bam/sam 文件格式詳解

本文轉載自查看原文 2021-05-31 17:27 1389 生物信息/ 文件格式

sam/bam 是一種序列比對格式標准，由sanger制定，是以TAB為分割符的文本格式。主要應用於測序序列mapping到基因組上的結果表示，當然也可以表示任意的多重比對結果。通常是把FASTQ文件格式的測序數據比對到對應的參考基因組版本得到的。

sam 分為兩部分，注釋信息（header section ）和比對結果部分（alignment section）。通常是把FASTQ文件格式的測序數據比對到對應的參考基因組版本得到的。注釋信息並不是SAM文件的重點，是該SAM文件產生以及被處理過程的一個記錄，規定以@開頭，用不同的tag表示不同的信息，主要有：

@HD，說明符合標准的版本、對比序列的排列順序；
@SQ，參考序列說明；
@RG，比對上的序列（read）說明；
@PG，使用的程序說明；
@CO，任意的說明信息。

samtools 查看 header 命令

samtools view -H <.bam>

比對部分

比對部分我們主要看前 11 列

header

QNAME: read 名稱
FLAG: 概括出一個合適的標記，不同的數字代表不同的含義

第二列是對應的十六進制數，對應的二進制如下
- 1 ：代表這個序列采用的是PE雙端測序
- 2：代表這個序列和參考序列完全匹配，沒有插入缺失
- 4：代表這個序列沒有mapping到參考序列上
- 8：代表這個序列的另一端序列沒有比對到參考序列上，比如這條序列是R1,它對應的R2端序列沒有比對到參考序列上
- 16：代表這個序列比對到參考序列的負鏈上
- 32 ：代表這個序列對應的另一端序列比對到參考序列的負鏈上
- 64 ：代表這個序列是R1端序列， read1;
- 128 : 代表這個序列是R2端序列，read2；
- 256：代表這個序列不是主要的比對，一條序列可能比對到參考序列的多個位置，只有一個是首要的比對位置，其他都是次要的
- 512：代表這個序列在QC時失敗了，被過濾掉了
- 1024: 代表這個序列是PCR重復序列
- 2048: 代表這個序列有一部分嵌合了 PCR 引物
最終的數值是符合上面條條件的數字加起來的值，比如 \(99 = 1+2+32+64\),
也可以用二進制運算給算出來：
```
 >>> bin(99)
 '0b1100011'
 # 其實就是 0000 0000 0001 + 0000 0000 0010 + 0000 0010 0000 +  0000 0100 0000
```
我們也可以通過這個值快速計算是不是完全匹配，或者判斷是否符合其他條件
```
 >>> 99 & 2
 2
 # 返回為真值就代表是完全匹配
```
RNAME: 參考基因組的染色體名稱
POS: 比對到參考基因組上的位置
MAPQ: 比對質量, 255 表示比對質量不可用
CIGAR:
- “M”表示 match或 mismatch；
- “I”表示 insert；
- “D”表示 deletion；
- “N”表示 skipped（跳過這段區域）；
- “S”表示 soft clipping（被剪切的序列存在於序列中）；
- “H”表示 hard clipping（被剪切的序列不存在於序列中）；
- “P”表示 padding；
- “=”表示 match；
- “X”表示 mismatch（錯配，位置是一一對應的）；
RNEXT: read2 在參考序列上的染色體名稱，如果沒有就用 "*", 相同"="
PNEXT: read2 在參考序列上的位置
TLEN: 插入片段的長度
SEQ: read 序列
QUAL: read 質量