别再把DAP-seq错当ChIP-seq平替！从HaloTag表达质控、文库参数优化到证据链搭建的全流程

先说一个残酷的现实。DAP-seq 这个名字里的"DAP"（DNA Affinity Purification）听起来像是 ChIP-seq 的平替，但两者回答的根本不是同一个问题。搞混这件事，是 DAP-seq 数据在审稿时被质疑最多的根源。

ChIP-seq 问的是：在细胞里，这个转录因子此刻坐在基因组哪个位置？

DAP-seq 问的是：如果我把这条 DNA 单独拿出来泡在这个蛋白里，它会不会被绑住？

一个是"在场"，一个是"能不能"。一个是细胞内的真实状态，一个是体外的序列亲和力。

DAP-seq 给你的不是"转录因子在细胞里结合了哪里"，而是"这个转录因子的 DNA 结合域，在没有染色质干扰的情况下，愿意抓住哪些序列"。这句话必须原封不动地写进你的论文 Discussion 里。—— 少写一个字，就会在审稿时被要求补 ChIP

那么，什么情况下 DAP-seq 是对的选择？

（1）没有抗体可用：非模式物种、或者 TF 家族成员太像多而抗体难做。ChIP-seq 需要 ChIP 级抗体，这是一道硬门槛。

（2）没有转基因材料：ChIP 需要敲除内源基因后转入带 FLAG/HA 标签的转基因系，这在很多物种里做不动。

（3）要做大规模家族扫描：一个物种 1000 多个 TF，逐个做 ChIP 不现实，DAP-seq 的单次成本低一个量级。

（4）要做序列本征偏好研究：想系统刻画某个 TF 结合域的 motif degeneracy。

（5）要研究 DNA 修饰（甲基化）的影响：ampDAP-seq 这条路线是它独有的优势，ChIP 做不到这么干净地剥离染色质。

反过来，如果你要回答的是"这个 TF 在我这个组织、这个处理条件下，到底调控哪些基因"，DAP-seq 单独用是不够的，必须配合表达组和染色质可及性数据——后面会详细讲怎么配合。

 

01、原理与 ChIP-seq 的本质差别：一条染色质的分界线

搜"DAP-seq 原理 与 ChIP-seq 区别"的人，多半是在做技术选型。这里我用一个具体的对照来把差别讲透，而不是背定义。

维度	ChIP-seq	DAP-seq
结合发生的场所	活细胞内，天然染色质环境	体外试管里，裸露 DNA + 纯化蛋白
需要什么	ChIP 级特异性抗体（或转基因标签）	只要 TF 的 CDS 序列，能体外表达即可
能看到什么	生理条件下的真实占位	序列本征亲和力 / motif 偏好
看不到什么	序列本征偏好（被染色质掩盖）	染色质可及性、辅因子协同、组织特异性
甲基化的影响	混杂难分离	可设计保留或去除（ampDAP-seq）
通量	一个 TF 一套抗体，一次一个	一个文库可复用，几十上百个 TF 并行
物种限制	必须有可用抗体 / 可转化	理论上任何能提取基因组 DNA 的物种

图 1 · 染色质是两种技术的分界线。ChIP-seq 在完整的染色质环境里抓取 TF，拿到的是"细胞此刻的真实占位"；DAP-seq 把染色质整个剥掉，只留一条裸露的 DNA 和一个纯化的 TF，因此测到的是纯粹的序列亲和力。理解这一点，后面所有的假阳性讨论才说得通。

怎么在论文里措辞，才不会被审稿人挑

不要写"DAP-seq 鉴定了 XX 转录因子的全基因组结合位点"——这个说法过界了，因为"结合位点"暗示了生理占位。更准确的表述是："DAP-seq 揭示了 XX 转录因子体外结合偏好及潜在结合位点"，或者"基于序列亲和力的候选结合位点"。

同时，主动在 Figure 1 旁边画出这个体外/体内的对照关系图，审稿人一眼就知道你清楚这个边界在哪，反而会加分。一个对自己方法边界有清醒认知的作者，和一个把所有数据都当生理证据的作者，审稿人给的分是完全不同的。

 

