ChIP-seq实验设计的六道关口：从交联参数到生物学结论之间的断层带

ChIP-seq 早已不是"有没有数据"的问题，而是"数据能支撑到什么强度的结论"的问题。这篇文章不复述原理，而是聚焦那些在论文里被一句话带过、却真正决定数据可信度的参数选择——交联时长与可裂解性的取舍、超声片段化的长度窗口、Input 对照的真正含义、峰宽与峰数的取舍、生物重复的统计门槛，以及当你的数据要和公共数据库合并时批次效应会把什么毁掉。

01、交联是一道没有好答案的题

甲醛交联这一步，几乎所有 ChIP-seq 协议的描述都是"1% 甲醛，室温交联 10 分钟"。这句话本身没错，但它是把一个连续变量伪装成了离散步骤。交联时长直接控制两件互相冲突的事：捕获间接结合与维持表位可及性。

设想一个转录因子通过共激活因子间接挂在 DNA 上。如果不交联，洗涤阶段这个复合物会随 DNA 一起被洗走，你的峰会系统性消失；如果交联 20 分钟，蛋白—蛋白之间的共价键也被大量建立，原本可及的表位可能被邻近交联的网络状结构物理掩蔽，抗体结合失败。前者表现为假阴性，后者表现为假阳性风险——后者更危险，因为它通常不会被任何常规质控指标捕捉到。

为什么 10 分钟是个经验值而非最优值

"10 分钟"来自 1980 年代 ChIP 技术的沉淀。细胞类型、蛋白丰度、抗体亲和力这三个变量在那时候都无法系统优化。今天当你换成单克隆抗体、换成 100 万级细胞量、换成稀有转录因子时，这个参数的最优值几乎肯定不同。真正有价值的做法是做交联梯度：同一批细胞分成 10 min / 20 min / 30 min 三组，其余条件一致，看目标位点的信号强度和背景比如何变化。如果 20 分钟组的目标峰 FRiP 显著高于 10 分钟组且背景没有同步上升，答案就在这里。

容易被忽略的变量 · 双交联

DSG（双琥珀酰亚胺辛二酸酯）是一类可与氨基反应的长交联剂，常在甲醛之前使用，能显著提升间接结合的转录因子回收率。代价是它更难逆转，且对某些抗体的表位暴露不利。一个务实的折中是"DSG + 短时甲醛"组合，但一定要单独做对照，因为 DSG 本身会提高整体交联度，从而把"改善"和"过度交联"混在一起。

另一个常被跳过的问题是交联剂浓度与时长的乘积效应。1% × 10 min 与 2% × 5 min 在交联总量上可能接近，但前者更温和地渗透、更少引起蛋白构象变化与降解。甲醛的渗透速度在多数细胞类型里其实很快，真正的时间成本在交联后的洗涤与淬灭。所以如果你只是想要更强的交联，调浓度往往比延长时间对样品的伤害更小。

交联时长 → 信号与表位风险的权衡交联时长相对水平0低中高极高5min101520253040信号拐点目标结合信号（先升后降）表位可及性 / 背景风险最佳区间

图1：交联时长的双相效应。目标结合信号随交联增强先升后降：过短时间接结合丢失，过长时表位掩蔽与蛋白降解开始主导。表位可及性风险则随交联单调上升。两条曲线的交叉区即为经验最优区间，但它的位置必须靠你自己的梯度实验确定，而不是照抄"10 分钟"。

淬灭这一步也不能糊弄

甘氨酸终浓度应控制在 125–250 mM，且必须加入后放置足够时间（数分钟）再洗涤。淬灭不彻底的直接后果不是"信号略高"，而是产生难以归因的随机交联背景——它会在基因组上形成弥散的低水平噪声，让你的信噪比指标看起来正常但峰形畸变。更隐蔽的问题是淬灭后洗涤不充分，残留甲醛在后续长时间步骤中继续缓慢反应，等效于一个不可控的"交联时长漂移"。

