SAM和BAM文件是什么

这篇文章将为大家详细讲解有关SAM和BAM文件是什么，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

当我们测序得到的fastq数据map到基因组之后，会得到一个以sam或bam为扩展名的文件。这里，SAM的全称是sequence alignment/map format。而BAM就是SAM的二进制文件，也就是压缩格式的sam文件。 那么SAM文件的格式是什么样子的呢？这里给大家简单解释一下。

SAM格式简介

SAM文件由头文件和map结果组成。头文件为注释信息，以@开头，可有可无，就不做多介绍了。重要的是比对结果，例如这样的：

E00514:173:H3C3JCCXY:4:1124:12398:67234    337 Chr00   32904   0   150M    Chr09   33498107    0   TCAATTTCACTTGAAGCTTACTTGTAGTTTCAGGCTTGGTCAAGCGCGATACAAACCATGTAGTAGGAGTCCTCCAAGTCGCCAAGCTAGGGGATCTGCTGAAAGAGGTGACAGACAAGGTAAGCAATCAGAGCTCTAAGCAATCAGTCC  iieiiiii`eiiiiiiiiiiiiiiieiiiiiiiieiiiiiiiiiiiiiiiiiiiiieiiiiiiiiiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieiiiiiiiii`iiieeieieeieee``  AS:i:-6 XN:i:0  XM:i:1  XO:i:0  XG:i:0  NM:i:1  MD:Z:136C13 YT:Z:UU NH:i:8  CC:Z:Chr10  CP:i:18604313   HI:i:0  RG:Z:J36CK1
E00514:173:H3C3JCCXY:4:1124:12398:67234    369 Chr00   32904   0   150M    Chr16   2469225 0   TCAATTTCACTTGAAGCTTACTTGTAGTTTCAGGCTTGGTCAAGCGCGATACAAACCATGTAGTAGGAGTCCTCCAAGTCGCCAAGCTAGGGGATCTGCTGAAAGAGGTGACAGACAAGGTAAGCAATCAGAGCTCTAAGCAATCAGTCC  iieiiiii`eiiiiiiiiiiiiiiieiiiiiiiieiiiiiiiiiiiiiiiiiiiiieiiiiiiiiiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieiiiiiiiii`iiieeieieeieee``  AS:i:-6 XN:i:0  XM:i:1  XO:i:0  XG:i:0  NM:i:1  MD:Z:136C13 YT:Z:UU NH:i:8  CC:Z:Chr10  CP:i:18604313   HI:i:2  RG:Z:J36CK1
E00514:173:H3C3JCCXY:4:1124:12398:67234    369 Chr00   32904   0   150M    Chr16   29515410    0   TCAATTTCACTTGAAGCTTACTTGTAGTTTCAGGCTTGGTCAAGCGCGATACAAACCATGTAGTAGGAGTCCTCCAAGTCGCCAAGCTAGGGGATCTGCTGAAAGAGGTGACAGACAAGGTAAGCAATCAGAGCTCTAAGCAATCAGTCC  iieiiiii`eiiiiiiiiiiiiiiieiiiiiiiieiiiiiiiiiiiiiiiiiiiiieiiiiiiiiiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieiiiiiiiii`iiieeieieeieee``  AS:i:-6 XN:i:0  XM:i:1  XO:i:0  XG:i:0  NM:i:1  MD:Z:136C13 YT:Z:UU NH:i:8  CC:Z:Chr10  CP:i:18604313   HI:i:4  RG:Z:J36CK1
E00514:173:H3C3JCCXY:4:1124:12398:67234    369 Chr00   32904   0   150M    Chr17   31040767    0   TCAATTTCACTTGAAGCTTACTTGTAGTTTCAGGCTTGGTCAAGCGCGATACAAACCATGTAGTAGGAGTCCTCCAAGTCGCCAAGCTAGGGGATCTGCTGAAAGAGGTGACAGACAAGGTAAGCAATCAGAGCTCTAAGCAATCAGTCC  iieiiiii`eiiiiiiiiiiiiiiieiiiiiiiieiiiiiiiiiiiiiiiiiiiiieiiiiiiiiiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieiiiiiiiii`iiieeieieeieee``  AS:i:-6 XN:i:0  XM:i:1  XO:i:0  XG:i:0  NM:i:1  MD:Z:136C13 YT:Z:UU NH:i:8  CC:Z:Chr10  CP:i:18604313   HI:i:6  RG:Z:J36CK1
E00514:173:H3C3JCCXY:4:1212:19025:24532    409 Chr00   33538   0   150M    *   0   0   GATTCCAAGTGCTGACTGATTGCTCTCTTTCTCCTTGTCTTGCAGGTAAGAACAAGGCCAAAGGAAAAGACAGGGAAAAAACATGAAATGAGATACTCTTGCTTTTAACCCTGATGATATGAGATATTCTTGCTCTAGTATAGCTTGTTT  ii`e`ei[iiiiiiiiiiiiie[ieeieieiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieee``  AS:i:-12    XN:i:0  XM:i:2  XO:i:0  XG:i:0  NM:i:2  MD:Z:52T33T63   YT:Z:UU NH:i:20 CC:Z:Chr01  CP:i:11331871   HI:i:0  RG:Z:J36CK1

