sam格式的简单了解
发布网友
发布时间：2022-09-24 02:35
共1个回答
热心网友
时间：2023-09-11 04:26
部分转自生信菜鸟团公众号
SAM的全称是sequence alignment/map format。而BAM就是SAM的二进制文件(B源自binary)。
SAM 格式主要包括两大部分:
1.标头注释部分（header section）
2.比对结果部分（alignment section）
SAM格式是用来来支持高通量测序数据分析：
(1):快速查找与坐标重叠的比对。例如，选择与染色体2上的坐标323,567,334重叠的比对。
(2):根据read的属性进行选择和过滤。例如，我们希望能够快速选择能过比对到反向链上的read。
(3):有效地存储数据。例如，从SAM格式转化成BAM格式，单个压缩文件包含所有样本的数据，每个样本都以某种方式标记。
标头注释部分
标头信息可有可无，都是以@开头，用不同的tag表示不同的信息
比对结果部分
每一列表示一个read的比对信息，包括11个必须的字段和一个可选字段，字段之间用tag分割。必须的字段有11个，顺序固定。这11个字段包括：
第一列: Query Name (QNAME)：
这一列代表着比对片段的（template）的编号
第二列：FLAG：
这是一种常用且高效的保存多个布尔特征值的方法。
举个简单的例子: 在 SAM 格式中，当 flag 为 1，也即对应的二进制为 01 时，表示该 read 有多个测序数据 ， 一般理解为有双端测序数据 (另一条没被过滤掉)， 而 flag 为 2， 也即二进制 10 时， 表示这条 read 的多个片断都有比对结果， 通常理解为双端 reads 都比对上了， 那么就可以推断出 flag 为 3 时， 也即二进制的 11， 表示该 read 有另一端的 read 并且比对成功， 可以看到， 其实就是 01 加 10。
一般flag值不需要自己去算，直接将flag值导入网站即可
http://broadinstitute.github.io/picard/explain-flags.html
所有flag对应值的含义
1 ： 代表这个序列采用的是PE双端测序
2： 代表这个序列和参考序列完全匹配，没有插入缺失
4： 代表这个序列没有mapping到参考序列上
8： 代表这个序列的另一端序列没有比对到参考序列上，比如这条序列是R1,它对应的R2端序列没有比对到参考序列上
16：代表这个序列比对到参考序列的负链上
32 ：代表这个序列对应的另一端序列比对到参考序列的负链上
64 ： 代表这个序列是R1端序列， read1;
128 : 代表这个序列是R2端序列，read2；
256： 代表这个序列不是主要的比对，一条序列可能比对到参考序列的多个位置，只有一个是首要的比对位置，其他都是次要的
512： 代表这个序列在QC时失败了，被过滤不掉了（# 这个标签不常用）
1024: 代表这个序列是PCR重复序列（#这个标签不常用）
2048: 代表这个序列是补充的比对（#这个标签具体什么意思，没搞清楚，但是不常用）
第三列： Reference Name (RNAME)：
reference sequence name，实际上就是比对到参考序列上的染色体号。若是无法比对，则是*
第四列： Position (POS)：
比对上的位置，注意是从1开始计数，没有比对上，此处为0
第五列：Mapping Quality (MAPQ)：
比对的质量；比对的质量分数，越高说明该read比对到参考基因组上的位置越准确
第六列：Compact Idiosyncratic Gapped Alignment Representation (CIGAR)
CIGAR 代表着简要比对信息表达式，其以参考序列为基础，使用数字加字母表示比对结果
例如 3S6M1P1I4M
前三个碱基被剪切去除了，然后6个比对上了，然后打开了一 个缺口，有一个碱基插入，最后是4个比对上了。
这里的总长度对应的就是测出来的一条序列的长度，如果是PE100，这里加起来就应该是100，如果是PE150，这里加起来就是150，这里的长度和第10列的长度是一致的
第七列：RNEXT：
双端测序中下一个reads比对的参考系列的名称。“＊”是完全没有比对上，“＝”代表完全比对
第3和第7列，可以用来判断某条reads是否比对成功到了基因组的染色体，左右两条reads是否比对到同一条染色体
第八列：PNEXT：
如果是双端测序，是指另一端匹配到参考基因组的位置，如果设置为0，那么该列不可用
第九列：TLEN Template的长度
最左边得为正，最右边的为负，中间的不用定义正负，不分区段（single-segment)的比对上，或者不可用时，此处为0
区别于第6列和第10列是对应测出来的序列的长度。这里第9列的长度是对应插入片段的长度，insert size，也就是建库时，将DN*段打断成的长度。
第十列：Sequence：
序列片段的序列信息，如果不存储此类信息，此处为’*‘，注意CIGAR中M/I/S/=/X对应数字的和要等于序列长度；就是read的碱基序列，如果是比对到互补链上则是reverse completed。
就是测序的reads序列信息
第十一列：ASCII：
read质量值
其实很容易发现，如果将第1，10，11列提取出来的话，就能还原成我们常见的fastq格式信息。
第十二列：Optional fields：
可选的区域
格式如：TAG:TYPE:VALUE，其中TAG有两个大写字母组成，每个TAG代表一类信息，每一行一个TAG只能出现一次，TYPE表示TAG对应值的类型，可以是字符串、整数、字节、数组等。
备注：
看一下KPGP-00001这个韩国人的测序reads比对到hg38的其中一个lane的sam格式部分信息：
可以看出这个是用的PE90测序，测序read长度为90bp，建库打断成约490bp，这个read名称是B80KJTABXX:4:1:1404:2065#CTAGTTAT，flag值是163，代表着
reads是比对到7号染色体，比对的位置是50962731，比对的质量值是60，"90M"意味着90个碱基都match（当然可能是mismatch），“=”意味着双端测序的另一条read也比对上，并且是比对到同一个片段，另一条read比对的位置是
50963137 ，这条read的序列信息是“AGAAAATTATTTAAATGACCCGAGCCTCACCTTCAACATGAGGAACATCAT
ATTCCCTTTGATAAAATGTTGCTGGTGTAAGTGCTCCAT ”
对应质量值分ASCII值为“gggfgfggeggdgggadegggdegegeeggeegedggegggeggegedgggedgggfggeceeggaedgcgggggecgaQ_`X``BBBBB ”
以上。