02、片段长度窗口：200 bp 不是答案

片段长度是 ChIP-seq 最容易被当作无关细节、实则决定分辨率的变量。教科书写"200–500 bp"，那是 ChIP-qPCR 时代的遗产（qPCR 的最佳扩增片段在 75–200 bp）。到了 NGS 时代，片段长度的意义变了：它决定的不是能不能扩增，而是你能不能在同一个峰里分辨出足迹（footprint）。

转录因子结合 DNA 时会保护大约 9–12 bp 的核心序列。如果片段是 200 bp，读段 50 bp，你读到的信号是"结合位点"加上"周围 190 bp 的随机噪声"的叠加。想做足迹分析（footprinting），你需要的片段长度在 30–80 bp 区间，而且需要极高深度（每基因组位点数千条 reads）。这解释了为什么 ATAC-seq 能在常规深度下做足迹，而标准 ChIP-seq 不能——不是算法问题，是物理分辨率问题。

超声片段化

可控范围宽（150–1000 bp），但需要专门设备，且不同细胞类型的裂解效率差异大。染色质密度不均会导致剪切偏好，尤其在异染色质区域产生超短片段而常染色质区域残留大片段。

MNase 酶切

优先切割核小体连接区，产生核小体尺度的周期性片段（约 147 bp 的整数倍）。对核小体修饰的研究天然契合，但酶切时间极敏感，时间一长会过度降解，时间一短混有随机片段，且无法用于需要核小体完整性的场合。

微球菌核酸酶 / 限制性内切酶

可产生非常规整的固定长度片段，便于做亚核小体分辨率分析。但 DpnII 等酶的识别位点偏向特定序列，会引入序列偏好性偏倚。

片段分布的诊断比平均值更重要

跑完建库你应该看一眼 Bioanalyzer/TapeStation 的轨迹。不要只看主峰位置，要看分布的宽度和拖尾。一个理想的超声样本呈现从 ~150 bp 到 ~700 bp 的连续分布；如果呈现一个尖锐窄峰，往往说明剪切过度；如果主峰明显右移（>800 bp），说明裂解不足，抗体可达性降低、信号会整体变弱。后者常被误判为"这个靶点表达低"。

还有一个实践上非常有用但很少被记录的技巧：在片段化后、取样一小份，单独建库测序。这份额外的深度只有几百兆对，但它能让你在抗体孵育之前就知道片段化质量。如果片段化不合格，此时重做只需一天，等抗体做完发现不合格则浪费三周。这个成本极低的质控点，性价比是 ChIP-seq 实验室里最高的之一。

片段长度的经验区间

做转录因子：目标 150–250 bp，宁短勿长，牺牲信号换分辨率。做组蛋白修饰：250–500 bp，修饰分布本身就宽，长片段反而有助于降低峰形噪声。做染色质结构蛋白（如 CTCF、 cohesin）：需要更长的片段甚至需要不片段化的完整核小体体系，因为交联点与结合位点的距离本身就远。

03、Input 不是"阴性对照"，是基线

Input（也叫 IgG 对照、无抗体对照）被太多人当成一个形式化的必备品：加一管，测一下，"证明没有非特异结合"。这个理解削弱了它的真正价值。Input 在分析层面的意义是提供该样本染色质可及性的经验分布，峰识别算法用它来校正测序深度偏好、局部可及性差异和 CNV 影响。

考虑一个极端情况：某段区域在你的细胞系里是扩增的，拷贝数是其他区域的 20 倍。那么无论你的 ChIP 信号在哪里，这段区域在 WGS 或 Input 里都会呈现极高的读段密度。如果你只用 IgG 而 Input 是 IgG，问题不大；但如果你把 Input 换成了 WGS 对照，那这段扩增区域会凭空产生一堆假峰。这是 Input 不可替代的第一个理由。

