---------------
Nickier
2019-01-12
---------------
sam是一種序列比對(duì)后的輸出格式间雀，以tab作為分隔符色冀，包括頭部信息和比對(duì)信息。其中頭部信息必須在比對(duì)信息之前。頭部信息的開頭是@幔嗦，但是比對(duì)行不是。每一個(gè)比對(duì)行有11個(gè)重要的比對(duì)信息元素沥潭，如果比對(duì)位置和校準(zhǔn)信息等邀泉。
關(guān)于sam/bam文件的格式，網(wǎng)上已經(jīng)有很多介紹，但是很多沒有結(jié)合igv可視化汇恤，所以不容易理解庞钢，今天，我們將sam/bam文件結(jié)合igv可視化因谎，方便大家理解基括。
Example
ST-E00522:463:HT3TGCCXY:1:1210:30959:4702 163 chr1 10070 0 44S61M = 10028 61 CCCTAATCCCTAACCCCTCACCCTCACCCTCACCTTCACCCTCCCCCTAATCCTAACCCTAACCCTAACCCTAACCCTAACCCAACCCTAACCCTAACCCTAACC .==FB<+-+,CA<9*A8<-146<DFD@8==<BE+18@BCC6=E*@E5E+87D2E,AFFFECEFFFF9/DE8>BEF@FF4/A6A>/6*C14A5@EG+/>;C??DDD MC:Z:6M1I6M1I91M MD:Z:6C54 PG:Z:MarkDuplicates RG:Z:HT_11_DHE16602 NM:i:1 MQ:i:0 AS:i:56 XS:i:54
頭文件
每個(gè)標(biāo)題行以字符“@”開頭，后面是兩個(gè)字母的記錄類型代碼财岔。在標(biāo)題中风皿，每一行都是由制表符分隔的，除了@CO行匠璧，每個(gè)數(shù)據(jù)字段都遵循格式“TAG:VALUE”桐款，其中TAG是一個(gè)兩個(gè)字母的字符串，定義了內(nèi)容和值的格式夷恍。每個(gè)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魔眨。* /答倡。包含小寫字母的標(biāo)記保留給最終用戶请垛。
主要信息
每一個(gè)比對(duì)行有11個(gè)必填選項(xiàng)。這些字段都是以相同順序出現(xiàn)花盐，而且必須出現(xiàn)执虹，但是這些值可以為0或*（取決于字段）如果無法獲得相應(yīng)的信息拓挥。下表概述了SAM格式的強(qiáng)制字段：
| Col | Field | Brief description |
|---|---|---|
| 1 | QNAME | 查詢模板名稱 |
| 2 | FLAG | 位標(biāo)記，template mapping情況的數(shù)字表示袋励，每一個(gè)數(shù)字代表一種比對(duì)情況侥啤，這里的值是符合情況的數(shù)字相加總和 |
| 3 | RNAME | 參考序列名稱 |
| 4 | POS | 基于1的最左比對(duì)位置 |
| 5 | MAPQ | MAPping質(zhì)量 |
| 6 | CIGAR | CIGAR字符串 |
| 7 | RNEXT | 比對(duì)到的參考（染色體）名字 |
| 8 | PNEXT | 配對(duì)到的第一個(gè)堿基的位置 |
| 9 | TLEN | 可以理解為文庫插入片段長度 |
| 10 | SEQ | 序列片段 |
| 11 | QUAL | phred -scale基本質(zhì)量+33的ASCII碼 |
1.QNAME：查詢模板名稱。具有相同QNAME的read片段被認(rèn)為來自相同的模板茬故。QNAME ' * '表示信息不可用盖灸。
2.FLAG 位標(biāo)記，下表是每一個(gè)代號(hào)代表的意義：
| Bit | Description |
|---|---|
| 1 | read是pair中的一條（read表示本條read磺芭，mate表示pair中的另一條read） |
| 2 | pair一正一負(fù)完美的比對(duì)上 |
| 4 | 片段未比對(duì)上 |
| 8 | mate沒有比對(duì)上 |
| 16 | 這條read反向比對(duì) |
| 32 | mate反向比對(duì) |
| 64 | 這條read是read1 |
| 128 | 這條read是read2 |
| 256 | 第二次比對(duì) |
| 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(duì)結(jié)果 |
如下面這兩條互相配對(duì)的reads中