02、蛋白这一端：HaloTag 无细胞表达的三种体系

搜"DAP-seq HaloTag 无细胞体外表达"的人，多半卡在一个现实问题上：我要做 80 个 TF 的 DAP-seq，但每个 TF 都要做一次 IP、一次蛋白纯化、一次浓度定量。这个工作量直接劝退。

DAP-seq 的核心工程创新，正是把这一步变成了"两小时、无需纯化柱、可以批量做"。

为什么是 HaloTag

HaloTag 是一种工程化的酶结合标签。它的特别之处在于：标签自身没有抗体。你不需要为每种标签开发亲和纯化方案，只需要在纯化磁珠表面共价接上氯烷基（chloroalkane）配基，标签就会自己"跳"上去被抓住。这个反应是不可逆的、选择性极高的，而且不需要低温、不需要维持蛋白活性。

对比一下传统方案：His 标签要 Ni-NTA，FLAG 要抗 FLAG 磁珠，GST 要谷胱甘肽琼脂糖——每换一个标签，磁珠和缓冲液体系就得跟着换。HaloTag 让你所有 TF 用同一套磁珠、同一个操作流程，这就是它能做规模化的原因。

无细胞表达体系	原理	产量	适用场景	坑
兔网织红细胞裂解液（reticulocyte）	哺乳动物翻译系统，接近天然折叠	约 50–100 ng / 2 h	哺乳动物来源 TF，含复杂修饰的蛋白	成本偏高；背景翻译产物多
小麦胚提取物（wheat germ）	植物来源翻译系统，成本低	同上量级，单价更便宜	植物 TF、大规模筛选的首选	对哺乳动物序列的翻译效率可能偏低
大肠杆菌体外表达 + 纯化	常规重组表达	高，但需多步纯化	需要高浓度或特定 TF（家族成员多）	包涵体、不溶、纯化慢，丧失规模优势

三个必须检查的质量指标

体外表达最大的风险是蛋白没表达出来，或者表达成了不溶的包涵体，而这两种情况在跑完 DAP-seq 之前你完全看不出来——最后得到一张空图，你根本不知道是"这个 TF 不结合任何序列"还是"这个 TF 压根没表达出来"。

所以在正式做 DAP-seq 之前，每个 TF 至少要过三关：

（1）产量检测：跑一小段 SDS-PAGE，看有没有预期分子量的条带。至少要在银染或考马斯亮蓝下看得见。

（2）可溶性检测：离心后上清里要能看到蛋白。如果全在沉淀里，翻译体系的条件（温度、离子强度、还原剂）需要调。

（3）结合活性阳性对照：这是最关键的一关。用一个已知能结合特定 motif 的探针（比如一个强结合的通用 TF），走一遍你的结合-洗涤-洗脱流程，确认能拉下来。活性验证不过，后面所有数据都不可信。

最常见的一种"空图"故障

跑完 DAP-seq，发现某个 TF 的 peak 一个都没有。不要立刻下结论"这个 TF 不结合 DNA"。按下面的顺序排查：

（1）蛋白真的表达出来了吗？（银染 SDS-PAGE）

（2）蛋白是 soluble 的吗？

（3）蛋白有活性吗？（用已知 motif 探针做阳性对照）

（4）结合缓冲液的离子强度对吗？（某些 TF 需要特定 KCl/NaCl 浓度，Mg²⁺ 或 Zn²⁺）

（5）洗涤强度是不是太强了？（序列亲和力弱的 TF 很容易被洗掉）

五项都排除了，"这个 TF 不结合"才是可信的结论。

 

03、DNA 这一端：文库制备的四个决定性参数

搜"DAP-seq 基因组 DNA 文库 制备 片段化"对应的实际操作，其实是整个流程里最容易出岔子的地方。因为文库一旦制备完成，它决定了后面所有 TF 的实验结果——文库有问题，你做 100 个 TF 也是 100 份坏数据。

