bam/sam 文件格式详解

2024-02-01 21:28:22

sam/bam 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。通常是把FASTQ文件格式的测序数据比对到对应的参考基因组版本得到的。

sam 分为两部分，注释信息（header section ）和比对结果部分（alignment section）。通常是把FASTQ文件格式的测序数据比对到对应的参考基因组版本得到的。注释信息并不是SAM文件的重点，是该SAM文件产生以及被处理过程的一个记录，规定以@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。

samtools 查看 header 命令

samtools view -H <.bam>

比对部分

比对部分我们主要看前 11 列

QNAME: read 名称
FLAG: 概括出一个合适的标记，不同的数字代表不同的含义

第二列是对应的十六进制数，对应的二进制如下
- 1 ：代表这个序列采用的是PE双端测序
- 2：代表这个序列和参考序列完全匹配，没有插入缺失
- 4：代表这个序列没有mapping到参考序列上
- 8：代表这个序列的另一端序列没有比对到参考序列上，比如这条序列是R1,它对应的R2端序列没有比对到参考序列上
- 16：代表这个序列比对到参考序列的负链上
- 32 ：代表这个序列对应的另一端序列比对到参考序列的负链上
- 64 ：代表这个序列是R1端序列， read1;
- 128 : 代表这个序列是R2端序列，read2；
- 256：代表这个序列不是主要的比对，一条序列可能比对到参考序列的多个位置，只有一个是首要的比对位置，其他都是次要的
- 512：代表这个序列在QC时失败了，被过滤不掉了（# 这个标签不常用）
- 1024: 代表这个序列是PCR重复序列（#这个标签不常用）
- 2048: 代表这个序列有一部分嵌合了 PCR 引物
最终的数值是符合上面条条件的数字加起来的值，比如 $99 = 1+2+32+64$,
也可以用二进制运算给算出来：
```
 >>> bin(99)
 '0b1100011'
 # 其实就是 0000 0000 0001 + 0000 0000 0010 + 0000 0010 0000 +  0000 0100 0000
```
我们也可以通过这个值快速计算是不是完全匹配，或者判断是否符合其他条件
```
 >>> 99 & 2
 2
 # 返回为真值就代表是完全匹配
```
RNAME: 参考基因组的染色体名称
POS: 比对到参考基因组上的位置
MAPQ: 比对质量, 255 表示比对质量不可用
CIGAR:
- “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）；
RNEXT: read2 在参考序列上的染色体名称，如果没有就用 "*", 相同"="
PNEXT: read2 在参考序列上的位置
TLEN: 插入片段的长度
SEQ: read 序列
QUAL: read 质量