sam/bam文件

生信分析中大家接触最多的文件肯定会有SAM文件吧！

SAM格式文件包括头部注释部分和比对结果部分

头部注释部分

头部分为''可选部分''。头部分位于比对部分之前，以“@”开头。比对部分有11列是固定的，其他多列可选。看如下例子：

@HD    VN:1.0  SO:unsorted    #VN版本，比对有无sorted

@SQ    SN:17  LN:83257441    ##SQ：参考序列目录。SN：参考序列名字。LN：参考序列长度

@PG    ID:hisat2      PN:hisat2      VN:2.1.0        CL:/home/bio/bin/hisat2/hisat2-align-s --wrapper basic-0 -c GTGCTGAACGACGAGGACTGCCGGGAGTTCCCCTGGCAC    ##PG：program 。 ID：program record identifier 。 VN：程序版本。CL：command line 0      16      17      805144  60      39M    *      0      0      GTGCCAGGGGAACTCCCGGCAGTCCTCGTCGTTCAGCAC IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII AS:i:0  Z:39    YT:Z:UU NH:i:1

@HD：说明VN的版本以及比对有无排列顺序，这个例子没有排序。

@SQ：参考序列目录。SN：参考序列名字。LN：参考序列长度。

@PG：使用的比对程序名，这个例子是hisat2。

@CO：任意的说明信息。

比对信息部分

第1列. QNAME 表示的是查询序列的名称即短片段（reads）的名称；

第2列. FLAG 以整数来表示比对的结果，不同数值有不同的意义，数值也可以是下列数的组合；

sam 文件第二列flag含义：

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，没有错配和插入缺失

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

73 = 64+8+1 （R1匹配上，R2没有匹配上）

153 = 128+16+8+1（R2比对到负链接，R1没有匹配上）

97 = 64+32+1 (R2比对到负链，R1不是完全匹配)

99 = 64+32+2+1 （R2比对到负链，R1完全匹配）

147 = 128+16+2+1 （R2完全匹配到负链）

145 = 128+16+1 （R2比对到负链，R1不是完全匹配）

83 = 64+16+2+1 （R1完全匹配到负链）

163 = 128+32+2+1（R2完全匹配，R1比对到负链）

如果以上情况都不符合则默认为：0

第3列. RNAME 表示参考序列的名称，比如基因组的染色体编号等，如果没有比对上则显示为*；

第4列. POS 表示比对的起始位置，以1开始计数，如果没有比对上则显示为0；

第5列. MAPQ 比对质量；

第6列. CIGAR CIGAR 字符串，即比对的详细情况，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，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；

*M：表示match或mismatch，*I：表示插入，*D：表示删除*N：表示skipped，跳过这段区域，，*S：表示被剪切的序列存在于序列中*H：表示被剪切的序列不存在于序列中，*P：表示padding（填补），*=：表示match，*X：表示mismatch（错配，位置是一一对应的）

第7列. RNEXT 双末端测序中下一个reads比对的参考系列的名称，如果没有则用*表示，如果和前一个reads比对到同一个参考序列则用=表示；

第8列. PNEXT 下一个reads比对到参考序列上的位置，如果没有则用0表示；

第9列. ISIZE/TLEN query序列的模板长度或者插入长度，Template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；

第10列. reads的序列信息；

第11列. reads的序列质量信息，同FASTQ。