Sam和bam文件说明

参考资料：http://starsyi.github.io/2016/05/24/SAM%E6%96%87%E4%BB%B6%E6%A0%BC%E5%BC%8F%E8%AF%B4%E6%98%8E/
http://www.chenlianfu.com/?p=1399
http://boyun.sh.cn/bio/wp-content/uploads/2012/07/SAM1.pdf

SAM文件

SAM(Sequence Alignment/Map)格式是一种通用的比对格式，用来存储reads到参考序列的比对信息。
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。
SAM分为两部分，注释信息（header section）和比对结果部分（alignment section）。

行：除注释外，每一行是一个read。

1 @HD，说明符合标准的版本、对比序列的排列顺序；
2 @SQ，参考序列说明；
3 @RG，比对上的序列（read）说明；
4 @PG，使用的程序说明；
5 @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tab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 name，read的名字通常包括测序平台等信息
# eg.ILLUMINA-379DBF:1:1:3445:946#0/1
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取值见备注(3)
# eg.16
3. RNAME    参考序列的编号，如果注释中对SQ-SN进行了定义，这里必须和其保持一致，另外对于没有mapping上的序列，这里是'*'；
# eg.chr1
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;
# eg.36576599
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;
# eg.42
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，match/mismatch、insertion、deletion 对应字母 M、I、D。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；
# eg.36M 表示36个碱基在比对时完全匹配

###注：第七列到第九列是mate(备注1)的信息，若是单末端测序这几列均无意义###

7. RNEXT    配对片段（即mate）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'='；
# eg.*
8. PNEXT    配对片段（即mate）比对到参考序列上的第一个碱基位置，若无mate,则为0；
# eg.0
9. TLEN     Template（文库插入序列）的长度，最左边得为正，最右边的为负，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(ISIZE，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);
# eg.0
10. SEQ     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；
# eg.CGTTTCTGTGGGTGATGGGCCTGAGGGGCGTTCTCN
11. QUAL    序列的质量信息,read质量的ASCII编码。，格式同FASTQ一样。
# eg.PY[[YY_______________QQQQbILKIGEFGKB
12.第十二列之后：Optional fields，以tab建分割。
# eg.AS:i:-1 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:35T0 YT:Z:UU

flag取值

image.png

image.png

0：多个片段比对到同一区域？
1：是paired-end或mate pair中的一条
2：双末端比对的一条
4：没有比对到参考序列上
8：是paired-end或mate pair中的一条，且无法比对到参考序列上
16：比对到参考序列的负链上
32：双末端reads的另一条（mate）比对到参考序列的负链上
64：这条read是mate 1
128：这条read是mate 2

BAM文件

BAM是SAM的二进制格式，因此两者格式相同，只是BAM文件占用储存空间更小，运算更快
Usage: samtools view -S in.sam -t Reference.fa.fai -b > out.bam
samtools 可以查看bam文件
Usage: samtools view *.bam | less

bam文件.png