【3.2.1】sam格式

SAM是一种序列比对格式标准,由sanger制定,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,当然也可以表示任意的多重比对结果。当测序得到的fastq文件map到基因组之后,我们通常会得到一个sam或者bam为扩展名的文件。SAM的全称是sequence alignment/map format。而BAM就是SAM的二进制文件(B取自binary)。

一、Sam详解

HWI-ST1001:137:C12FPACXX:7:1115:14131:66670     0       chr1    12805   1       42M4I5M *       0       0       TTGGATGCCCCTCCACACCCTCTTGATCTTCCCTGTGATGTCACCAATATG     CCCFFFFFHHGHHJJJJJHJJJJJJJJJJJJJJJJIJJJJJJJJJJJJIJJ     AS:i:-28        XN:i:0  XM:i:2  XO:i:1XG:i:4   NM:i:6  MD:Z:2C41C2     YT:Z:UU NH:i:3  CC:Z:chr15      CP:i:102518319  XS:A:+  HI:i:0
	

<QNAME> <FLAG> <RNAME> <POS> <MAPQ> <CIGAR> <MRNM> <MPOS> <ISIZE> <SEQ> <QUAL> [<TAG>:<VTYPE>:<VALUE> [...]]

ST-E00144:375:H32VMALXX:2:1215:9912:44890 147 17 41246523 60 150M = 41246497 -176 AGATCTACCTTTTTTTCTGTGCTGGGAGTCCGCCTATCATTACATGTTTCCTTACTTCCAGCCCATCTGTTATGTTGGCCCCTTGCTAAGCCAGGCTGTTTGCTTTTATTACAGAATTCAGCCTTTTCTACATTCATTCTGTCTTTAGTG JJFJJFAFJJJJJJJJJJJJJFJJJJJJJJFJJJJJJJJJJJJJJJJJJJJJJJJJJJJFJJFJJJJJJJJFJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJFJJFJJJJJJFFFAA MD:Z:79T70 RG:Z:GWA5720199 NM:i:1 AS:i:145 XS:i:20

SAM分为两部分:

  •  注释信息(header section)
  • 比对结果部分(alignment section)

注释信息可有可无,都是以@开头,用不同的tag表示不同的信息,主要有

  • @HD,说明符合标准的版本、对比序列的排列顺序;
  • @SQ,参 考序列说明;@RG,比对上的序列(read)说明;
  • @PG,使用的程序说明;
  • @CO,任意的说明信息。

SAM文件由两部分组成,头部区和主体区,都以tab分列。

  1. 头部区:以’@‘开始,体现了比对的一些总体信息。比如比对的SAM格式版本,比对的参考序列,比对使用的软件等。

  2. 主体区:比对结果,每一个比对结果是一行,有11个主列和一个可选列。

主体区部分:

比对结果部分(alignment section),每一行表示一个片段(segment)的比对信息,包括11个必须的字段(mandatory fields)和一个可选的字段,字段之间用tag分割。必须的字段有11个,顺序固定,不可用时,根据字段定义,可以为’0‘或者’*‘,这是11个字 段包括:

1.1 QNAME

比对片段的(template)的编号;read的名字通常包括测序平台等信息

1.2. FLAG

位标识,template mapping情况的数字表示,每一个数字代表一种比对情况,这里的值是符合情况的数字相加总和;

Flag标识对应的情况说明:

flag details
1 The read is one of a pair read是pair中的一条(read表示本条read,mate表示pair中的另一条read)
2 The alignment is one end of a proper paired-end alignment pair一正一负完美的比对上
4 The read has no reported alignments 这条read没有比对上
8 The read is one of a pair and has no reported alignments mate没有比对上
16 The alignment is to the reverse reference strand 这条read反向比对
32 The other mate in the paired-end alignment is aligned to the reverse reference strand mate反向比对
64 The read is the first (#1) mate in a pair 这条read是read1
128 The read is the second (#2) mate in a pair 这条read是read2
256 第二次比对
512 比对质量不合格
1024 read是PCR或光学副本产生
2048 辅助比对结果

通过这个和可以直接推断出匹配的情况。假如说标记不是以上列举出的数字,比如说83=(64+16+2+1),就是这几种情况值和。

1.3.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*;

1.4.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;

1.5.MAPQ

mapping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唯一;

1.6.CIGAR

简要比对信息表达式(Compact Idiosyncratic Gapped Alignment Report),其以参考序列为基础,使用数字加字母表示比对结果,比如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,是按照顺序的;

M”表示 match或 mismatch;
“I”表示 insert;
“D”表示 deletion;
“N”表示 skipped(跳过这段区域);
“S”表示 soft clipping(被剪切的序列存在于序列中);
“H”表示 hard clipping(被剪切的序列不存在于序列中);
“P”表示 padding;
“=”表示 match;
“X”表示 mismatch(错配,位置是一一对应的);

1.7.MRNM(chr)

下一个片段比对上的参考序列的编号,没有另外的片段,这里是’*‘,同一个片段,用’=‘;

1.8.mate position

下一个片段比对上的位置,如果不可用,此处为0;

1.9.ISIZE

Template的长度,mate position大于POS为正,否则为负,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;Inferred fragment size.详见Illumina中paired end sequencing 和 mate pair sequencing,是负数,推测应该是两条read之间的间隔(待查证),若无mate则为0;

ISIZE为正,说明amplicon的start 为POS,amplicon 的end为 pos + isize-1

ISIZE为负,说明amplicon的start为mate position,amplicon的end为mate position -isize-1

ISIZE为0,说明无法计算出amlicon的大小

ST-E00144:375:H32VMALXX:2:2117:4878:44152 65 17 41243501 60 150M 1 32799454 0 CGTTCCTCTTTCTTCATCATCTGAAACCAATTCCTTGTCACTCAGACCAACTCCCTGGCTTTCAGACTGATGCCTCATTTGTTTGGAAGAACCAATCAAGAAAGGATCCTGGGTGTTTGTATTTGCAGTCAAGTCTTCCAATTCACTGCA -AFFFAJFJA<AJAAAJ7JA77AJFFFJJJF-F<AAA-F<7-7<7F<JJJJJJFFJJFJJJJ7<-<7FJ<FJ7-<7<J7FJJJJFFAAF-AFAAA<FF<JAJ<FJAJJF-77-AJJF7-<AAFJJ-A-FFAFAFFJJ--F<J<JJJJJ77 MD:Z:150 RG:Z:GWA5720199 NM:i:0 AS:i:150 XS:i:0

1.10.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

1.11.ASCII

read质量的ASCII编码。

1.12.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。

二、更多资料

参考资料

药企,独角兽,苏州。团队长期招人,感兴趣的都可以发邮件聊聊:tiehan@sina.cn
个人公众号,比较懒,很少更新,可以在上面提问题,如果回复不及时,可发邮件给我: tiehan@sina.cn