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的二进制文件雹配梁(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：代表这个序卖猛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源运比对（#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DNA片段打断成的长度。
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。
sam是短序列比对默认的标准格式，是以TAB为分割符的文本格式。主要应用于测序序列mapping到基因组上的结果表示，另外也可以表示其他的多重比对结果。一般把测序reads比对到参考基因组以后，通常得到的就是sam文件。BAM就是SAM的二进制文件，具有更小的存储空间，并且许多下游分析工具使用的是BAM格式。
第1列 ：fastq的read ID
第2列 ：FLAG（如果某一个数值不是下面的任意值，那么那个数值就是下面这些数里面几个的和）
第3列 ：染色体名称。如果这列是“ * ”，可以认为这条read没有比对上的序列，则这一行的第四，五，八，九 列是“0”，第六，七列与该列是相同的表示方法。
第4列 ：比对的位置，从对应上的染色体第1位开始往后计算。没有比对上的，此处为0。
第5列 ：MAPQ比对质量值。越高说明该read比对到参考基因组上的位置越唯一，0表示在参考基因组有多种定位的可能性。60表示在参考基薯裤因组只有这一种定位位置。
第6列 ： M表示匹配、I表示插入、D表示删除、N表示内含子和D类似、S表示替换、族手灶H表示剪切。
第7列 : 这条reads第二次比对的位置。=表示参考序列与reads一模一样，*表示没有完全一模一样的参考序列。
第8列 : 该列表示与该reads对应的mate pair reads的比对位置（即mate），若无mate,则为0。
第9列 : 序列模板长度，如果同一个片段都比对上了同一个参考序列，为最左边的碱基位置到最右边的碱基位置（左为正，右为负）。当mate 序列位于本序列上游时该值为负值。不兆扮可用时，为0。
第10列 : read的序列。
第11列 : ASCII码格式的序列质量。格式同FASTQ一样。其中1、10、11合起来就是fq格式文件。
第12列 : 可选的区域。格式类似AS:i:-1 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:35T0 YT:Z:UU
线性对齐： 一条read比对到参考序列上，可以存在插入(insert)、缺失(delete)、跳跃(skip)、剪切(clip)，但是方向不变（不能是一部分和正链匹配，另一部分又和负链匹配），sam文件中只占用一行记录。
嵌合比对： 由于一条测序read比对到基因组上时分别比对到两个不同的区域，而这两个区域基本没有接触和重叠。因此它在sam文件中需要 占用多行记录 显示。只有第一个记录称作"representative",其他的都是"supplementary"。RNA-seq中的chimeric read或许可以说明有融合基因存在，但在基因组中一般作为结构变异的证据。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）