Input 与 IgG 不等价

IgG 对照测的是"抗体结合非特异背景"，Input 测的是"这段 DNA 在没有抗体时有多容易被捞出来"。两者是不同的物理量。Input 受细胞裂解效率、染色质可及性、交联效率影响；IgG 受抗体的非特异结合模式影响。严格来说，Input 应该来自完全相同的细胞，经过完全相同的前处理（交联、片段化），但跳过抗体步骤。任何在前处理上的差异都会在比较时引入系统误差。

对照类型	反映的物理量	主要用途	能否省略
Input（无抗体，同前处理）	样本可及性与测序偏好	峰识别基线、CNV 校正	不可省略
IgG 对照	抗体的非特异结合谱	评估抗体质量、判断假阳性模式	抗体存疑时必做
NTC（无模板）	建库试剂污染	排除指数扩增污染	建库批次必做
阳性对照抗体（如 H3K4me3）	整个流程的完整性	排查"是否整体失败"	首次建库强烈建议

关于阳性对照：如果你的实验是"ChIP-CTCF 后什么都没检出"，在没有阳性对照的情况下你无法区分"这个位点真的没结合"和"我的抗体不行/文库废了"。加一个已知强信号位点的对照抗体，成本是几微克抗体和一天时间，但它把一个二元的"失败"变成了可诊断的"哪个环节坏了"。这是新入组实验室最该建立的标准操作之一。

04、FRiP：最被忽视的一个数字

FRiP 是 Fraction of Reads in Peaks，即落在峰区域内的 reads 比例。对于一个高质量的转录因子 ChIP-seq，FRiP 通常在 10%–40% 这个区间；对于高质量的组蛋白修饰 ChIP-seq，FRiP 往往更高（可达 40%–60%），因为修饰覆盖的基因组区域远大于 TF 的稀疏结合点。

如果你看到一个 TF ChIP-seq 的 FRiP 只有 2%，无论峰数有多少、视觉上信号多漂亮，这份数据都不应被信任。FRiP 的价值在于它是唯一能横向跨样本比较的全局质量指标，且它无法通过挑选参数来"美化"——你不能用调阈值的方式提高 FRiP，因为峰是算法基于同一个数据定的（虽然循环论证的风险确实存在，这也是为什么 FRiP 要和生物学指标一起看）。

ChIP-seq 质量判读象限：FRiP × 峰数峰数（经基因组规模归一化）FRiPFRiP = 10%预期峰数可信可信高 FRiP高 FRiP · 宽泛结合丢弃丢弃 / 重新优化低 FRiP：信噪不足疑似非特异扩增或碎片

图2：质量判读象限。横轴为归一化后的峰数，纵轴为 FRiP，虚线框出的右上与左上区域为可信区间。右下的"高 FRiP + 峰数异常多"看似数据漂亮，实为非特异性的红旗——它通常对应抗体质量问题或染色质未充分降解导致的碎片化假峰。左下区域（低 FRiP）无论峰数多少都应重新设计。

FRiP 的三个陷阱

（1）峰定义依赖算法与阈值。严格模式下的 FRiP 与宽松模式下的 FRiP 可以差好几倍。比较两个样本的 FRiP 前，必须确认它们用的是同一套参数。

（2）读段延伸长度差异会造成假差异。不同平台的 paired-end 长度、trim 规则不同，同一份数据处理出的 reads 数与片段分布不同。跨实验室比较 FRiP 时要特别小心。

（3）高 FRiP 不等于生物正确。抗体特异识别一个高频重复序列时，FRiP 会非常高，但峰全部落在重复区，毫无信息量。所以 FRiP 必须与"峰落在启动子/增强子等合理区域的比例"一起看。

比 FRiP 更好的补充：袖珍 QC

更精细的质量评估工具（如 ENspan 推荐的 tag count 分布斜率、N1 与 N2 交叠区域宽度、reads 在黑名单区域的占比）能给出 FRiP 之外的维度。N1/N2 这个指标尤其有用：它统计在约 1000 bp 滑窗内两个重复样本的 reads 重叠分布，峰形尖锐说明重复性好，峰形平坦说明数据噪声大。它比 FRiP 更难通过参数调整伪造，因此常被审稿人要求提交。

