SAM数据格式学习1之CIGAR理解

SAM信息中的一条：

SRR003161.2	0	chr7	41381016	60	4S153M1D132M1D5M1D28M1D73M3I12M1I40M54S	*	0	0	TCAGTTTGAGATGGAGTTTCATTCTTGTTGCCCAGGCTGGAGTGCAATGGCGCAATCTCAGCTCACAGCAACCTCCGCCTCCCGGGTTCAAGCGATTCTCCTGCCTCAGCCTCTCGAGTAGCTGGGATTACAGGCATGCACCATCACGCCCAGCTAATTTGCATTTTTTATTAGAGATGGGGTTTCTCCACATTGGTCAGGCTGATCTCGAACTCCTGACCTCAGGTGATCTGCCTGCCTTGGCCTCCCAAAGTGCTGGGATTACAGGCATGAGCCTGAGCCCAACCTATTTACTTTCAATCCATCTTTTCAATAACTTAAATACAAGTGTCAATATATACAATCTTTTCCTCCCTGGTTATCAAGCTTTCTAATATATATGGATGTATCTTCCAAGGTTTTTGATCCCATTTTACTTTACAGGCTCACTGCTGTGGAACCCAGAGAGCAGTCTCTTTTCAAGGNGGGCTGAGACNCGCAACAGGGGATTAGGCCAAGGCNCAGG	CCCCCCCCCCCCCCCC@@@CCCFEEEFEEG888EEEFFEEEEFGGGGGGCCCCCCCCCCCCCCCCCCCCCCCCCCCCCA<777@@CCCBCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCAAACCCCCCCCCCCCCCCCCCCCCCC:93339@A>77//39AC666666C22CAAAA93333///7-0017>9999>>A???ACCCCCCC2239322>9977<?????CCCCCCCCC877777777111111::::5555:555:::::::::;:555:;;::::0040-----***--467::::;;;;;;:::511155555:555:::;::::::7777744-------///245::;;;::::::;;;;;;;;:55554774----------44-----064---------6---522451115247644255-----,4---24464422---------!,,,4464224!11:::7:::111111--7777---!----	NM:i:12	MD:Z:153^T40T91^T5^T28^G73G23C0G26	AS:i:379	XS:i:88

CIGAR信息为：

4S153M1D132M1D5M1D28M1D73M3I12M1I40M54S	

理解：

1.s为soft clipping，4s即查询串的开始四个字符不考虑

2.然后153M表示接下来153个为匹配正确或者错误匹配的数量为153，位置从chr7的41381016 开始，到41381161为第146为，在往又7个字符都匹配，到第8个字符就有个“*”号，所以这146+7=153个字符都匹配这确或者匹配错误，没有删除和插入。

scala> 41381161-41381016+1
res2: Int = 146

3. 接下为为1D，表示1个deletion，如下图中第一个“*”号的位置，指的是参考序列删除，而不是查询序列删除，可以看出图1的参考序列有4个T,而图2查询序列是三个T.

图1

图2：

4.接下来是132M，中间有错误匹配的，132个之后有个"*"号，才出现1D

5.接下来都是很多都是依次类推

6.CIGAR：4S153M1D132M1D5M1D28M1D73M3I12M1I40M54S ：

后面有个3I，表示三个insertion可以看出是在ref插入三个字符，用“***”表示，查询串插入的是AGG，后面12M之后又有一个1I，同理插入的为T。

图3：

图4：

7.1P表示填充的，意思是其他基因串可能要插入两个，比如图5的r001，而r002则对应的有一个“*”，这个*为填充的=》每确定一条有P的read需要修改该位置其他所有read的CIGAR状态

图5

8.H表示the clipped sequence is not present in the sequence field.如图5中r003+开始的5个字符没有存储在sam中，r003-的开始的6个字符没有存储在sam中

9.N表示‘N’ for skipped bases on the reference,如r004中有14N

10.另外：图5中的c为pileup，圆点或者逗号表示该碱基等参考序列一眼，一个圆点或者大写的字符表示碱基匹配的是正链，一个逗号或者小写的表示反链

In the fifth field, a dot or a comma denotes a base identical to the referece; a dot or a capital letter denotes a base from a read mapped on the forward strand, while a comma or a lowercase letter on the reverse strand.

其他：

（1）.论文描述：

2.1.2 Extended CIGAR The standard CIGAR description of pairwise
alignment defines three operations: ‘M’ for match/mismatch, ‘I’ for insertion
compared with the reference and ‘D’ for deletion. The extended CIGAR
proposed in SAM added four more operations: ‘N’ for skipped bases on
the reference, ‘S’ for soft clipping, ‘H’ for hard clipping and ‘P’ for padding.
These support splicing, clipping, multi-part and padded alignments. Figure 1
shows examples of CIGAR strings for different types of alignments

（2）部分命令：

hadoop@Master:~/cloud/adam/xubo/data/test20160310$ samtools tview SRR003161h20.sort.bam GCA_000001405.15_GRCh38/GCA_000001405.15_GRCh38_full_analysis_set.fna

参考：

【1】The sequence alignment/map format and SAMtools