sam和bam格式文件的shell小练习

题目来源：http://www.bio-info-trainee.com/3578.html

正式开始做练习题：

#1) 统计共多少条reads(pair-end reads这里算一条)参与了比对参考基因组
cat tmp.sam |grep -v '^@' | wc
# 左右两个序列算作一条，所以为10000

#2) 统计共有多少种比对的类型(即第二列数值有多少种)及其分布。
cat tmp.sam |grep -v '^@' | awk '{print $2}' |sort |uniq -c
cat tmp.sam | grep -v '^@' | cut -f2|sort|uniq -c|sort -k1,1nr

#3）筛选出比对失败的reads，看看序列特征。
# 第6列的* 代表为比对失败
cat tmp.sam |grep -v '^@' | awk '{if($6=="*") print}' |wc
cat tmp.sam |grep -v '^@' | awk '{if($6=="*") print}' |awk '{print $10}'

#4) 比对失败的reads区分成单端失败和双端失败情况，并且拿到序列ID
# 单端失败
cat tmp.sam | grep -v '^@' |awk '{if($6=="*")print $1}'|sort|uniq -c|grep -w 1
# 双端失败
cat tmp.sam | grep -v '^@' |awk '{if($6=="*")print $1}'|sort|uniq -c|grep -w 2

#5) 筛选出比对质量值大于30的情况（看第5列）
cat tmp.sam | grep -v '^@' |awk '{if($5>30)print}'|wc

#6) 筛选出比对成功，但是并不是完全匹配的序列
“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）
cat tmp.sam | grep -v '^@' |awk '{if($6!="*")print$6}'|grep "[IDNSHPX]"|wc


#7) 筛选出inset size长度大于1250bp的 pair-end reads
cat tmp.sam | grep -v '^@' |awk '{if($9>1250)print}'|less -S

#8) 统计参考基因组上面各条染色体的成功比对reads数量
cat tmp.sam | grep -v '^@' |cut -f3|sort -u

#9) 筛选出原始fq序列里面有N的比对情况
cat tmp.sam | grep -v '^@'|awk '{if($10~N)print}'|wc
#注意~的用法

#10) 筛选出原始fq序列里面有N，但是比对的时候却是完全匹配的情况
cat tmp.sam | grep -v '^@'|awk '{if($10 ~ N)print}'|awk '{if($6 !~ "[IDNSHP]")print}'|awk '{if($6!="*")print}'|less -S

#11) sam文件里面的头文件行数
cat tmp.sam | grep '^@' |wc

#12) sam文件里每一行的tags个数一样吗
cat tmp.sam | grep -v '^@' |cut -f 12- |less -S

#13) sam文件里每一行的tags个数分别是多少个
比较麻烦  暂时不会

#14) sam文件里记录的参考基因组染色体长度分别是？
cat tmp.sam | grep '^@' | grep 'LN'
#其实在头文件里面已近显示过了

#15) 找到比对情况有insertion情况的
cat tmp.sam | grep -v '^@'|awk '{if($6~I)print}'|less -S

#16) 找到比对情况有deletion情况的
cat tmp.sam | grep -v '^@'|awk '{if($6~D)print}'|less -S

#17）取出位于参考基因组某区域的比对记录，比如 5013到50130 区域
cat tmp.sam | grep -v '^@'|awk '{if($4>5013 && $4 <50130)print}'|less -S

#18) 把sam文件按照染色体以及起始坐标排序
cat tmp.sam | grep -v '^@'|awk '{print $4}'|sort -n
cat tmp.sam | grep -v '^@'|sort -k4

#19) 找到 102M3D11M 的比对情况，计算其reads片段长度。
grep  102M3D11M tmp.sam |cut -f 10|wc

#20) 安装samtools软件后使用samtools软件的各个功能尝试把上述题目重新做一遍。

sam/bam文件每一行的意义：

sam bam.jpg

学习，就是要不断坚持！！！