SAM/BAM文件信息、格式

SAM是一种序列比对格式标准，由sanger制定，是以TAB为分割符的文本格式。主要应用于测序序列mapping到基因组上的结果表示，当然也可以表示任意的多重比对结果。当测序得到的fastq文件map到基因组之后，我们通常会得到一个sam或者bam为扩展名的文件。SAM的全称是sequence alignment/map format。而BAM就是SAM的二进制文件(B取自binary)。

更多资料：
http://samtools./hts-specs/SAMv1.pdf
http:///samtools_primer.html

http://blog.csdn.net/u014182497/article/details/51691743

一、Sam详解

1

HWI-ST1001:137:C12FPACXX:7:1115:14131:66670     0       chr1    12805   1       42M4I5M *       0       0       TTGGATGCCCCTCCACACCCTCTTGATCTTCCCTGTGATGTCACCAATATG     CCCFFFFFHHGHHJJJJJHJJJJJJJJJJJJJJJJIJJJJJJJJJJJJIJJ     AS:i:-28        XN:i:0  XM:i:2  XO:i:1XG:i:4   NM:i:6  MD:Z:2C41C2     YT:Z:UU NH:i:3  CC:Z:chr15      CP:i:102518319  XS:A:+  HI:i:0

SAM分为两部分：

•  注释信息（header section）
• 比对结果部分（alignment section）

注释信息可有可无，都是以@开头，用不同的tag表示不同的信息，主要有

• @HD，说明符合标准的版本、对比序列的排列顺序；
• @SQ，参 考序列说明；@RG，比对上的序列（read）说明；
• @PG，使用的程序说明；
• @CO，任意的说明信息。

比对结果部分（alignment section），每一行表示一个片段（segment）的比对信息，包括11个必须的字段（mandatory fields）和一个可选的字段，字段之间用tag分割。必须的字段有11个，顺序固定，不可用时，根据字段定义，可以为’0‘或者’*‘，这是11个字 段包括：

1.QNAME

比对片段的（template）的编号；read的名字通常包括测序平台等信息

2. FLAG

位标识，template mapping情况的数字表示，每一个数字代表一种比对情况，这里的值是符合情况的数字相加总和；

Flag标识对应的情况说明：

1	The read is one of a pair  read是pair中的一条（read表示本条read，mate表示pair中的另一条read）
2	The alignment is one end of a proper paired-end alignment  pair一正一负完美的比对上
4	The read has no reported alignments  这条read没有比对上
8	The read is one of a pair and has no reported alignments  mate没有比对上
16	The alignment is to the reverse reference strand  这条read反向比对
32	The other mate in the paired-end alignment is aligned to the reverse reference strand   mate反向比对
64	The read is the first (#1) mate in a pair  这条read是read1
128	The read is the second (#2) mate in a pair  这条read是read2

256 第二次比对
512 比对质量不合格
1024 read是PCR或光学副本产生
2048 辅助比对结果
通过这个和可以直接推断出匹配的情况。假如说标记不是以上列举出的数字，比如说83=（64+16+2+1），就是这几种情况值和。

3. RNAME

reference sequence name，实际上就是比对到参考序列上的染色体号。若是无法比对，则是*；

4.POS

比对上的位置，注意是从1开始计数，没有比对上，此处为0；

5,MAPQ

mapping的质量；比对的质量分数，越高说明该read比对到参考基因组上的位置越唯一；

6,CIGAR

简要比对信息表达式（Compact Idiosyncratic Gapped Alignment Report），其以参考序列为基础，使用数字加字母表示比对结果，比如3S6M1P1I4M，前三个碱基被剪切去除了，然后6个比对上了，然后打开了一 个缺口，有一个碱基插入，最后是4个比对上了，是按照顺序的；

M”表示 match或 mismatch；
“I”表示 insert；
“D”表示 deletion；
“N”表示 skipped（跳过这段区域）；
“S”表示 soft clipping（被剪切的序列存在于序列中）；
“H”表示 hard clipping（被剪切的序列不存在于序列中）；
“P”表示 padding；
“=”表示 match；
“X”表示 mismatch（错配，位置是一一对应的）；

7.MRNM(chr)

下一个片段比对上的参考序列的编号，没有另外的片段，这里是’*‘，同一个片段，用’=‘；

8.mate position

下一个片段比对上的位置，如果不可用，此处为0；

9.ISIZE

Template的长度，mate position大于POS为正，否则为负，中间的不用定义正负，不分区段（single-segment)的比对上，或者不可用时，此处为0；Inferred fragment size.详见Illumina中paired end sequencing 和 mate pair sequencing，是负数，推测应该是两条read之间的间隔(待查证)，若无mate则为0；

ISIZE为正，说明amplicon的start 为POS,amplicon 的end为 pos + isize-1

ISIZE为负，说明amplicon的start为mate position，amplicon的end为mate position -isize-1

ISIZE为0，说明无法计算出amlicon的大小

ST-E00144:375:H32VMALXX:2:2117:4878:44152 65 17 41243501 60 150M 1 32799454 0 CGTTCCTCTTTCTTCATCATCTGAAACCAATTCCTTGTCACTCAGACCAACTCCCTGGCTTTCAGACTGATGCCTCATTTGTTTGGAAGAACCAATCAAGAAAGGATCCTGGGTGTTTGTATTTGCAGTCAAGTCTTCCAATTCACTGCA -AFFFAJFJA

 

10.Sequence

序列片段的序列信息，如果不存储此类信息，此处为’*‘，注意CIGAR中M/I/S/=/X对应数字的和要等于序列长度；就是read的碱基序列，如果是比对到互补链上则是reverse completed

11.ASCII

read质量的ASCII编码。

12.Optional fields

可选的区域

格式如：TAG:TYPE:VALUE，其中TAG有两个大写字母组成，每个TAG代表一类信息，每一行一个TAG只能出现一次，TYPE表示TAG对应值的类型，可以是字符串、整数、字节、数组等。

 

参考资料：
官方使用说明手册 http://computing.bio./local/doc/bowtie2.html
糗世界 http://pgfe./ou/archives/3050
阿飞与安达：http://liuwei441005.blog.163.com/blog/static/135705811201322331740144/

0