片段长度：200–500 bp 的取舍

主流做法是随机片段化到 200–500 bp。这个范围不是随便定的：

（1）下限 200 bp：太短的片段（<100 bp）在后续纯化中容易通过过滤或者在磁珠上挂不住，洗脱效率骤降。

（2）上限 500 bp：太长的片段会显著降低测序读长利用率，且在 PCR 扩增时容易产生偏好性扩增（长片段扩增效率低），最终导致测序深度在片段长度上分布不均。

（3）最佳区间 250–350 bp：大多数流程的实际落点。这个长度足以容纳一个完整的转录因子结合motif（通常 6–20 bp）加上足够的侧翼序列，同时保证读长利用率。

片段化方式上，酶切（随机限制酶）比超声打断更可控。超声的剪切分布依赖仪器参数和样本状态，不同批次的片段长度分布会有差异，这会直接影响不同实验之间的可比性。做全套 DAP-seq 的时候，酶切几乎是必须的选择。

接头连接：这一步决定了文库能不能被测

基因组 DNA 片段化之后要接上测序接头（Illumina 平台）。这里有个关键的分支决定，直接影响你能做什么分析：

建库方式	是否保留天然修饰	能做的额外分析	代价
PCR-free 建库	保留（甲基化状态不变）	可做甲基化敏感位点分析	建库效率略低，需要更多起始 DNA
PCR 建库	部分保留（PCR 前几轮保留，后续循环会被洗掉）	一般不做修饰相关分析	标准做法，量大、效率高、库浓度可控

一个文库复用于多个 TF：省时间也省钱的关键设计

DAP-seq 最有商业价值的特性是：你只需要制备一次基因组文库，就可以用它做几十个乃至上百个 TF 的结合实验。

这一点带来的不只是省钱，更重要的是消除了实验间变异。如果每个 TF 各自制备一份文库，那么不同 TF 之间的 peak 差异里，就混杂了"文库批次差异"这个无法区分的变量。而用同一份文库，所有 TF 都在完全相同的底物上竞争，TF 之间的差异才真正反映序列亲和力的差异。

起始 DNA 量与组织材料的换算

常见要求是：纯化基因组 DNA 约 10 μg，或者新鲜组织 5 g（植物）/ 2 g（动物、微生物）。如果你的物种 DNA 提取效率低，这个量要相应放大。更好的策略是一次性多提一些 DNA、制备一个大库、分装冻存，这样后续所有实验都用同一批底物，样本间一致性最好。

文库 QC 该看什么

在拿去跟 TF 结合之前，文库至少要过两个检查：

（1）片段分布：Bioanalyzer 或 TapeStation 跑出来应该在 200–500 bp 之间出现主峰，且分布集中。如果出现明显的小片段拖尾（<100 bp），说明片段化过度或者接头连接后有降解。

（2）浓度与摩尔量：qPCR 定量。文库摩尔浓度要换算成"每反应加入多少 pmol"，而不是简单加体积——这是不同 TF 之间保持可比的关键。

（3）可选但强烈推荐：把文库测一遍（哪怕只有 1/10 的量），确认它的比对率和 GC 分布符合预期。这一步能提前发现"文库质量不行"这种要等一个月后才发现的灾难。

 

04、input 对照：它不是"多余的那个孔"

搜"DAP-seq Input对照 作用"的人，大概是想搞清楚：input 到底要不要做，不做会怎样。

答案很明确：必须做，而且它是整个分析的基石。

input 的定义是：亲和纯化之前的文库本身。也就是那份基因组 DNA 文库，不加任何 TF，直接建库测序。

它在算法层面到底做了什么

peak calling 的基本逻辑是：比较"洗下来什么"和"本来就有什么"。

基因组 DNA 文库里，每个片段都会以接近随机的方式被测到——包括那些 GC 含量高、复杂度高、容易形成二级结构的区域。这些区域有个特点：它们在任何一次 pull-down 里都会以较高的比例出现，跟你有没有加 TF 无关。这叫"背景偏好"（GC bias、mapping bias、重复序列偏好）。

如果不减掉这一层背景，你的 peak calling 会把所有高 GC 的区域都报成"TF 结合位点"。这时候你会发现 peak 数量多到离谱，而且全都挤在基因组某些区域——这个现象有个专门的名字叫"信度陷阱"（hyper-ChIPable regions），是 ChIP-seq 领域最著名的假阳性来源。

