BBQ(生信基础问题21)：SAM和Bam专题(三)---附加TAG

今天要介绍的内容是SAM/BAM文件的附加信息。
--------------------------------------采用孟哥文章的内容---------------------------------------------

基础导引部分

我们先给大家举个例子，这是一个human 的全基因组测序比对的SAM文件的11列以后的信息。第11列之前学习过了是reads的质量值，那么后面的若干标记比如MD:Z:145等等这些符号是什么意思呢？

示例图

根据SAM格式官方文档的信息，我们需要记住以下内容：

1. 所有的TAG都是2个字母，一般情况下都是大写字母。并且TAG在1行的比对结果中只能出现1次。
2. 所有的TYPE都是单字母，大小写敏感，它是用来定义后面VALUE的类型；
3. VALUE可长可短，但是需要和之前的TYPE相呼应。

关于TYPE不同字母对应的不同数据类型，把SAM的官方文档贴一下，共大家参考。其中，最常用的就是i（带符号的数字）；Z（可直接输出字符串，可以包含空格）；

图2 TYPE的字母与不同数据类型之间的对应关系

那么常用的TAG都有哪些，都代表什么含义呢？

提问环节

我们今天的问题很简单，请根据bowtie2的官方文档，解释下面的比对信息：

ST-E00126:128:HJFLHCCXX:2:2107:22820:18520  99  chr1    11682   1   145M    =   119920  325 GGAGATTCTTATTAGTGATTTCGGCTGGTGCCTGGCCATGTGTATTTTTTTAAATTTCCACTGATGATTTTGCTGCATGGCCGGTGTTGAGAATGACTGCGCAAATTTGCCGGATTTCCTTTGCTGTTCCTGCATGTAGTTTAAA   KKKKAAKKAFFKKKKKKFKFKKKFKKKKKKKKKKFKFKKKKKKKKKKKKKKFKFFKKKKKKFAAKAKKKKKKKKKKKKFFKKKFFFKKFKFFKKKKKKKKFFFFFKKKKKKK7

1. ST-E00126:128:HJFLHCCXX:2:2107:22820:18520

序列名称，⽐对⽚段的编号，通常包括测序平台的信息

2. 99

Flag值 : read paired\ read mapped in proper pair\ mate reverse strand\ first in pair(99对应的比对信息)

3. chr1

回帖到的染⾊体名称

4. 11682

⽐对到染⾊体上的具体位置（⽐对到正链最左边bp的位置点）

5. 1

⽐对的质量值，叫做MAPQ，MAPQ=-10 * log10{mapping出错的概率}

6. 145M

CIGAR值，描述具体的⽐对情况

7. =

pair reads中与该序列配对的read所mapping到的参考序列，如果没有mapping到同⼀条参考序列上，则
⽤“*”代替。

8. 11920

pair reads中与该序列配对的read所mapping到的参考序列的具体位置

9. 325

通过分析pair reads mapping到同⼀条参考序列上位置的推断得到fragment的⻓度

10. GGAGA....TTAAA

read序列信息

11. KKKKA....F7AA<

read序列测序每⼀bp的质量值

12. MD:Z:21G6G116

MD:Z:表示在⽐对过程中有mismatch的情况，后⾯字符串表示mismatch的具体位置，前面21个match到参考基因组的G前面，接下来6个match到G前面，最后116g个match

13. XG:i:0

XG:i有gap的存在，后⾯数字表示gap的总⻓度（read和reference上的都计算在内）

14. NM:i:2

编辑距离，为了将read map到reference上，对read进⾏单核苷酸编辑（替换、插⼊以及删除）的最⼩⻓
度

15. XM:i:2

mismatche的具体数⽬

16. XN:i:0

序列覆盖区的参考基因组上不确定的base数

17. XO:i:0

gap的具体数⽬

18. AS:i:-12

⽐对分数，允许负值，局部⽐对最终可以⼤于0，但是全局⽐对中不会

19. XS:i:-12

⽐对过程中出现的⽐最终报告分数（AS:i:-12）⾼的⽐对值，同样允许负值，局部⽐对最终可以⼤于0，但是
全局⽐对中不会。当⼀条序列能够同时⽐对到多个位点，且出现连续局部相似度极⾼的情况下会出现这种情况。

20. YS:i:-6

与该序列配对的pair read的⽐对分数

21. YT:Z:CP

YT:Z:代表pair-read的⽐对情况，“UU”代表没有配对的read； "CP"代表序列为pair reads之⼀，pai
r align cordantly；"DP"表序列为pair reads之⼀，pair align discordantly；"UP"代表序列为p
air reads之⼀，但是pair没有⽐对到参考基因组上。

Reference:
1:生物信息学100个基础问题 —— 第21题 SAM/BAM中的附加标记信息

2:Bowtie 2-官方使用手册-SAM output部分

3. SAM Format