The SAM Format Specification(sam格式說明)
1 The SAM Format Specification
sam是一種序列比對后的輸出格式膀斋，以tab作為分隔符旷偿，包括頭部信息和比對信息痴脾。其中頭部信息必須在比對信息之前。頭部信息的開頭是@，但是比對行不是。每一個比對行有11個重要的比對信息元素歌馍，如果比對位置和校準(zhǔn)信息等。
1.1 An example
FCC0YG3ACXX:2:1103:1572:139769#GCTTAATG 99 chr10 60001 0 90M = 60390 479 GAATTCCTTGAGGCCTAAATGCATCGGGGTGCTCTGGTTTTGTTGTTGTTATTTCTGAATGACATTTACTTTGGTGCTCTTTATTTTGCG CCCFFFFFHHHHHJJJJJJJJIJJJJJJJ?HHGIJJJBFHIJIJIDHIHIEHJJIJJIJJJHHGHHHFFFFFFEDCEEECCDDDDEECDD XT:A:R NM:i:0 SM:i:0 AM:i:0 X0:i:2 X1:i:0 XM:i:0 XO:i:0 XG:i:0 MD:Z:90 XA:Z:chr18,+14415,90M,0; RG:Z:120618_I245_FCC0YG3ACXX_L2_SZAXPI010030-30
1.2 Terminologies and Concepts
1-based coordinate system
- 從1開始數(shù)晕鹊， SAM, GFF and Wiggle 用的是這個松却。
0-based coordinate system
- 從0開始數(shù)， BAM, BED, and PSL用的是這個捏题。
Phred scale
- 給一個概率0 < p <= 1 , 值是一個 ?10log10p玻褪，要做一個四舍五入
1.3 The header section
每個標(biāo)題行以字符“@”開頭，后面是兩個字母的記錄類型代碼公荧。在標(biāo)題中，每一行都是由制表符分隔的同规，除了@CO行循狰，每個數(shù)據(jù)字段都遵循格式“TAG:VALUE”，其中TAG是一個兩個字母的字符串券勺，定義了內(nèi)容和值的格式绪钥。每個標(biāo)題行應(yīng)該匹配:/ ^ @[A-Za-z][A-Za-z](\ t[A-Za-z][A-Za-z0-9]:[- ~]+)+ $ /或/ ^ @CO \ t。* /关炼。包含小寫字母的標(biāo)記保留給最終用戶程腹。
下表給出了定義的記錄類型和標(biāo)記。當(dāng)記錄類型出現(xiàn)時儒拂，需要帶有“*”的標(biāo)記寸潦。
| Tag | Description |
|---|---|
| @HD | 首行，輸出文件的第一行 |
| VN* | 格式版本社痛，接受的格式：/^[0-9]+.[0-9]+$/ |
| SO | 比對排序见转，有unknown (default), unsorted, queryname and coordinate,對于coordinate，排序的主鍵是RNAME蒜哀，其順序由標(biāo)題中的@SQ行順序定義斩箫，次要排序鍵是POS字段。對于RNAME和POS相等的對齊撵儿，順序是任意的乘客。在RNAME字段中，所有帶有“*”的對齊都跟隨帶有其他值的對齊淀歇，但是其他的對齊順序是任意的易核。 |
| Tag | Description |
|---|---|
| @SQ | 參考序列字典，@SQ行的順序定義了對齊排序順序房匆。 |
| SN* | 參考序列名字(染色體)耸成。每一個@SQ行必須含有一個去重的SN標(biāo)簽报亩。這個字段的值是用于RNAME和PNEXT比對的記錄。正則表達(dá)式[!-)+-<>-][!-]* |
| LN* | 參考序列長度井氢，范圍:[1,2,29 -1] |
| AS | 基因組裝配標(biāo)識符弦追。 |
| M5 | MD5用大寫字母校驗(yàn)序列，并去掉gap和空格 |
| SP | 物種 |
| UR | 序列的URI花竞。這個值應(yīng)該從一個標(biāo)準(zhǔn)的協(xié)議開始劲件，e.ghttp:或ftp:，如果不是1??這些協(xié)議作為開始约急，那么就應(yīng)該是文件系統(tǒng)路徑 |