图 2 · input 对照是 peak calling 的减数项。左图是没有 input 时的情形——所有高 GC、高复杂度的区域都会被误判为结合位点。右图是 input 本身，它记录了每个位点在没有 TF 参与时的固有偏好。两者相减（富集比），剩下的才是 TF 真正带来的特异信号。这就是为什么 input 缺一不可。

测序量和重复怎么定

常规推荐测序深度是基因组的 3×–5×。需要加量的两种情况：一是物种与参考基因组匹配度低（比对率会掉），二是样本本身复杂（比如植物根部混有大量微生物共生体，会稀释有效 reads）。

重复方面，标准流程是一个 input 对照 + 两个技术重复。这里的技术重复不是"做两遍一模一样的东西"——技术重复共享同一个 input，衡量的是 pull-down 过程本身的重复性；而生物学重复需要重新制备文库，衡量的是独立样本间的稳定性。如果你要论证"这个 TF 在不同组织里结合模式不同"，那就必须有生物学重复，因为那已经不是在测技术波动了。

 

05、ampDAP-seq：把 DNA 修饰留着，还是去掉

搜"ampDAP-seq DNA 修饰 甲基化 保留"对应的其实是两个不同的技术路线，选哪个取决于你想问什么问题。

路线	原理	能回答	注意
标准 DAP-seq	PCR-free 建库，保留 DNA 天然修饰	TF 结合是否受甲基化影响	建库效率较低，对 DNA 质量要求高
ampDAP-seq	PCR 扩增过程中修饰被"洗掉"	纯序列亲和力（排除修饰干扰）	更适合做 motif 谱系分析

这个区分在实际研究中经常被忽略，但它决定了你的数据能不能和别人的数据合并分析。如果你的 DAP-seq 数据是 PCR-free 的（保留甲基化），而同一篇文章里另一个 TF 的数据是 ampDAP-seq 的（去除了修饰），那么这两个 TF 的 peak 数差异里，就混进了"修饰是否保留"这个技术变量。

甲基化这件事，DAP-seq 比 ChIP-seq 强在哪

ChIP-seq 里，DNA 甲基化的影响是完全混杂的——你无法区分"这个 TF 不结合甲基化区域"和"这个 TF 在这个区域根本接触不到"。因为在体内，甲基化的 CpG 通常位于核小体定位的富集区，本来就可能处于闭合状态。

而 DAP-seq 是把 DNA 单独拿出来泡，甲基化的影响被完全暴露出来。你可以拿同一条序列的甲基化版本和非甲基化版本做对照实验，直接测出甲基化对结合亲和力的影响。这个能力是 ChIP-seq 结构上做不到的。

如果你的目标 TF 对甲基化敏感

有一类 TF 的结合位点明显偏好或排斥 CpG 甲基化——比如某些含锌指的 RFX 家族、以及依赖 CpG 岛结合的锌指蛋白。对这类 TF 做 DAP-seq 时，PCR-free 是必须的，否则你会得到"这个 TF 只结合 GC 富集区域"的假象，而真实原因只是那些区域恰好也是甲基化的。

反过来，如果你要刻画 TF 的 motif 本征偏好（motif 谱系分析、去冗余、找共识 motif），ampDAP-seq 反而更干净，因为修饰被剥掉了，信号更纯粹地反映序列本身。

一句话判断：你想问"这个 TF 会不会结合甲基化区域"，用 PCR-free；你想问"这个 TF 喜欢什么序列"，用 ampDAP-seq。在写 Methods 的时候，把这条路线写清楚，审稿人就不会质疑你的数据可重复性了。

 

06、假阳性地图：体外结合的四个系统性盲区

搜"DAP-seq 假阳性 ATAC-seq 联合分析"的人，说明已经意识到单靠 DAP-seq 的结论不够扎实了。这一节把问题讲透，并给出可操作的补救方案。

图 3 · DAP-seq 的四个系统性盲区。左上：体外能结合但体内染色质关闭的位点（假阳性）；右上：需要共激活因子才能结合的位点（假阴性）；左下：与 DNA 骨架的非特异静电结合；右下：体外表达蛋白失去活性。这四类问题无法靠重复实验消除，必须靠联合分析（ATAC-seq 筛可及性、RNA-seq 筛表达变化）和点对点验证（EMSA、Y1H、双荧光素酶）来收敛结论。