05、MACS3 的参数不该照抄

MACS3 是当前 TF ChIP-seq 峰识别的事实标准。但它的默认参数是为某一种典型场景设计的，直接使用往往产生过多或过少的峰。理解几个核心参数能让你从"跑流程"变成"做分析"。

# 典型的 TF ChIP-seq 峰识别配置
macs3 callpeak \
  -t treatment.bowtie2.bam \
  -c input.bowtie2.bam \
  -f BAMPE \
  -g hs \
  -q 0.01 \
  --keep-dup auto \
  --nomodel --extsize 200 \
  -n TF_name \
  --outdir peaks/

# 组蛋白修饰（窄标记可去掉 --nomodel）
macs3 callpeak -t H3K27ac.bam -c input.bam -f BAMPE -g hs \
  -q 0.01 --broad --broad-cutoff 0.1 -n H3K27ac --outdir peaks/

四个真正重要的参数

（1）--nomodel 与 --extsize 的互斥关系。不加 --nomodel 时 MACS 会用真实数据估计片段长度；加了 --nomodel 则必须手工指定 --extsize。对 paired-end 数据，理论上不需要 --nomodel，因为真实片段长度从插入大小读得出。但实践中很多数据（如来自链特异性文库、片段化不均的样本）会让模型估计跑偏，此时显式指定 200 是更安全的做法。

（2）--keep-dup auto 的含义。MACS 默认把完全相同的比对位置视为重复并去除。对 ChIP-seq 而言这是错的：一个 TF 在重复序列位点可以有成千上万条完全一致的 reads，这些恰恰是真实信号。ENspan 的标准做法是完全不去重（--keep-dup all），把去重交给比对器在比对阶段用 MAPQ 过滤完成。

（3）-q 与 --broad-cutoff。窄标记（TF、CTCF、ZNF）用 q 值 0.01 到 0.001；宽标记（H3K4me3、H3K27ac、H3K36me3）用 --broad 加宽松的 broad cutoff。宽标记用窄标记的参数会得到成千上万个碎片化的假峰。

（4）多重检验的规模。默认用基因组有效大小（human: 2.7e9）。如果你的物种基因组已知，可以传 --gsize；如果做了黑名单过滤后的有效基因组更小，用它能提升灵敏度。这个参数对低丰度 TF 的峰数影响可达数倍。

峰形态 × 参数策略窄峰 · TF / CTCF / ZNF峰宽 ≈ 200 bp宽峰 · 组蛋白修饰峰宽 1–10 kb--nomodel --extsize 200 -q 0.01调用 --keep-dup allseqloc 片段长度敏感性--broad --broad-cutoff 0.1与 --nomodel 组合慎用需 seqloc 决定融合边界判断依据：不是标记的名字，而是峰的物理成因直接结合（TF、CTCF）→ 窄；酶促扩散或结构域涂抹（组蛋白修饰、结构蛋白）→ 宽。用错参数的后果是峰数失真而非峰位失真，因此更隐蔽。

图3：峰形态的物理成因决定参数策略。窄标记是"蛋白直接坐在 DNA 上"，位置约束在碱基尺度；宽标记是"修饰酶沿结合区域涂抹"或"结构蛋白跨越数百碱基"，信号呈连续分布。用窄标记参数处理宽标记会产生大量碎片化假峰，反之则会把真实信号糊成一片。

更重要的：不要只看 MACS3

同一份数据用不同峰识别器会得到差异很大的峰集，尤其在边界区域。这不是"哪个更好"的问题，而是"哪个更适合你的数据形态"的问题。SES（对信号强度不敏感）适合宽标记，SP1（超峰型统计）适合稀疏的强结合位点，F-seq 则专门利用全基因组对照（FAIRE-seq 或 INPUT）来估计背景。ENspan 在实践中采用的是"MACS3 为准，其他方法交叉验证"的策略，并要求对两种以上峰识别器的一致性做报告。