| Tag | Description |
|---|---|
| @RG | read組零远，允許有多個無序的@行 |
| ID* | read組標(biāo)識符。每一個@RG行必須含有一個去重的ID厌蔽。ID這個值會被用來作為比對報(bào)告的RG標(biāo)簽 |
| CN | 測序中心提供的read名稱 |
| DS | 描述 |
| DT | 測序的日期 (ISO8601 date or date/time) |
| FO | 流的順序牵辣。核苷酸堿基陣列，與每次讀取的每個流所使用的核苷酸相對應(yīng)奴饮。多堿基流以IUPAC格式編碼纬向，非核苷酸流以各種其他字符編碼。格式:/ \ * | ACMGRSVTWYHKDBN + / |
| KS | 與每次reads的鍵序列所對應(yīng)的核苷酸堿基數(shù)組 |
| LB | 文庫 |
| PG | 產(chǎn)生read組的程序 |
| PI | 預(yù)測的中值插入大小 |
| PL | 用于產(chǎn)生reads的平臺/技術(shù)戴卜。Valid values: CAPILLARY, LS454, ILLUMINA, SOLID, HELICOS, IONTORRENT and PACBIO |
| PU | 平臺單元（ Illumina or slide for SOLiD的flowcell-barcode.lane）逾条。惟一標(biāo)識符。 |
| SM | 樣本投剥，用被測序的池命名 |
| Tag | Description |
|---|---|
| @PG | 程序 |
| ID* | 程序記錄標(biāo)識符师脂。每個@PG線必須有一個唯一的ID, ID的值用于其他@PG線程的比對PG標(biāo)簽和PP標(biāo)簽。在合并SAM文件以處理沖突時江锨，可以修改PG id吃警。 |
| PN | 程序名字 |
| CL | 命令行 |
| PP | 以前的@PG-ID。必須匹配另一個@PG標(biāo)題的ID標(biāo)簽泳桦√阑眨可以使用PP標(biāo)記鏈接@PG記錄，鏈中的最后一條記錄沒有PP標(biāo)記灸撰。該鏈定義應(yīng)用于對齊的程序的順序谒府。在合并SAM文件以處理PG id沖突時，可以修改PP值浮毯。鏈中的第一個PG記錄(即SAM記錄中的PG標(biāo)記所引用的記錄)描述了在SAM記錄上操作的最新程序完疫。鏈中的下一個PG記錄描述了在SAM記錄上操作的下一個最新程序。SAM記錄上的PG ID不需要引用鏈中最新的PG記錄债蓝。它可以引用鏈中的任何PG記錄壳鹤，這意味著SAM記錄已經(jīng)被PG記錄中的程序操作過，并且程序通過PP標(biāo)記引用饰迹。 |
| VN | 程序版本 |
| @CO | 單行的text描述芳誓，是一個任意的說明信息余舶。允許多個@CO行無序排列 |
1.4 The alignment section: mandatory fields(必填)
每一個比對行有11個必填選項(xiàng)。這些字段都是以相同順序出現(xiàn)锹淌，而且必須出現(xiàn)匿值，但是這些值可以為0或*（取決于字段）如果無法獲得相應(yīng)的信息。下表概述了SAM格式的強(qiáng)制字段：
| Col | Field | Type | Regexp/Range | Brief description |
|---|---|---|---|---|
| 1 | QNAME | String | [!-?A-~]{1,255} | 查詢模板名稱 |
| 2 | FLAG | Int | [0,2^16 -1] | 位標(biāo)記赂摆，template mapping情況的數(shù)字表示挟憔，每一個數(shù)字代表一種比對情況，這里的值是符合情況的數(shù)字相加總和 |
| 3 | RNAME | String | *|[!-()+-<>-][!-]* | 參考序列名稱 |
| 4 | POS | Int | [0,2^29 -1] | 基于1的最左比對位置 |
| 5 | MAPQ | Int | [0,2^8 -1] | MAPping質(zhì)量 |
| 6 | CIGAR | String | *|([0-9]+[MIDNSHPX=])+ | CIGAR字符串 |