补救方案一：用 ATAC-seq 过滤

这是最直接有效的一招。ATAC-seq 或 DNase-seq 给出的是细胞里真正开放、可被 TF 接触的染色质区域。把你的 DAP-seq peak 和 ATAC-seq peak 做重叠，取交集：既体外能结合、体内又开放的位点，可信度立刻上一个台阶。

反过来，如果你只有 DAP-seq 数据但没有 ATAC-seq，至少可以退一步用公开的 ATAC-seq 数据集（ENCODE、原始数据数据库里同物种同组织的），作为外部参照。

补救方案二：用表达组做关联

DAP-seq 给你的是"TF 可能结合这些位点"，但没告诉你"这些位点有没有在起调控作用"。如果某个 DAP-seq 靶基因在你的处理组里表达显著变化（来自 RNA-seq 或 qRT-PCR），那么"这个 TF 在调控它"的可能性就大幅提升。

补救方案三：点对点验证不能省

无论前面做了多少联合分析，最终都必须做几个位点的点对点验证，否则结论停在"候选"层面，永远发不出有说服力的文章。各方法的分工：

• Y1H（酵母单杂交）：验证 TF 能否结合该位点。优点是快、便宜、可高通量；缺点是酵母内源激活因子会造成假阳性，融合蛋白毒性会造成假阴性。bait 序列长度建议 200–300 bp，太短结合不上、太长自激活严重。
• EMSA：体外结合特异性的金标准。必须做三组对照——冷探针竞争（信号应减弱消失）、突变探针对照（不应有 shift）、无关蛋白对照。只有三组都做，结论才有说服力。EMSA 的局限是难以检测低亲和力结合，也无法反映复合体状态。
• 双荧光素酶报告基因（LUC）：验证调控功能。注意 nLUC 与 cLUC 互换后信号应保留，如果互换后信号丢失，说明存在标签位阻。
• ChIP-qPCR：连接体外与体内的桥梁。如果有 ChIP 级抗体，做 ChIP-qPCR 是最直接的体内验证——靶启动子区域相对阴性区域富集 2 倍以上且统计显著，即为阳性。

一个常被问到的顺序问题

"Y1H、EMSA、LUC、ChIP-qPCR 要做几个、怎么排序？"

一般路径是：Y1H 筛选 → EMSA 验证体外直接结合 → LUC 验证功能 → ChIP-qPCR 验证体内占位。EMSA 排在后面是有道理的——它需要你先知道启动子上可能的结合 motif 序列才能设计探针，而 Y1H 或者 DAP-seq 正是提供这个信息的来源。

从证据强度看：体外（Y1H/EMSA）和体内（LUC/ChIP-qPCR）至少各要有一个，因为它们回答的是完全不同的两个问题。只做体外，可以说"能结合"；只做体内，说不清"直接结合还是间接结合"。

 

07、从峰到靶基因：motif、peak calling 与注释

搜"DAP-seq motif HOMER MEME peak calling"对应的是数据处理的完整链条。这一节讲怎么把测序数据变成生物学结论，以及每一步的常见坑。

步骤	常用工具	关键参数	坑
质控	FastQC / MultiQC	—	不要跳过 rRNA、接头残留的检查
去接头、过滤	fastp / Trimmomatic	最低质量阈值、读长下限	过滤太狠会显著降低有效深度
比对	Bowtie2 / bwa mem	唯一比对优先、配对端参数	多比对 reads 的处理策略要一致
去重复	Picard / samtools	坐标是否跨读段	DAP-seq 重复率天然高，去重尺度要统一
Peak calling	MACS2 / SEACR / Genrich	必须有 input 作为对照、q 值阈值、峰宽	不传 input 是最常见的数据事故
Motif 发现	HOMER / MEME / FIMO	背景集、显著阈值、去冗余	不同工具给出的 top motif 可能不一致，要交叉验证
靶基因注释	Homer annotatePeaks / 近端远端定义	启动子上游 2 kb、下游 1 kb	远端增强子不要漏，要结合 ATAC/ChIP 数据
功能富集	GO / KEGG	背景集必须用全基因组或检测到的基因	背景集选错，p 值毫无意义