06、峰宽决定你能看见什么

在 genome browser 里，你看到的那条灰色小山包不是峰，而是"信号 track"——它是 reads 在每个 bin 上的堆积。峰是算法在这条 track 上做的判定。混淆这两者是解读 ChIP-seq 图时最常见的错误。

一个峰的实际宽度往往大于检测到的峰宽，因为交联把远处的间接结合也拉了进来。这意味着：你圈定的峰边界是信号边界，不是 DNA 结合边界。在做"结合位点距转录起始位点多远"这类分析时，峰中心比峰边界可靠；反过来，在做"这个增强子覆盖哪些基因"时，用峰边界会系统性高估覆盖范围。

（1）TF 结合位点。真值在峰中心 ±150 bp 内。统计"TF 结合到启动子"的距离分布时，用峰中心；用峰边界会把所有距离都低估。

（2）增强子（H3K4me1/H3K27ac）。宽峰本身就是分析对象，此时峰边界直接决定后续的 motif 富集、CRISPR 筛选靶区划定。宽峰的边界对算法参数极敏感，因此报告增强子位置时应说明用的什么工具和参数，或者改用固定的 bin 大小定义区域。

（3）差异结合分析。不要直接比较两组各自的峰集合。用 DESCARTES（通过伪计数转换到类 ChIP 计数后做泊松回归）或 csaw（滑窗 + 差异区间合并）这类在 bin 层面做统计的方法，避免"处理组多一个峰"这种受阈值影响的伪差异。

一个必须记录的东西

你在报告里必须给出：峰识别工具与版本、完整命令行、所有参数、参考基因组版本、黑名单区域、过滤阈值、峰数、FRiP。这些信息不占版面，但缺了其中任何一项，别人就无法重复你的分析——而这正是公共数据库存在的意义。

07、IDR 与生物重复的统计门槛

ChIP-seq 的生物重复不是为了"好看"，而是差异分析的统计基础。两个重复之间的一致性不是"越高越好"，而是必须超过一个门槛，否则你的差异分析结果中，所有差异都会被归因为噪声。

IDR（Irreproducible Discovery Rate） 是 ENspan 推荐的标准工具。它的做法是：输入两个重复各自的峰及其排序（通常按信号强度），输出"在某个信号排名阈值以下，两个重复都发现的峰"的 FDR。常用的 0.05 严格 IDR 和 0.25 优化 IDR 对应不同的取舍：

IDR 阈值	含义	适用场景	代价
0.05	只有高度可重复的峰被保留	差异结合分析、需要与 ENspan 合并时	峰数大幅减少，弱结合位点丢失
0.10	折中	一般探索性分析	—
0.25	宽松	需要尽可能多候选位点做后续验证	假阳性风险显著上升

把 SPP 与 IDR 都做一遍

SPP（Self-Cross-Peak） 是 IDR 的补充视角。SPP 的假设是"一个真实的结合位点，其 signal 在重复之间应当接近 1:1"，它不关心峰是否被检出，只看读段在参考峰附近的分布对称性。实践中推荐的组合是：用 SPP > 0.8 评估整体可重复性，用 IDR < 0.05 定义最终可信峰集。只有一个 IDR 值而没有 SPP 的分析，审稿时通常会被要求补。

如果你的重复做砸了

重复之间 IDR 极差（大量重复峰）通常有几个可诊断的原因，按出现频率排序：

（1）细胞状态不一致。两次培养的细胞在密度、传代次数、血清批次上不同。这是最常见的原因，且影响最大。解决办法是同一批细胞分成两份同时处理，只从建库之后分开。

（2）抗体批次或货号变更。同一抗体不同批号的效价差异可达数倍。跨批次比较前应做桥接实验。

（3）测序深度差异过大。两个重复深度差 3 倍以上时，低深度那个的峰数会明显少。建议统一深度做 downsample 比较，或直接在分析时做归一化。

（4）生物异质性被误当成技术重复。如果你的"重复"其实是不同个体、不同供体，那重复间的差异包含真实的生物学差异，此时 IDR 低是正常的、甚至是预期的——你应该改用重复间相关性来评价，而不是要求 IDR 高。这是一个被广泛混淆的概念问题。