ST-E00522:463:HT3TGCCXY:1:1217:29264:10662 99 chr1 10004 4 102M1I44M3S = 10195 236 CCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCCCAACCCTAACCCTAACCCGAACCCGAACCCGAACCCCAACCCCAACCCGAACCCCAACCCGAACCCTAACCCTAACCCTAACCCTAA >CDHDEEEEFBDEEEFBEDCEFBEEEEEBEEECFBEDEEDCFDFFDCECCE4:E-->4=BCB9-?>?>F4.EABA@>E:C9&<E(-B0<B@CF0CE*CC,11:B>*==DCC&DE9C;,=@DAB&<EBCC2>D?A?F9A?>8@AFC;>57A XA:Z:chr22,-50808000,150M,11;chr22,-50808169,3S89M1I12M8D6M1D39M,16;chr1,+180761,41M2D44M3I17M3D45M,15;chr3,+10614,28M1I43M1D6M1D28M1D29M1D15M,11;chr22,-50808294,48M5D27M1I74M,16; MC:Z:7S45M MD:Z:63T17T5T5T5T10T5T5T23 PG:Z:MarkDuplicates RG:Z:HT_11_DHE16602 NM:i:9 MQ:i:0 AS:i:99 XS:i:95
ST-E00522:463:HT3TGCCXY:1:1217:29264:10662 147 chr1 10195 0 7S45M = 10004 -236 CCCCCACCCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCCCTAACC 7F=0+.<>E?;+<F?CBEBEDBBEB?/9ACBDEEAD@DC@A.0D@CCB03?< MC:Z:102M1I44M3S MD:Z:45 PG:Z:MarkDuplicates RG:Z:HT_11_DHE16602 NM:i:0 MQ:i:4 AS:i:45 XS:i:47
第一條reads的第二列是99赁炎，即
99
=64（這條reads是read1）
+32（這條reads是正向比對(duì)）
+2（pair一正一負(fù)完美的比對(duì)上）
+1（這條reads是pair中的一條）
在上圖中，可以看到linux界面中第一條和第二條reads即就是前面展示相互配對(duì)的reads钾腺♂愕妫可以看到兩條reads都比對(duì)到了chr1上了，此時(shí)就得到了
1和2放棒。而在igv中可以看到第一條reads（鼠標(biāo)所在處）的方向是向右側(cè)姻报，即正向比對(duì)，就得到了數(shù)值32间螟。至于64的由來吴旋，請(qǐng)看下圖损肛。
3.RNAME：比對(duì)的參考序列名稱，如果@SQ頭部行存在荣瑟，RNAME(如果不是“”)必須出現(xiàn)在一個(gè) SQ-SN標(biāo)記中治拿。沒比對(duì)上此處就是“”。然而笆焰，一個(gè)未必對(duì)的片段也有一個(gè)坐標(biāo)以便排序劫谅。如果RNAME 是“*”，也就沒有 POS 和 CIGAR仙辟。
4.POS：于1的第一個(gè)匹配基的最左映射位置同波。參考序列中的第一個(gè)基的坐標(biāo)是1。對(duì)于沒有坐標(biāo)的未映射讀取叠国，POS設(shè)置為0未檩。如果POS為0，RNAME和CIGAR也就沒有意義粟焊。
5.MAPQ：mapping質(zhì)量冤狡，等于?10log 10Pr(映射位置是錯(cuò)的)，四舍五入到最近的整數(shù)项棠，值255表示映射質(zhì)量特別差悲雳。
6.CIGAR：CIGAR字符串。下表為CIGAR字符串的解釋（‘*’表示無值）
| Op | BAM | Description |
|---|---|---|
| M | 0 | 比對(duì)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(duì)于mRNA到基因組的比對(duì)香追，一個(gè)N操作符代表內(nèi)含子合瓢。對(duì)于其他類型的比對(duì)，沒有定義N的解釋透典。
- M/I/S/=/X操作的長度之和等于SEQ的長度晴楔。
7.RNEXT:：mate的reference sequence name，實(shí)際上就是mate比對(duì)到的染色體號(hào)峭咒，若是沒有mate税弃，則是*
8.PNEXT：如果沒有這個(gè)信息（沒比對(duì)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），則該列的值表示第8列減去第4列加上第6列的值凑队，R1端和R2端相同id的reads其第九列值相同则果，但該值為一正一負(fù)，R1文件的reads和R2文件的reads漩氨，相同id的reads要相對(duì)來看西壮。在進(jìn)行該第列值的計(jì)算時(shí)，如果取第6列的數(shù)值叫惊，一定要取出現(xiàn)M的值款青，S或H的值不能取。
10.SEQ：reads片段赋访。如果序列不存在可都，就是。如果不是蚓耽，這個(gè)序列的長度等于CIGAR中 M/I/S/=/X的總和渠牲。=表示他的基礎(chǔ)字段（如開始為1），和參考序列的基礎(chǔ)字段相同步悠。
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）签杈。一個(gè)堿基質(zhì)量是基于錯(cuò)誤率的phred-scaled等于?10log 10Pr(堿基是錯(cuò)的)。這個(gè)字段可以是“”鼎兽。如果它不是答姥，那么seq也不是“*”，它的長度與SEQ的長度得一致谚咬。