peak calling 的参数怎么定

最常见的做法是用 MACS2，配 input 作为对照，q 值阈值取 0.01 或 0.05。几个实操建议：

（1）q 值不要一味收紧。DAP-seq 的信号本身弱，如果把 q 值压到 0.001，可能几千个真峰都被砍掉。可行的做法是先跑一版宽松的 q=0.05，然后看 peak 数量的量级是否合理——一个 TF 通常给出几百到几千个 peak。如果出来几十个，可能太严；如果出来十几万，一定是背景没扣干净。

（2）峰宽（--bw）要匹配片段长度。文库片段是 200–500 bp，峰宽设成 200–300 比较合适。设成 50 会把一个真实结合区域切成碎片。

（3）不同 TF 之间要统一参数。这是整套 DAP-seq 最容易翻车的地方。如果 TF-A 用 q=0.05、TF-B 用 q=0.01，你就不能直接比较两者的 peak 数量来推断哪个结合更多。要么统一参数，要么各自取 FDR 相同但用 GSEA 那种"看排序不看绝对值"的思路来分析。

motif 分析：为什么要去冗余

HOMER 的 findMotifs 或 MEME 都能给出富集 motif。但这里有个必须做的操作：去冗余（--makeFasta / -noredundant）。

原因很简单：一个大 TF 结合域通常有几十个峰，每个峰都贡献一堆 motif 序列。如果你把所有峰序列直接扔进去，findMotifs 会返回一堆彼此高度相似的次优 motif，看起来像有二十个不同的结合模式，实际上只是同一个 motif 的各种变体。去冗余之后，你通常会看到三到五个真正有意义的 motif，这才是 TF 的真实结合模块组成。

从 motif 到靶基因：不要只看最近的那一个

如果你的 TF 结合的是启动子区，最近的基因通常就是靶基因。但很多 TF 结合的是远端增强子——距离 TSS 几十 kb 甚至几百 kb。这时候只用"最近的基因"做注释会完全漏掉真实靶基因。

改进方案：结合 ATAC-seq 或 ChIP-seq 的数据来找远端调控元件，然后再做三维基因组学关联（如 HiChIP / Hi-C / ChIA-PET）确定物理接触的靶基因。如果这些数据都没有，至少要在 Discussion 里承认这个局限性，不要过度声称。

 

08、非模式生物：这套方法最大的价值场景

搜"DAP-seq 非模式生物 物种 应用"的人，抓住了 DAP-seq 最大的差异化优势：它把"做 TF 结合图谱"这件事的门槛，从"需要抗体和转基因材料"降到了"需要一段 CDS 序列"。

这意味着：只要你能拿到某个物种的基因组和一个 TF 的 CDS 序列，你就能得到这个 TF 的结合偏好图谱。这对于水稻、玉米、大豆、番茄、葡萄、杨树、棉花、油菜这些作物，以及大量微生物物种，是决定性的。

大规模家族扫描：把"逐个研究"变成"一次扫描"

这类项目最有说服力的产出形式是全家族图谱。典型的执行路径是：

1. 从基因组里鉴定出目标 TF 家族的全部成员（拟南芥里一个家族常有 50–150 个成员）
2. 批量克隆 CDS，构建带 HaloTag 的表达载体
3. 用同一份基因组文库，逐个做 DAP-seq
4. 统一参数做 peak calling 和 motif 分析
5. 横向比较：哪个成员结合哪种 motif，结合位点有多少，哪些靶基因重叠

第 5 步产生的信息量远超单个 TF 的研究。你会得到一张"家族成员 × 结合模块"的矩阵，直接告诉你哪些成员功能冗余、哪些发生了功能分化（motif 偏好不同）。这类图放在论文里非常有分量，而且审稿人很难质疑——因为它是体系性的，不是单点的。