08、当你要合并公共数据

当你想把 ENspan 的数据和自己的数据放在一起做 meta 分析，或者想借公共数据的深度来补足自己覆盖度不足的区域时，批次效应会立刻成为主要威胁。ChIP-seq 的批次效应在读段层面几乎不可见，但在峰水平上非常显著。

三类可识别的批次效应

（1）测序深度差。不同来源数据的读段数可差 10 倍。表现为弱峰在低深度样本中系统性消失。处理方式是在分析前统一下采样到最低深度，或在计数矩阵层面做归一化。

（2）片段长度差。不同实验的片段化策略不同，导致同一个真实峰在不同数据里被推断出不同宽度。表现为峰边界不可比。处理方式是统一用同一工具重新识别峰，而不是直接使用各自提交的峰文件。

（3）参考基因组版本差。hg19 与 hg38 的坐标差异使 peak 文件无法直接 liftOver（尤其在长读段区域）。必须统一到同一版本，并且要检查 liftOver 失败率——对窄峰数据，liftOver 失败率超过 5% 就意味着你的合并有严重问题。

绝对不要做的事

不要把不同来源的 bigWig 文件直接相减或求平均来"消除噪声"。不同来源的 bigWig 在分辨率归一化方式（reads per million vs. fragments per million）、片段长度补偿、基因组覆盖率上可能完全不同，直接平均会引入远超生物学的差异。如果确实要合并，先统一下载原始 fastq 或 BAM，从头走同一条分析流程。

更现实的策略：匹配而非合并

与其强行合并，不如让公共数据承担它最擅长的角色——正对照与注释。你可以把自己的目标区域与 ENspan 中相同细胞类型、相同标记的数据做相关性分析，如果相关性高（R > 0.8），说明你的数据质量在群体内，可以直接引用其结论；如果相关性低，你需要先解决质量问题，而不是先解决统计问题。

另一个高效做法是不要用峰做坐标，直接用区间做。定义一组固定宽度的 bin（如 200 bp）覆盖你关心的区域，把所有样本的 reads count 汇总到 bin 上，用 DESeq2/edgeR 做差异分析。这样彻底绕开了峰边界不一致的问题，且统计检验是在统一单位上进行的。

09、参考基因组偏倚：一个被忽略的系统误差

如果你的抗体识别的是一个重复序列家族成员（典型的例子是锌指蛋白 ZNF，它们中的很大一部分识别 SVA 或 LINE 元件），或者你的研究对象本身富含重复序列（端粒、着丝粒、rDNA 座），那么比对器的默认设置会把大量真实信号丢掉。

更隐蔽的是 MAPQ 过滤。默认丢弃 MAPQ < 30 的 reads 是合理做法，但在重复区域，真实信号恰恰总是低 MAPQ 的。如果你把重复区域整体过滤掉，会得出"这个蛋白不结合重复区"的错误结论。反过来，如果你不做过滤把低 MAPQ reads 保留下来，低质量的错误比对会制造大量假峰。解决办法不是二选一，而是使用 --keep-tag-overlap 类参数或采用多参考基因组（multi-mapping aware）策略，并对重复区域单独做一套分析。

黑名单区域的正确用法

ENspan 提供了各物种的黑名单区域列表（hg38-blacklist.v2.bed）。这些区域在多种细胞类型中产生异常高的信号——原因多样，包括重复序列、结构变异、高拷贝的基因座。正确做法是把黑名单区域从最终分析中排除，并且要在报告峰数时同时给出排除前后的数字。如果你的主峰里有 15% 落在黑名单内，说明你的比对或片段化有问题，而不是你的靶点偏好这些区域。

