【bioinfo】samtools stats 输出结果解读

参考：samtools stats

# sam or bam input
$ samtools stat test.sam > test_sam_stat.txt 

下图为示例统计的SN关键字部分：

统计结果中包含的信息有：

关键字	官方解释	说明
CHK	Checksum	校验和
SN	Summary numbers	摘要编号
FFQ	First fragment qualities	Read1片段质量
LFQ	Last fragment qualities	Read2片段质量
GCF	GC content of first fragments	Read1的GC含量
GCL	GC content of last fragments	Read2的GC含量
GCC	ACGT content per cycle	每个cycle的ACGT含量
FBC	ACGT content per cycle for first fragments only	Read1片段每个cycle的ACGT含量
FTC	ACGT raw counters for first fragments	Read1片段, ACGT的原始计数
LBC	ACGT content per cycle for last fragments only	Read2片段每个cycle的ACGT含量
LTC	ACGT raw counters for last fragments	Read2片段, ACGT的原始计数
BCC	ACGT content per cycle for BC barcode	BC Barcode每个周期的ACGT含量
CRC	ACGT content per cycle for CR barcode	CR Barcode每个周期的ACGT含量
OXC	ACGT content per cycle for OX barcode	OX Barcode每个周期的ACGT含量
RXC	ACGT content per cycle for RX barcode	RX Barcode每个周期的ACGT内容
QTQ	Quality distribution for BC barcode	BC Barcod的质量分布
CYQ	Quality distribution for CR barcode	CR Barcod的质量分布
BZQ	Quality distribution for OX barcode	OX Barcod的质量分布
QXQ	Quality distribution for RX barcode	RX Barcod的质量分布
IS	Insert sizes	插入片段大小
RL	Read lengths	read长度
FRL	Read lengths for first fragments only	只有Read1的长度
LRL	Read lengths for last fragments only	只有Read2的长度
ID	Indel size distribution	Indel大小分布
IC	Indels per cycle	每个周期的Indels
COV	Coverage (depth) distribution	覆盖范围（深度）分布
GCD	GC-depth	GC深度

SN关键字信息说明（使用 grep ^SN | cut -f 2- 提取信息）： samtools版本v1.6

Key	Value	NOTE	idx	说明
raw total sequences:	7693458		(1)	原始序列数
filtered sequences:	0		(2)	过滤掉的序列数
sequences:	7693458		(3)	序列数, 同(1)
is sorted:	1		(4)	是否排序， 1是,0否
1st fragments:	3876581		(5)	R1片段数
last fragments:	3816877		(6)	R2片段数
reads mapped:	6590466		(7)	比对上的reads数
reads mapped and paired:	5329118	# paired-end technology bit set + both mates mapped	(8)	比对上，且是成对的reads数
reads unmapped:	1102992		(9)	未比对上的reads数
reads properly paired:	4719116	# proper-pair bit set	(10)	成对比上也位置合适的序列（比对的位置是接近的？）
reads paired:	7693458	# paired-end technology bit set	(11)	成对的read数（技术上）
reads duplicated:	0	# PCR or optical duplicate bit set	(12)	PCR或光学重复reads数
reads MQ0:	63803	# mapped and MQ=0	(13)	比对质量是0的reads数
reads QC failed:	0		(14)	质量失败的reads数
non-primary alignments:	266109		(15)	非首次比对的reads数
total length:	1111705142	# ignores clipping	(16)	总长度（忽略截断）
bases mapped:	952346426	# ignores clipping	(17)	比对上的碱基数（忽略截断）
bases mapped (cigar):	921111215	# more accurate	(18)	来自Cigar的比对上的碱基数（更精确）
bases trimmed:	0		(19)	去掉的碱基数
bases duplicated:	0		(20)	重复的碱基数
mismatches:	1822453	# from NM fields	(21)	错配数（来自NM）
error rate:	1.98E-03	# mismatches / bases mapped (cigar)	(22)	错误率（错配数/比对上的总碱基数）
average length:	144		(23)	平均长度
maximum length:	150		(24)	最大长度
average quality:	36.1		(25)	平均碱基质量
insert size average:	845.9		(26)	插入片段长度
insert size standard deviation:	1597.6		(27)	插入片段长度标准差
inward oriented pairs:	2014285		(28)	？向内成对
outward oriented pairs:	72676		(29)	？向外成对
pairs with other orientation:	178825		(30)	其他方向
pairs on different chromosomes:	2562		(31)	成对，比对在不同染色体上

上述示例信息是使用samtools v1.6 统计，发现与samtools v1.2结果有差异。

samtools flagstat统计使用v1.6和v1.2没有差异：

key	对应SN
0 in total (QC-passed reads + QC-failed reads)	v1.2 (1)
0 secondary	v1.2/v1.6 (15)
0 supplementary	补充比对reads数
0 duplicates	v1.2/v1.6 (12)
0 mapped (86.14% : N/A)	v1.2 (7)
0 paired in sequencing	v1.6 (1)
0 read1	v1.6 (5)
0 read2	v1.6 (6)
0 properly paired (61.34% : N/A)	v1.6 (10)
0 with itself and mate mapped	v1.6 (8)
0 singletons (16.40% : N/A)	?
0 with mate mapped to a different chr	v1.6 (31) * 2
0 with mate mapped to a different chr (mapQ>=5)	比对到不同染色体且比对质量值>5

---

一些问题：

【1】输入的bam/sam文件是PE，SN中的raw total sequences为什么是奇数，R1和R2的总和应该是偶数？

【2】官网samtools stats中对raw total sequences解释是：

就是说，统计的是：输入文件中 除了supplementary和secondary比对的reads，其他read数目。并且和samtools这个命令输出的是相同的：samtools view -c -F 0x900。

但是，在用samtools v1.2测试时，输出的raw total sequences的值和这个命令输出的reads数不同。且经过使用脚本自己统计read数，使用这个命令（samtools view -c -F 0x900）的结果是一致的。

import pysam

def cntbam(bam):
    total_cnt = 0  # total read
    bmrd = pysam.AlignmentFile(bam)
    for rec in bmrd:
        if rec.is_unmapped:
            total_cnt += 1
            continue
            
        if 'H' in rec.cigarstring:
            continue
        if rec.is_secondary:
            continue
        if rec.is_supplementary:
            print('#sup\t%s' % rec.query_name)
            continue

        total_cnt += 1
    return total_cnt

print(cntbam(inbam))

---

pysam常用属性可参考笔者的另一篇博客：使用pysam读取sam/vcf/fasta文件时的常用属性

---