单通道（Lane）Single-end数据信息分析
项目一、检测可能的样品污染（推荐）
我们将测序结果进行大规模随机blast，检测可能的样品污染。
项目二、Reads比对到基因组（推荐）
我们将测序结果与reference genome进行mapping, mapping 的reads 中mismatch 的数目可以根据客户需要进行分析, 并挑选出unique mapping 的所有reads用于后续peak的分析。
项目三、 Peak的查找（推荐）
根据mapping的unique reads进行peak查找, 确定具有统计学意义的靶位点，用于后续分析。
结果样板：
项目四、 Peak全基因组定位（推荐）
对查找的具有统计学意义的peak进行全基因组locus定位，在得到每个peak对应的locus的基础上，再对全基因组上peak进行位置的分布统计（强烈推荐，目前绝大部分文献都含此图），以对靶基因的偏好性进行了解。实例如下图：
项目五、靶基因注释及GO(gene ontology)/COG/KOG分析（推荐）
对挑选出的靶基因进行annotation分析，并进行gene ontology分析。同时可以对水稻进行COG分析，对拟南芥进行KOG分析。
项目六：靶基因pathway分析
建立信号通路和生物功能网络，将差异基因与相关的信号通路进行比较、整合，找出基因之间的相互关系，进行通路动态仿真。并根据统计检验方法(P-value)筛选显著显异的代谢通路，已期对致病基因构建模拟疾病状态的通路网络,对目的基因进行分析,以期发现目的基因与疾病之间在生物学通路或生化途径上的关联。
以某一pathway为例：
红色标记的是上调基因，蓝色标记的是下调基因
项目七：Peak附近区域序列提取及motif分析（转录因子结合位点测序时强烈推荐）
对peak附近的区域进行序列提取，并对其做motif分析，特别是对转录因子结合位点测序，在验证已有motif的基础上，进行denovo分析，试图发现新的motif。
项目八：靶基因network分析
通过整合PubMed text mining，同源预测，基因neighbor，蛋白-蛋白相互作用，基因融合等数据，建立一个all differentially expressed genes in a single plot的调控网络。这是一种已有知识驱动的网络构建。
普通双通道（Lane）Single-end数据信息分析方案
在分析两次单通道（Lane）数据信息分析基础上，进行两次lane的差异分析，并挑选共有靶位点,同时合并两次lane数据进行分析。其他分析参看单通道（Lane）Single-end数据信息分析
含Input Control的双通道（Lane）Single-end数据信息分析方案
在分析ChIP和Input Control两个lane数据信息分析基础上，进行FDR计算为确定peak阀值提供参考。实例如下表。其他分析参看单通道（Lane）Single-end数据信息分析。
Paired-end ChIP-Seq 数据信息分析
在分析Single-end数据信息分析基础上进行双端数据的全基因组mapping,并挑选出unique mapping reads，提取其基因组位置信息计算effective genome size(对计算p值非常重要)。其他分析参看单通道（Lane）Single-end数据信息分析。
Paired-end ChIP-seq 数据结果示例
