sam/bam格式：源于别人的最全的

写在前面

以下摘自别人；因为我懒，或者你看：chrome-extension://cdonnmffkdaoajfknoeeecmchibpmkmg/assets/pdf/web/viewer.html?file=http%3A%2F%2Fsamtools.github.io%2Fhts-specs%2FSAMv1.pdf

sequence alignment map/format：sam文件，是fastq比对参考基因组后形成的比对文件，文件一般较大，所以转化成bam，极其节约储存空间。很多下游分析的文件都源自处理的sam/bam，熟记文件格式避免跳坑，其次还可以，了解分析的代码，以及你需要的信息，NGS相关的那些文件里有你想要的信息？！这样的话，你才能找到你想处理的对象。

SAM格式详细说明

96

模拟书匠X 2018.07.10 10:30

SAM格式，是一种用于存储测序序列比对结果的通用格式，以TAB为分割符。SAM格式的设计理念是：灵活存储所有比对信息。SAM一般为11列以上，其中前11列为已定义列，12列及以后为可选列，算附加信息。
由于测序分两种：单端测序(Single-read)和双端测序(Paired-end和Mate-pair)。下文SAM格式中read表示Single-read或Paired-end Read1序列，mate表示Paired-end Read2序列。

1. 第一列：read name，read的名字通常包括测序平台等信息；
2. 第二列：sum of flags，比对flag数字之和，比对flag用数字表示，分别为：

• 0 read是Single-read且正向比对
• 1 read是pair中的一条（read表示本条read，mate表示pair中的另一条read）
• 2 pair一正一负完美的比对上
• 4 这条read没有比对上
• 8 mate没有比对上
• 16 这条read反向比对
• 32 mate反向比对
• 64 这条read是read1
• 128 这条read是read2
• 256 第二次比对【Cui add：非唯一比对的flag是256】
• 512 比对质量不合格
• 1024 read是PCR或光学副本产生【Cui add：duplication】
• 2048 辅助比对结果

通过这个和可以直接推断出匹配的情况。假如说标记不是以上列举出的数字，比如说83=（64+16+2+1），就是这几种情况值和。

3. 第三列：RNAM，reference sequence name，实际上就是比对到参考序列上的染色体号。若是无法比对，则是*；
4. 第四列：position，read比对到参考序列上，第一个碱基所在的位置。若是无法比对，则是0；
5. 第五列：Mapping quality，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；
6. 第六列：CIGAR值，read比对的具体情况，

• “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）；

7. 第七列：MRNM(chr)，mate的reference sequence name，实际上就是mate比对到的染色体号，若是没有mate，则是*；
8. 第八列：mate position，mate比对到参考序列上的第一个碱基位置，若无mate,则为0；
9. 第九列：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，若无mate则为0；
10. 第十列：Sequence，就是read的碱基序列，如果是比对到互补链上则是reverse completed eg. CGTTTCTGTGGGTGATGGGCCTGAGGGGCGTTCTCN
11. 第十一列：ASCII，read质量的ASCII编码。
12. 第十二列之后：Optional fields，可选的自定义区域

• AS:i 匹配的得分
• XS:i 第二好的匹配的得分
• YS:i mate 序列匹配的得分
• XN:i 在参考序列上模糊碱基的个数
• XM:i 错配的个数【Cui add：如果有错配，这里的数字非0】
• XO:i gap open的个数
• XG:i gap 延伸的个数
• NM:i 经过编辑的序列
• YF:i 说明为什么这个序列被过滤的字符串
• MD:Z 代表序列和参考序列错配的字符串(例如MD:Z:45A2C3 失配碱基的位点，45,45+2两个位点失配)
• XT:A:U read只有一个完整比对，U unique【Cui add：只有一个我完整比对】
• XT:A:R read有一个以上位置完整比对，R repeat
• NM:i:2 read有2个碱基mismatch
• X0:i:2 read有2个位置完整比对(与XT:A有对应关系)
• X1:i:2 read有2个位置以1个碱基失配比对
• XA:Z:Chr3,+1530, 50M,0;Chr4,-7568,50M,1 有0/1个碱基失配的详细比对情况(与XT:A、X0:i、X1:i有对应关系)

image

参考

以上作者参考了：
小猪打呼噜SAM格式详解
EmanLee bam/sam格式说明
SAM格式(wiki)
SAM格式(wikipedia)
SAM格式

彩蛋：看了你也记不住

很少用

image.png

还可以学习

https://blog.csdn.net/genome_denovo/article/details/78712972

---

flags

1 0x1 这序列是PE双端测序
2 0x2 这序列和参考序列完全匹配，没有错配和缺失
4 0x4 这序列没有mapping到参考序列上
8 0x8 这序列的mate序列没有mapping到参考序列上
16 0x10 这序列比对到参考序列的负链上
32 0x20 这序列的mate序列比对到参考序列的负链上
64 0x40 这序列是read1
128 0x80 这序列是read2
256 0x100 这序列不是主要的比对，因为序列可能比对到参考序列的多个位置上
512 0x200 这序列没有通过QC
1024 0x400 这序列是PCR重复序列
2048 0x800 这序列是补充比对