| 7 | RNEXT | String | *|=|[!-()+-<>-][!-]* | 比對到的參考（染色體）名字 |
| 8 | PNEXT | Int | [0,2^29 -1] | 配對到的第一個堿基的位置 |
| 9 | TLEN | Int | [-2 29 +1,2 29 -1] | 可以理解為文庫插入片段長度 |
| 10 | SEQ | String | *|[A-Za-z=.]+ | 序列片段 |
| 11 | QUAL | String | [!-~]+ | phred -scale基本質(zhì)量+33的ASCII碼 |
1.QNAME：查詢模板名稱烟号。具有相同QNAME的read/片段被認(rèn)為來自相同的模板绊谭。QNAME ' * '表示信息不可用。
2.FLAG 位標(biāo)記汪拥，下表是每一個代號代表的意義：
| Bit | Description |
|---|---|
| 1 | read是pair中的一條（read表示本條read达传，mate表示pair中的另一條read） |
| 2 | pair一正一負(fù)完美的比對上 |
| 4 | 片段未比對上 |
| 8 | mate沒有比對上 |
| 16 | 這條read反向比對 |
| 32 | mate反向比對 |
| 64 | 這條read是read1 |
| 128 | 這條read是read2 |
| 256 | 第二次比對 |
| 512 | 沒有通過質(zhì)量控制 |
| 1024 | read是PCR或光學(xué)副本產(chǎn)生 |
| 2048 | 輔助比對結(jié)果 |
- 0x4是唯一可靠的告訴我們片段未比對上，如果0x4出現(xiàn)了喷楣，RNAME, POS, CIGAR, MAPQ, 0x2, 0x10 和 0x100 和 0x20都是沒有的
- 如果0x40和0x80都存在趟大，片段就是線性模板的一部分，但是既不是第一部分也不是最后一個部分铣焊，如果0x40和0x80都不存在，模板中片段的索引是未知的罕伯。這可能發(fā)生在非線性模板中曲伊，或者索引在數(shù)據(jù)處理中丟失。
- 0x100 意味著片段在某些分析中是不會被用到的追他。
- 如果0x1不存在坟募，0x2, 0x8, 0x20, 0x40 and 0x80也沒啥意義
3.RNAME：比對的參考序列名稱，如果@SQ頭部行存在邑狸，RNAME(如果不是“*”)必須出現(xiàn)在一個 SQ-SN標(biāo)記中懈糯。沒比對上此處就是“*”。然而单雾，一個未必對的片段也有一個坐標(biāo)以便排序赚哗。如果RNAME 是“*”，也就沒有 POS 和 CIGAR硅堆。
4.POS：于1的第一個匹配基的最左映射位置屿储。參考序列中的第一個基的坐標(biāo)是1。對于沒有坐標(biāo)的未映射讀取渐逃，POS設(shè)置為0够掠。如果POS為0，RNAME和CIGAR也就沒有意義茄菊。
5.MAPQ：mapping質(zhì)量疯潭，等于?10log 10Pr(映射位置是錯的)赊堪，四舍五入到最近的整數(shù)，值255表示映射質(zhì)量特別差竖哩。
6.CIGAR：CIGAR字符串哭廉。下表為CIGAR字符串的解釋（‘*’表示無值）
| Op | BAM | Description |
|---|---|---|
| M | 0 | 比對匹配(可以是序列匹配或不匹配) |
| I | 1 | 插入到參考 |
| D | 2 | 從參考刪除 |
| N | 3 | 參考的跳過的區(qū)域 |
| S | 4 | 軟剪切(被剪切的序列存在于序列中) |
| H | 5 | 硬剪切(被剪切的序列不存在于序列中) |
| P | 6 | 填充(從填充引用中無聲刪除) |
| = | 7 | 序列匹配 |
| X | 8 | 序列不匹配 |
- H 值出現(xiàn)在最初或者最后操作中
- S 可證在他們和CIRAG末尾字符串中只有H操作
- 對于mRNA到基因組的比對，一個N操作符代表內(nèi)含子期丰。對于其他類型的比對群叶，沒有定義N的解釋。
- M/I/S/=/X操作的長度之和等于SEQ的長度钝荡。
7.RNEXT:：mate的reference sequence name街立，實(shí)際上就是mate比對到的染色體號，若是沒有mate埠通，則是*