物种特有的表型问题，DAP-seq 特别擅长回答

举几个真实场景：

（1）抗旱性主效基因的挖掘：一个 MYB 或 NAC 转录因子家族有 100 个成员，先用 DAP-seq 扫描出每个成员的靶基因集合，再与干旱胁迫下的差异表达基因取交集，交集大的成员就是优先候选。这比逐个做 Y1H 快几个量级。

（2）驯化选择的分子机制：把栽培种和野生种的同一 TF 序列分别做 DAP-seq，比较结合位点差异，结合群体遗传学定位驯化区间，能推断出"是哪个 TF 的哪种 motif 变化驱动了性状改变"。

（3）共生与病原互作：在微生物里，效应蛋白识别宿主靶基因的机制是核心问题。DAP-seq 可以快速筛出哪些转录因子是效应蛋白的潜在靶标。

一个必须写进 Limitations 的短板

DAP-seq 在作物上的应用有个绕不开的问题：你用的是哪个组织的基因组 DNA？

如果一个 TF 只在根里表达，而你的文库是从叶子的 DNA 做的，那么 DAP-seq 测的是"这个 TF 的结合域在叶子的 DNA 背景里喜欢什么序列"，而不是"它在这个物种里做什么"。

更根本的一点：你需要有该物种高质量的参考基因组和可靠的基因组 DNA 提取。基因组组装质量差、重复序列多，都会直接损害比对率和 peak 质量。对于基因组质量堪忧的物种，DAP-seq 的数据质量天花板是肉眼可见的。

 

09、交付前的自查清单

下面这份清单是按"审稿人最可能挑刺的顺序"排的。

方法学描述（Methods）

（1）写清楚是 PCR-free 还是 ampDAP-seq 路线，两者不能混用比较

（2）写清建库方式、片段长度分布、起始 DNA 量、文库是否跨 TF 复用

（3）写清体外表达体系（reticulocyte / wheat germ）、每个 TF 的蛋白产量与活性验证方式

（4）写清结合缓冲液成分、盐浓度、金属离子、洗涤次数与盐浓度

（5）写清测序平台、读长、深度（基因组的几倍）、重复设置

（6）工具与参数全部写明版本号（软件 + 参数），这是可重复性的底线

数据质量

（1）input 对照已上机，且所有 peak calling 都用同一个 input

（2）各 TF 之间的 peak calling 参数完全一致

（3）peak 数量在合理量级（几百到几千），不是几十也不是几万

（4）top motif 去冗余后，数目收敛到 3–5 个

（5）top motif 与该 TF 已知的 DNA 结合域类型相符（如锌指 → C2H2 类 motif，bZIP → 变回文序列）

（6）生物学重复之间的 peak 重叠率（IDR 或直接算 Jaccard）达到可接受水平

结论强度

（1）全文用"体外结合偏好""候选结合位点"，不用"直接调控""生理结合位点"

（2）至少做了一个维度的联合分析（ATAC-seq 交集 / RNA-seq 关联）

（3）至少做了 2–3 个位点的点对点验证（EMSA 或 Y1H，其中至少一个是 EMSA）

（4）没有只靠 DAP-seq 就下"直接结合"的结论

（5）远端增强子靶基因的讨论没有只依赖"最近的基因"注释

（6）功能富集的背景集用的是正确的全集或检出集

DAP-seq 的真正价值，不是"替代 ChIP-seq"，而是把基因组层面的 TF 结合图谱从"少数物种、少数 TF"的状态，扩展到了"任何物种、任意 TF"的可能性。2016 年 O'Malley 等人在拟南芥里一次扫了近 400 个 TF，才有了后来作物领域大量 DAP-seq 项目的模板。

但它的边界也必须说清楚：DAP-seq 是"能结合"的证据，不是"在调控"的证据。体外世界没有染色质、没有辅因子、没有时空特异性。你从 DAP-seq 拿到的每一个 peak，都是一个待验证的假设，而不是一个结论。

所以最专业的用法，是把它放在证据链的上游——用它高效地产生候选，然后用 ATAC-seq、RNA-seq、EMSA、LUC、ChIP-qPCR 逐层收敛。这条链条上任何一环缺失，你的结论就会在审稿时被拆成"只是序列偏好而已"。