生信分析进阶4 - 比对结果的FLAG和CIGAR信息含义与BAM文件指定区域提取

BAM文件时存储比对数据的常用格式，可用于短reads和长reads数据。BAM是二进制压缩格式，SAM文件为其纯文本格式，CRAM为BAM的高压缩格式，IO效率相比于BAM略差，但是占用存储空间更小。

1. BAM文件的比对信息

BAM的核心信息-record（也叫alignment section，比对信息）， 记录序列比对内容，每一行都是一条read比对信息，各部分内容如下图所示：

比对信息各部分内容含义：

2. 比对信息关键内容 FLAG和CIGAR

2.1 FLAG

FLAG记录了read的比对情况，FLAG信息使用数字来表示比对结果，比如77,163等，其中77 = 1 + 4 + 8 + 64， 163 = 1 + 2 + 32 + 128， 其中相加使用的数据含义如下表所示：

比如163数据可以理解为：

PE测序reads + 正常比对上参考序列 + 另一条配对reads反向互补后比对到参考序列 + 该序列是read2

2.2 CIGAR

CIGAR全称Compact Idiosyncratic Gapped Alignment Report， 称为“雪茄”字符串。CIAGR相比对FLAG更容易理解，使用数字+字母组合表示reads的比对情况，比如，一条150bp长的read比对到基因组之后，假如CIGAR字符串内容为：33S117M，其意思是说在比对的时候这条read开头的33bp在被跳过了（S），紧接其后的117bp则比对上了参考序列（M）， 其中S代表软跳过（Soft clip），M代表匹配（Match）。

CIGAR标记字符共有10个： “MIDNSHP=XB”，具体分别代表read比对时的情况如下图所示：

特别注意M标记字符，其并非100%全部匹配，单碱基的错配也会标记为M。

3. samtools view查看指定BAM文件指定区域

对于BAM文件的查看可使用samtools。

# 生成索引文件
samtools index sample.sorted.bam

# 跳转到chr22染色体
samtools view sample.sorted.bam chr22 

# 跳转到chr22:16050000位置
samtools view sample.sorted.bam chr22:16050000

# 跳转到chr22:16050000-16060000位置
samtools view sample.sorted.bam chr22:16050000-16060000

4. samtools view提取BAM文件指定染色体区域

对于bam文件过大，可以提取指定区域并生成小的bam文件，导出后再IGV进行查看。

# 提起chr22区域，并输出为bam格式
# —h 表示包含header信息
samtools view -h sample.sorted.bam chr22:16050000-16060000|\
samtools view -Sb - > chr22.region.bam

# 查看bam
samtools view chr22.region.bam|less -S

生信分析进阶文章推荐

生信分析进阶1 - HLA分析的HLA区域reads提取及bam转换fastq

生信分析进阶2 - 利用GC含量的Loess回归矫正reads数量

生信分析进阶3 - pysam操作bam文件统计unique reads和mapped reads高级技巧合辑