字段之间也就是列之间由Tab隔开，每一字段具体含义参考下图：

其中：

1. QNAME 表示reads名称；

2. FLAG：表示比对的结果，由数字表示，不同的数值含义不同，其列表如下：

中文解释：

1. 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，没有错配和插入缺失
   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

比对结果数值也可以是上述数值的组合（即数值相加），如FLAG为83（64+16+2+1）表示paired-end reads中的第一个reads比对到参考序列上了；

3. RNAME：表示参考序列的名称，如基因组的染色体编号等，如果没有比对上则显示为*；

4. POS：表示比对的起始位置，以1开始计数，如果没有比对上则显示为0；

5. MAPQ：比对质量；（数字越大，特异性越高）

6. CIGAR：字符串，即比对的详细情况， 记录插入，缺失，错配，后剪切拼接的接头；

7. RNEXT：双末端测序中下一个reads比对的参考系列的名称，如果没有则用 " * " 表示，如果和前一个reads比对到同一个参考序列则用" = "表示；

8. PNEXT：下一个reads比对到参考序列上的位置，如果没有则用0表示；

9. TLEN：序列模板的长度；

10. SEQ：reads的序列信息；

11. QUAL：reads的序列质量信息；

12. 可选字段：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。 

常用bam/sam文件处理

由于sam格式的文件通常都非常大，所以为了节省存储空间而将sam转换为二进制格式以便于存储，也就是bam文件。 sam/bam文件可以由特定的一些软件（比如samtools）来处理的，包括格式互转、排序、建立索引等操作。

1. bam文件读取

bam文件为二进制的文件，不能直接查看，可用samtools读取：

samtools view xxx.bam
samtools view xxx.bam |less -S

2. sam/bam转换

samtools view -h xxx.bam > xxx.sam
samtools view -b -S xxx.sam > xxx.bam

3. 对bam文件排序

samtools sort xxx.bam outputPrefix

4. bam文件创建index

samtools index xxx.bam

5. 对mapping结果进行评估

在mapping之后，可以通过samtools对mapping的结果的质量进行评估。

samtools idxstats xxx.bam

执行这一步前需要经过sort和index，结果如下：

 chr1 195471971 6112404 0
 chr10 130694993 3933316 0
 chr11 122082543 6550325 0
 chr12 120129022 3876527 0
 chr13 120421639 5511799 0
 chr14 124902244 3949332 0
 chr15 104043685 3872649 0

其中第一列是染色体名称，第二列是序列长度，第三列是mapped reads数，第四列是unmapped reads数。

6. 统计flag信息

统计bam文件中的比对flag信息，并输出比对统计结果。

samtools flagstat xxx.bam

total：分析的总reads数（bam文件所有行数）
mapped：比对上的reads数（总体比对率）
paired in sequencing：成对的reads总数
read1：属于reads1的reads数量
read2：属于reads2的reads数量
properly paired：正确配对的reads数量
with itself and mate mapped：一对reads均比对上的reads数
singletons：只有单条reads比对上的reads数
以上计数均以reads条数计，一对reads计为两条。

还可以通过以下命令快速查看flag值所对应的含义：

$samtools flags 141
0x8d    141     PAIRED,UNMAP,MUNMAP,READ2
#flags值为141
#PAIRED表示这条序列采用双端测序， 其值为1；
#UNMAP表示这个序列没有mapping到参考序列上， 其值为4；
#MUNMAP表示这个序列的另一端序列没有比对到参考序列上， 其值为8；
#READ1表示这条序列是R1端序列，其值为128.
#以上数值相加和为141

7. 合并BAM文件

将多个排序后的序列文件合并为一个文件

samtools merge -n out.bam in1.bam in2.bam in3.bam…

关于“SAM和BAM文件是什么”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。