理解sam 与bam 文件

参考：碱基矿工
生信学苑

通常我们可能会看到.cram，.sam，.bam等多种序列比对的文件，其实他们的本质都源于sam。
bam 是sam 则是一种比gz更加高效的压缩算法，可以很好的对sam 文件进行压缩；
而cram则是bam的高压缩格式（相比于BAM有着更高的压缩率，能够节省30%-50%的空间），IO效率比原来的BAM要略差（同样慢30%左右），且CRAM和BAM可以通过samtools或者picard方便地实现互转。

SAM

SAM 文件的全称为SAM（The Sequencing Alignment/Map Format的英文简称），由sanger 定制，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，也可以表示任意的多重比对的结果。

它是bwa比对输出的标准格式，由于其是纯文本内容，因此缺点便是内容巨大，比如一个人30x全基因组测序的sam大小超过600G，非常容易造成存储爆满。

因此开发者想到了压缩sam 文件这一方法，而bam 格式也在层出不穷的各类压缩文件中脱颖而出。

BAM

正如上面所说，bam的本质其实就是sam 文件的一种压缩形式（因此二者实际上是同一文件的不同格式）。而bam 对于比对的结果也有着非常全面的记录。

除此之外，bwa作者还为bam 专门开发了samtools，更便于处理bam文件，也增加了原有的拓展性。

查看文件

通常来说，sam文件可以像其他文本文件一样直接查看（less等），但bam文件（为二进制文件）则需要借助samtools工具。

samtools view -h E_coli_K12.sorted.markdup.bam|less -SN
# h选项会将bam 的header 信息也一并输出

记录的信息

序列比对，至少应该包含以下的内容与信息。

一般来说，bma 文件分为两个部分，header 与record。（大部分的组学数据也都是按照这两种内容分割来存储数据的）

header 部分

header 部分信息不会太多，一般来说每一行以@开头，里面主要包含了文件的各类参数信息。

@HD 说明符合标准的版本、对比序列的排列顺序；
@SQ，参考序列说明（如果是人则是和参考序列一致的各个染色体的信息）；
@RG，比对序列（reads）的说明；
@PG，使用的程序说明（操作过程与相关参数）；
@CO，任意的说明信息（可有可无）。

@RG 主要是用于区分不同样本的重要信息，它是测序数据合并的关键。

record 部分

record ，也叫 alignment section，是序列比对的内容，从header 往下record 部分的每一行都是一条read 的比对信息。并且read的每个信息都会用tab 分开，且一共有12列。

其中有几个重要的信息。

flags

flag 主要记录的是序列的比对信息。实际的flag 应为01 组成的二进制码，一共有12位数字，12位数字分别代表12种0与1 对应的组合情况。（数值取值范围也就是0～2048）

比如下图这个数字

2209 = 100010100001，也就表示为PE测序（1），它的另一条配对read 反向互补后比对到参考序列（6），且为read2片段（8），最后，该read 还可能存在嵌合，也即比对的这部分可能只是来自于其中的一部分序列，supplementary alignment（12）。

一般来说，我们可以自己写脚本，无非就是将原本的十进制数字提取出来，再转化为二进制形式，最后再通过比对每一行的信息，通过 TRUE（1） 还是FALSE（0）的判断，即可得到其表示的结果。比如若转化后的二进制形式的第三位数字为1，则表示该read 没有比对到参考序列上。

另外，python也提供了相应的包可以方便我们的bam 信息处理。

MAPQ 质量值

这个质量值和fastq 格式中的质量值的转化与表示方式一样，都是-10logP（P为错比概率）。它是衡量read 比对质量的一个重要指标。

CIGAR

又称“雪茄值”，全称为，Compact Idiosyncratic Gapped Alignment Report，它和flag 类似，也通过几个字符串，但表示了不同的read比对到参考序列的细节信息。CIGAR的标记字符有MIDNSHP=XB这10个。

比如167H134M表示，比对这条read 的开头167bp被硬跳过了，且紧随其后的134bp比对上了参考序列。另外并非M就是完全匹配，其也包括某些单碱基错配。

其他信息

其他的还包括read 质量值，其实也就是囊括了fastq 文件的信息。有的时候fastq 文件也会存储为uBam（un-mapping BAM）文件，这其实也就是没有做过比对的BAM文件。

另外，除了前11列信息之外，metadata 的内容是不固定的。这点和不同的处理软件输出内容不同也有一定关系。

可视化查看

之前提到，bam 与sam 不同，它是一种压缩后的二进制文件，因此需要使用samtools view进行查看。

此外我们还可以提取指定的某段序列的信息。

samtools view -h E_coli_K12.bam NC_000913.3:1000000-1000200

如果想要可视化，可以使用tview指令。这是samtools 自带的终端工具。

samtools tview --reference in.fa in.bam

在该模式，键盘输入g，就可以调整到对应位置。具体信息可以通过输入?查看。

使用IGV可视化比对结果

http://www.igv.org/

将.bam 文件导入后，就可以可视化查看相关的比对结果。