怎樣理解SAM/BAM文件格式

怎樣理解SAM/BAM文件格式，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

重點介紹下SAM文件中比對部分的含義，比對部分的信息是\t分隔的11列文件，每列的含義如下

1. column1

第一列是QNAME, 代表輸入序列的名字，通常是reads的標識符。

2. column2

第二列是FLAG, 事先定義了以下幾種flag, 每個flag用一個數字表示，對應一種比對的情況

• 1代表這個序列采用的是PE雙端測序

• 2代表這個序列和參考序列完全匹配，沒有插入缺失

• 4代表這個序列沒有mapping到參考序列上

• 8代表這個序列的另一端序列沒有比對到參考序列上，比如這條序列是R1,它對應的R2端序列沒有比對到參考序列上

• 16代表這個序列比對到參考序列的負鏈上

• 32代表這個序列對應的另一端序列比對到參考序列的負鏈上

• 64 代表這個序列是R1端序列

• 128 代表這個序列是R2端序列

• 256代表這個序列不是主要的比對，一條序列可能比對到參考序列的多個位置，根據map的質量值，可以將所有的alignments劃分為primary alignments和secondary alignments

• 512代表這個序列在QC時失敗了，被過濾不掉了

• 1024代表這個序列是PCR重復序列

• 2048代表這個alignments是Supplement alignments, 一條reads的比對通常是全長比對上了基因組上的一段區域，但是對于嵌合體序列而言，一條reads會比對到基因組上兩個不同的區域，此時就會形成兩個alignments, 這些alignments 就叫做Supplement alignments

  
  

上面的這幾個標簽都是2的n次方，這樣的數列有一個特點，就是隨機挑選其中的幾個，它們的和是唯一的，比如65只能是1和 64組成，代表這個序列是雙端測序，而且是read1。

3. column3

第三列是RNAME, 代表基因組序列的名字，通常是染色體的名字。

4. column4

第四列是POS, 代表reads比對到染色體上的起始位置。

5. column5

第五列是MAPQ,代表mapping quality

6.column6

第六列是CIGAR,代表比對的描述信息，采用以下幾個字符來描述reads的比對情況。

M表示match，可以是精確匹配，也可以是錯配，I表示在基因組上插入堿基，D表示在基因組上刪除堿基，N代表跳過基因組上的堿基，S代表在序列中去除部分堿基。

示例比對情況如下

ref :  AAG CGCTATAGAA
query  AAGTCGCT  AG

對于查詢序列而言，首先是有3個堿基的匹配，用3M表示；然后在參考序列上插入了1個堿基，用1I表示; 接下來又有4個堿基的匹配，用4M表示；在然后是查詢序列上有2個bp的插入，相對基因組而言是2個bp的缺失，用2D表示，最后是2個堿基的匹配，用2M表示。

綜上，這個alignment對用的CIGAR為3M1I4M2D2M。

7.column7

第七列是RNEXT, 如果一條reads比對上了基因組的多個位置，這一列記錄的是下一個alignment比對的染色體的名字，如果只比對上基因組的一個位置，該列的內容為”*”。

8. column8

第八列是PNEXT, 如果一條reads比對上了基因組的多個位置，這一列記錄的是下一個alignment比對的位置，如果只比對上基因組的一個位置，該列的內容為”*”。

9. column9

第九列是TLEN，代表插入片段的長度，根據reads比對的情況，可以估算出插入片段的長度。

10. column10

第十列是SEQ,代表輸入的序列，通常是fastq文件中的序列。

11. column11

第十一列是QUAL,代表輸入序列的質量，通常是fastq文件中的堿基質量。
除了以上11列內容外，還有一些可選的其他tag信息，這些tag信息的寫法為tag:type:value,  每種type用一個字母表示，A表示單個字符；Z表示字符串，i表示整數，f表示浮點數。

比如NH這個tag表示reads的alignments的個數，寫法如下

NH:i:2

表示這條reads比對上基因組的兩個位置。所有tag的詳細解釋參考如下鏈接

https://samtools.github.io/hts-specs/SAMtags.pdf

看完上述內容，你們掌握怎樣理解SAM/BAM文件格式的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！