生物组学数据分析新手段！利用sambamba去除多重比对/重复/未比对序列

    生物组学数据一般都是先质控剔除后再比对到参考基因组，来保证分析结果的可靠性。序列比对前的质控仅仅保证了每一条序列的质量符合我们的要求，比对到基因组之后，对于一些未比对上的序列，重复序列，比对到基因组多个位置的序列，我们仍然需要进一步过滤。sambamba可以快速有效的实现比对后sam/bam文件的过滤。

软件安装

    推荐使用conda安装

conda install -c bioconda sambamba

    或者从码源https://github.com/biod/sambamba/releases下载安装

SAM文件说明

比对得到的sam文件格式如下

前两行是头文件，从第三行开始是比对结果，除了第12列可选域之外，每一列说明如下

反应比对质量的信息在第二列FLAG和第六列CIGAR，FLAG用数字表示比对的情况，说明如下

一般我们会剔除4-unmapped序列和1024-duplicated序列

使用sambamba去除多重比对/重复/未比对序列

sambamba是高效处理sam/bam文件的工具，sambamba view可以设置一系列条件对我们的比对结果进行过滤，参数如下

其中-F参数可以实现比对结果过滤，使用例子如下

sambamba view -F 'filter expression' example.bam > example.filter.bam

filter expression接受and, or, not等逻辑操作符或者==, !=, >, <, >=, <=等比较操作符，同时它还支持文字描述的FLAG

以及指定sam文件的不同列

比如

not (unmapped or mate_is_unmapped) and mapping_quality >= 50 and sequence_length >= 80

就是过滤了比对上的，质量>50和长度>80的结果

因此，我们要剔除多重比对，未比对上和重复序列，只需要执行

sambamba view -h -t 2 -f bam \-F '[XS] == null and not unmapped  and not duplicate' \example.bam > example_aln.bam

这句话-h指定打印头文件信息，-t指定线程，-f指定bam文件格式，-F指定过滤条件，[XS]是sam的可选域，描述序列多重比对上时第二个最有比对的得分，只有当序列比对到多个位置时才会出现，因此[XS] == null除去了多重比对的序列，not unmapped 和not duplicate分别除去了未比对上序列和重复序列。只需要一句话，就可以对我们的比对结果进行再次过滤，保证后续分析结果的准确性。

本文经授权转载自 生物信息学习公众号