

如果跑完MACS2发现peaks数非常少（比如小于500），先别急着调参数，优先检查三件事：比对率是否正常、Input的reads比例是否过高、Halo标签蛋白表达量是否足够。比对率正常但peaks少，很可能是体外表达蛋白没有活性，比如融合蛋白折叠不正确，或者大豆gDNA文库的接头连接效率低导致文库复杂度差。

如果peaks数量正常，但motif富集不出已知基序，问题可能出在peak的筛选标准上。q值太松会混入大量噪音peak，太严又会丢掉真实结合。我一般先用q值0.05跑一遍，再看motif结果调整；如果还是富集不到，可以用转录组交集后的高置信peak重新做motif，效果往往会好很多。

另外要注意，DAP-seq的peak里有一部分来自基因内部的“次级结合”，这些区域可能没有明显的基序富集。把它们剔除后再做motif，信号会干净很多。

5.3 从peaks到靶基因的注释偏差

peak注释阶段的错误也很常见。大豆基因有不同转录本，同一个基因有多个转录起始位点，如果用基因组版本和注释文件不匹配，注释结果会出现坐标错位。批次转换时尤其要小心，Wm82.a1和a2版本的坐标有差异，不能混用。

当peak落在两个基因的交界区域时，ChIPseeker会默认注释到最近的基因，但这个“最近”不一定正确。建议在关联基因时把peak上下游各扩展20kb范围，列出所有候选基因，然后结合转录组表达量决定保留哪一个。这一步看起来繁琐，但能避免后续EMSA和互补实验选错靶基因的尴尬。

5.4 我把DAP-seq结果和转录组对不上号的教训

分享一个我踩过的坑：早期做过一个转录因子，DAP-seq信号很强，peaks也富集出了一段和已知基序高度相似的序列，但和转录组差异基因一交集，只有两个基因，而且凑不齐完整的代谢通路。后来发现，我用的转录组取样时间点是种子发育早期，而DAP-seq用的基因组DNA来自幼苗叶片，两个材料的发育时期完全不匹配。

转录因子在特定发育阶段的结合活性，和它对下游基因的转录调控，是发生在同一个时空里的事件。如果转录组数据来自错误的时期，交集就会失真。现在做这类分析，我会要求转录组数据尽量和DAP-seq的生物学背景一致，比如都用种子发育中期的材料，或者至少用相同组织的转录组。JIPB文章里的DAP-seq使用的是种子发育期的转录因子蛋白，转录组也来自种子不同发育阶段的高分辨率时间序列，这种“材料背景对齐”的做法才是它靶基因筛选可靠的基础。

6. 对大豆高油育种的价值和扩展空间

6.1 从“一个基因”到“一个调控枢纽”

大豆含油量育种长期以来面临一个问题：单个酶基因的改良效果有限，因为含油量受多个生化途径共同决定。但调控一个转录因子，等于同时调控它下游的一整批基因，这种节点式的改良思路，效率远高于逐个基因操作。

JIPB这篇文章揭示的调控网络，把转录因子和一批脂肪酸合成、脂质转运、油体形成基因连接起来。这个网络一旦明确，育种家就可以把这个转录因子当作分子标记的开发靶点，也可以把它的优异等位变异导入到主栽品种中。更直接的方案是，通过基因编辑技术优化转录因子自身的启动子，或者修饰它的靶基因启动子区域里的转录因子结合位点，让转录因子的激活能力更强。

6.2 DAP-seq在转录因子组尺度上的潜力

这篇文章用DAP-seq解决了一个转录因子的靶基因鉴定问题，但DAP-seq真正的潜力在于大规模扫描。一个大豆转录因子家族动辄几十个成员，要是逐个做ChIP-seq，每个都需要独立抗体或转基因材料，几乎不可行。DAP-seq只需要构建Halo融合表达载体和一套gDNA文库，就可以批量完成几十个转录因子的结合位点扫描。这种“转录因子组”尺度的研究策略，未来如果应用到大豆上，一次就能画出一整张油脂代谢转录调控图谱。

从这个角度看，JIPB这篇文章不只是单个基因的功能解析，它示范了一条规模化挖掘作物转录因子功能的路径。用到的分析流程和验证体系，可以平移到任何数量性状相关的转录因子研究中，比如大豆蛋白含量、耐逆性、生育期等。

6.3 把DAP-seq推荐给适合的团队和场景

如果你所在的团队正在研究一个作物转录因子，但苦于没有抗体、没有稳定转基因材料、实验周期又紧，DAP-seq是个值得优先考虑的技术路线。相对于ChIP-seq，它的门槛低不少，不需要特殊的设备，普通的分子生物学实验室加上一台测序仪就能完成。生信分析流程也标准化程度高，主流工具都能覆盖。

不过要提醒一点，DAP-seq不是万能的。对于染色质状态敏感的转录因子，或者需要辅助因子才能稳定结合靶序列的转录因子，纯体外实验可能会漏掉很多真实结合位点。这时候可以考虑DAP-seq和ATAC-seq联合：先用ATAC-seq确定开放染色质区域，再只保留DAP-seq peaks和开放染色质区域重叠的部分，这样既能保留高通量优势，又能过滤掉体内不可及的假阳性位点。

我个人在实际操作中的体会是，DAP-seq最怕的不是实验失败，而是数据出来之后不知道如何取舍。单独看DAP-seq结果，它告诉你的只是“这个转录因子在体外能够结合哪些地方”；真正让它产生科研价值的，永远是下一步的整合分析——和转录组交集、和表观数据对照、和遗传定位关联。JIPB这篇文章之所以值得反复读，就是因为它每一步都没有浪费DAP-seq的信息量，把“能结合”一步步升级成了“在种子含油量调控中真正起作用的结合事件”。

如果你手头正好有一个功能明确但靶基因未知的转录因子，完全可以按这个框架推进：先DAP-seq拿到全基因组结合图谱，再取同一发育阶段的转录组做交集，接着用EMSA和双荧光素酶把关键靶基因逐个锁死，最后回到材料里验证靶基因表达和含油量的相关性。这套流程走下来，你的课题就从“描述现象”进入“解释机制”的阶段了。最后再分享一个小技巧：无论做哪个物种的DAP-seq，拿到peak文件后的第一件事，不是急着跑motif，而是先把peaks在染色体上的分布画出来，看看是否有明显的分布偏好。这个习惯能帮你早发现问题，也能在审稿人问起实验质量时拿出来当作有力证据。