測序數(shù)據(jù)比對結(jié)果 BAM 文件用 samtools 進行 sort 之后發(fā)現(xiàn)體積變小了...
當時懷疑是不是 sort 過程中有一部分 reads 被丟棄了？于是統(tǒng)計了一下原始 BAM 文件和 sort 之后 BAM 文件的行數(shù)索烹，發(fā)現(xiàn)是一樣的，也就是說 samtools 在 sort 時并沒有去除一部分 reads：
$ samtools view -h F_bismark_bt2_pe.bam | wc -l
46159701
$ samtools view -h F_bismark_bt2_pe.sorted.bam | wc -l
46159701
那為何只對文件中內(nèi)容排一下序哥力，文件就變小了呢丑掺？上網(wǎng)搜索一番，用中文關(guān)鍵字竟然找不到有用的信息扒俯，看來技術(shù)類問題用英文關(guān)鍵字搜才有效率局雄，在 SEQanswers 上找到一篇討論這個話題的帖子甥啄，samtools 作者 Li Heng 給出了解釋：
BAM is compressed. Sorting helps to give a better compression ratio because similar sequences are grouped together.
BAM 文件是壓縮的二進制文件，對文件內(nèi)容排序之后相似的內(nèi)容排在一起炬搭，使得文件壓縮比提高了蜈漓，因此排序之后的 BAM 文件變小了，相對應(yīng)的 SAM 文件就是純文本文件尚蝌，對 SAM 文件進行排序就不會改變文件大小迎变。由于 RNA-seq 中基因表達量的關(guān)系，RNA-seq 的數(shù)據(jù)比對結(jié)果 BAM 文件使用 samtools 進行 sort 之后文件壓縮比例變化會比 DNA-seq 更甚飘言。
另外衣形，samtools 對 BAM 文件進行排序之后那些沒有比對上的 reads 會被放在文件的末尾。
samtools view file.bam | tail
關(guān)于 SEQanswers
介紹一下這個有很多大牛出沒的 NGS 技術(shù)論壇 SEQanswers姿鸿，其中包含各類與測序技術(shù)和生物信息相關(guān)的技術(shù)討論谆吴，大牛很多，干貨很多苛预，對新手來說是個很好的學(xué)習(xí)資源句狼。
如果我們過于爽快地承認失敗，就可能使自己發(fā)覺不了我們非常接近于正確热某。 ——卡爾·波普爾