8.PNEXT：如果沒有這個信息（沒比對上）就是0
9.TLEN：如果R1端的read和R2端的read能夠mapping到同一條Reference序列上（即第三列RNAME相同）赎离，則該列的值表示第8列減去第4列加上第6列的值，R1端和R2端相同id的reads其第九列值相同端辱，但該值為一正一負(fù)梁剔，R1文件的reads和R2文件的reads，相同id的reads要相對來看舞蔽。在進(jìn)行該第列值的計(jì)算時荣病，如果取第6列的數(shù)值，一定要取出現(xiàn)M的值渗柿，S或H的值不能取个盆。
10.SEQ：reads片段。如果序列不存在朵栖，就是*颊亮。如果不是*，這個序列的長度等于CIGAR中 M/I/S/=/X的總和陨溅。=表示他的基礎(chǔ)字段（如開始為1）终惑，和參考序列的基礎(chǔ)字段相同。
11.QUAL：堿基質(zhì)量加33的ASCII碼（與Sanger FASTQ格式中的質(zhì)量字符串相同）门扇。一個堿基質(zhì)量是基于錯誤率的phred-scaled等于?10log 10Pr(堿基是錯的)雹有。這個字段可以是“*”。如果它不是*悯嗓，那么seq也不是“*”件舵，它的長度與SEQ的長度得一致。
1.5 The alignment section: optional fields
這里所有的字段都是依照TAG:TYPE:VALUE的格式脯厨， TAG的標(biāo)記是兩個字符铅祸，匹配為/[A-Za-z][A-Za-z0-9]/。在一個比對行每個TAG只可以出現(xiàn)一次。一個TAG含有返回給客戶的小寫字母临梗。
| Type | Regexp matching VALUE | Description |
|---|---|---|
| A | [!-~] | 可印刷字符 |
| i | [-+]?[0-9]+ | 32位整數(shù) |
| f | [-+]?[0-9]*\.?[0-9]+([eE][-+]?[0-9]+)? | 單精度浮點(diǎn)數(shù) |
| Z | [ !-~]+ | 可打印字符串涡扼，包括空格 |
| H | [0-9A-F]+ | 十六進(jìn)制格式的字節(jié)數(shù)組 |
| B | cCsSiIf+ | 整數(shù)或數(shù)字?jǐn)?shù)組 |
對于整數(shù)或數(shù)字?jǐn)?shù)組(類型' B ')，第一個字母表示以下逗號分隔數(shù)組中的數(shù)字類型盟庞。TYPE表示TAG對應(yīng)值的類型吃沪，可以是字符串、整數(shù)什猖、字節(jié)票彪、數(shù)組等。
下表顯示了預(yù)定義的標(biāo)記不狮。你可以自由添加新標(biāo)簽降铸，如果你的新標(biāo)簽很有趣，可以給samtools發(fā)郵件摇零。請注意推掸，以“X”、“Y”和“Z”開頭的標(biāo)記或任何位置包含小寫字母的標(biāo)記都保留給本地使用驻仅，在本規(guī)范的任何未來版本中都不會正式定義谅畅。
| 字符 | 含義 |
|---|---|
| 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 | 在參考序列上模糊堿基的個數(shù) |
| XM:i | 錯配的個數(shù) |
| XO:i | gap open的個數(shù)，針對于比對中的插入和缺失 |
| XG:i | gap 延伸的個數(shù)噪服，針對于比對中的插入和缺失 |
| NM:i | 編輯距離毡泻。但是不包含頭尾被剪切的序列。一般來說等于序列中error base的個數(shù) |
| YF:i | 該reads被過濾掉的原因粘优⊙雷剑可能為LN(錯配數(shù)太多，待查證)敬飒、NS(read中包含N或者．)、SC(match bonus低于設(shè)定的閾值)芬位、QC(failing quality control无拗，待證) |
| YT:Z | 值為UU表示不是pair中一部分(單末端？)昧碉、CP(是pair且可以完美匹配)英染、DP(是pair但不能很好的匹配)、UP(是pair但是無法比對到參考序列上) |
| MD:Z | 比對上的錯配堿基的字符串表示 |