这里还有一个更深的观察：黑名单的"黑"是细胞类型相关的。有些区域在 K562 里是黑名单，但在肝细胞里完全正常。所以不要无脑套用别人的黑名单覆盖自己的数据。ENspan 的 K562 黑名单里包含了大量肝细胞中完全正常的区域。反过来，如果你的样本是非模式细胞或临床样本，你需要自己建立细胞类型特异的黑名单——方法是看 Input 对照中信号异常的区域，那些区域在无抗体条件下就有高信号，说明是技术性来源。

10、单细胞 ChIP-seq 的背景与前景

scChIP-seq 把 ChIP-seq 的分辨率推进到了单细胞层面，让你能够问出"同一个细胞群里，某个位点的占据率是多少"这类传统 bulk ChIP-seq 无法回答的问题。它的实现方式是把细胞固定在微孔板或微流控腔中，每孔一个细胞，测序后按细胞 ID 分箱，再在细胞层面做峰识别。

它解决了什么

传统 ChIP-seq 给出的是平均占据率：如果一个增强子只在一半细胞里被 TFs 占据，bulk 数据里表现为一个中等强度的峰，看起来像"中等程度的结合"。而这个增强子在细胞层面是全或无的二值状态。这种异质性在免疫细胞分化、肿瘤内部克隆演化、干细胞分化过程中都极其关键——它解释了为什么同一个增强子在一部分细胞里是激活的而在另一部分沉默。

它没有解决什么

数据稀疏是最根本的限制。单细胞层面每个位点的覆盖深度极低，导致需要的数据量（数百个细胞、每个细胞数百万 reads）远超常规 ChIP-seq，成本高昂。同时，峰识别算法需要接受稀疏计数模型，统计功效受限。因此，scChIP-seq 目前最适合的场景是：已经有明确假设（"这个位点在细胞群中应该是异质的"），然后去验证这个假设；而不适合用来无偏地探索。

批次的最后一公里

单细胞 ChIP-seq 的失败模式与 bulk 完全不同：它不会"整体失败"，而是"某些细胞失败了"。某个细胞可能因为抗体没进去而产出几乎为空的信号，这在汇总统计里被平均掉了。因此严格的质控应当是逐细胞的：每个细胞的 FRiP、reads 数、峰数都要单独看，低于阈值的细胞单独剔除并报告剔除比例。

把设计写在方案里，而不是事后补救

回头看这十道关口，它们共享一个结构：每一个都是一次不可逆的损失发生的地方。交联不足或过度、片段化失控、Input 缺失、深度不足、重复不可重复——这些错误的代价不是"数据稍微差一点"，而是整个实验重做。而所有这些错误的成本分布是高度不均的：前 24 小时内的决策（细胞状态、细胞量、交联条件、片段化参数、是否做 Input）几乎决定了 80% 的最终数据质量；后 72 小时的操作（建库细节、上机顺序）只影响剩下的 20%。

但实际发生的情况往往相反。研究者在建库失败后才去优化超声参数，在没有 Input 的情况下才去想办法"校正背景"，在数据出来后才去思考重复不够是不是因为细胞状态没对齐。这不是能力问题，而是流程设计问题——当质控节点没有被显式写进实验方案时，它就不会被执行。

如果只保留一条可执行的建议：在开始培养细胞之前，先写下完整的质控清单，并把它作为实验记录的必填项。不是"记得做"，而是"没做就没有数据"。这份清单应该包含：细胞来源与传代次数、实际细胞计数（不是估算）、交联剂浓度与时长、淬灭条件、片段分布轨迹（保留电泳图）、Input 的细胞数、每个抗体的货号与批号、文库起始 DNA 量、测序深度。这一张清单，加上后面所有的分析参数记录，构成一份可重复研究的完整元数据。

ChIP-seq 作为技术已经相当成熟，它的原理不再有太多待解的问题。真正的前沿在应用层面——单细胞与空间分辨率的结合、多组学的联合分析（ChIP-seq + RNA-seq 的等位基因特异性分析）、以及在临床样本中极低输入量条件下的可行性。这些方向上的进展，取决于研究者能否在实验开始时就把决策做对。