ChIP-Seq 的分析框架需要處理抗體效率差異、信噪比變異、以及從峰值模式推斷功能意義的統計方法。
MACS2 的統計模型
MACS2（Zhang et al., 2008）使用 shifting model 估計 fragment size d：計算 Watson 和 Crick strands 的 read 起始位置分布的交叉相關（cross-correlation），峰值距離即為 d。reads 向 3' 端移動 d/2 後計算 coverage。背景模型使用 local Poisson lambda（取 1k、5k、10k window 和全域的最大值），對每個候選 peak 計算 p-value，再經 BH 校正。
ChIP-seq 品質指標
ENCODE 定義的品質標準：
- FRiP（Fraction of Reads in Peaks）：good experiment >1% for TF, >5% for histone marks
- NSC/RSC（Normalized/Relative Strand Coefficient）：cross-correlation 分析的品質指標
- IDR（Irreproducible Discovery Rate, Li et al., 2011）：在兩個生物重複中評估 peak 的可重現性，IDR < 0.05 的 peaks 被保留
差異結合分析
DiffBind（Ross-Innes et al., 2012）將 peak regions 的 read counts 量化後，用 DESeq2 或 edgeR 進行差異分析。csaw（Lun & Smyth, 2016）使用 sliding window approach，不依賴 peak calling 結果——在固定窗口中計算 counts，用 NB GLM 檢驗差異，再將顯著窗口合併為 differentially bound regions。
CUT&Tag / CUT&RUN
CUT&Tag（Kaya-Okur et al., 2019）和 CUT&RUN（Skene & Henikoff, 2017）是 ChIP-seq 的低細胞量替代方案。CUT&Tag 使用 protein A-Tn5 fusion，在抗體靶向的位置進行 tagmentation，大幅降低背景噪聲。優勢：只需 ~1,000-100,000 細胞、背景更乾淨、不需要超音波片段化。分析流程與 ATAC-Seq 類似，但 peak calling 需要不同的參數設定（如 SEACR 作為 CUT&Tag 專用的 peak caller）。
染色質狀態的系統建模
ChromHMM（Ernst & Kellis, 2012）使用 multivariate HMM 在多個組蛋白標記的二值化信號上學習染色質狀態。18-state model 常用於 ENCODE/Roadmap，包含 active TSS、flanking TSS、active enhancer、genic enhancer、bivalent TSS、Polycomb repressed、quiescent 等狀態。Segway 使用 dynamic Bayesian network 在連續信號上操作，解析度更高。ENCODE 的 SCREEN registry 基於 ChromHMM + DNase/ATAC 信號定義了 ~120 萬個 candidate cis-regulatory elements (cCREs)。