怎样理解SAM/BAM文件格式

怎样理解SAM/BAM文件格式，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

重点介绍下SAM文件中比对部分的含义，比对部分的信息是\t分隔的11列文件，每列的含义如下

1. column1

第一列是QNAME, 代表输入序列的名字，通常是reads的标识符。

2. column2

第二列是FLAG, 事先定义了以下几种flag, 每个flag用一个数字表示，对应一种比对的情况

• 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

• 128 代表这个序列是R2端序列

• 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，根据map的质量值，可以将所有的alignments划分为primary alignments和secondary alignments

• 512代表这个序列在QC时失败了，被过滤不掉了

• 1024代表这个序列是PCR重复序列

• 2048代表这个alignments是Supplement alignments, 一条reads的比对通常是全长比对上了基因组上的一段区域，但是对于嵌合体序列而言，一条reads会比对到基因组上两个不同的区域，此时就会形成两个alignments, 这些alignments 就叫做Supplement alignments

  
  

上面的这几个标签都是2的n次方，这样的数列有一个特点，就是随机挑选其中的几个，它们的和是唯一的，比如65只能是1和 64组成，代表这个序列是双端测序，而且是read1。

3. column3

第三列是RNAME, 代表基因组序列的名字，通常是染色体的名字。

4. column4

第四列是POS, 代表reads比对到染色体上的起始位置。

5. column5

第五列是MAPQ,代表mapping quality

6.column6

第六列是CIGAR,代表比对的描述信息，采用以下几个字符来描述reads的比对情况。

M表示match，可以是精确匹配，也可以是错配，I表示在基因组上插入碱基，D表示在基因组上删除碱基，N代表跳过基因组上的碱基，S代表在序列中去除部分碱基。

示例比对情况如下

ref :  AAG CGCTATAGAA
query  AAGTCGCT  AG

对于查询序列而言，首先是有3个碱基的匹配，用3M表示；然后在参考序列上插入了1个碱基，用1I表示; 接下来又有4个碱基的匹配，用4M表示；在然后是查询序列上有2个bp的插入，相对基因组而言是2个bp的缺失，用2D表示，最后是2个碱基的匹配，用2M表示。

综上，这个alignment对用的CIGAR为3M1I4M2D2M。

7.column7

第七列是RNEXT, 如果一条reads比对上了基因组的多个位置，这一列记录的是下一个alignment比对的染色体的名字，如果只比对上基因组的一个位置，该列的内容为”*”。

8. column8

第八列是PNEXT, 如果一条reads比对上了基因组的多个位置，这一列记录的是下一个alignment比对的位置，如果只比对上基因组的一个位置，该列的内容为”*”。

9. column9

第九列是TLEN，代表插入片段的长度，根据reads比对的情况，可以估算出插入片段的长度。

10. column10

第十列是SEQ,代表输入的序列，通常是fastq文件中的序列。

11. column11

第十一列是QUAL,代表输入序列的质量，通常是fastq文件中的碱基质量。
除了以上11列内容外，还有一些可选的其他tag信息，这些tag信息的写法为tag:type:value,  每种type用一个字母表示，A表示单个字符；Z表示字符串，i表示整数，f表示浮点数。

比如NH这个tag表示reads的alignments的个数，写法如下

NH:i:2

表示这条reads比对上基因组的两个位置。所有tag的详细解释参考如下链接

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

看完上述内容，你们掌握怎样理解SAM/BAM文件格式的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！