生物信息学——文件格式 pileup详解

生物信息学

生物信息学——文件格式 pileup详解

---

---

概述

每一种生物软件都有固定的文件格式要求。了解文件格式才能快速分辨文件的功能。从某种意义上来说，生物信息分析的过程就是进行各种文件格式的转换过程。

一、pileup文件格式

• 概述：pileup格式是一种常见的文本文件格式，用于描述基因组测序数据中每个碱基的信息。它通常用于描述每个位置的碱基序列、碱基质量、覆盖度等信息。
  • Pileup 文件一般是由samtools mpileup命令从sorted bam 文件（经过去重，排序后的bam文件）生成。

samtools mpileup -f /ref.fa   sample.sorted.bam -o sample.pileup
# -f 后面是参考序列或者基因组

• 后缀：pileup
• 格式：

pileup格式的文件通常由多行组成，每行对应于基因组上的一个位置。每行包含以下列，每列之间由tab分开：

1. 染色体名称（Chromosome）：表示该位置所在的染色体。

2. 位置（Position）：表示该碱基在染色体上的位置。

3. 参考碱基（Reference base）：表示该位置上的参考碱基。

4. 覆盖度（Coverage）：表示该位置上测序的碱基总数。

5. 碱基序列（Read bases）：表示该位置上每个碱基的序列。

6. 碱基质量（Base qualities）：表示该位置上每个碱基的质量值。

7. 位点信息（Alignment information）：表示该位置上每个碱基的对齐信息，如是否为反向互补链、是否为剪接位点等。

• 示例：

seq1 272 T 24  ,.$.....,,.,.,...,,,.,..^+. <<<+;<<<<<<<<<<<=<;<;7<&
seq1 273 T 23  ,.....,,.,.,...,,,.,..A <<<;<<<<<<<<<3<=<<<;<<+
seq1 274 T 23  ,.$....,,.,.,...,,,.,...    7<7;<;<<<<<<<<<=<;<;<<6
seq1 275 A 23  ,$....,,.,.,...,,,.,...^l.  <+;9*<<<<<<<<<=<<:;<<<<
seq1 276 G 22  ...T,,.,.,...,,,.,....  33;+<<7=7<<7<&<<1;<<6<
seq1 277 T 22  ....,,.,.,.C.,,,.,..G.  +7<;<<<<<<<&<=<<:;<<&<
seq1 278 G 23  ....,,.,.,...,,,.,....^k.   %38*<<;<7<<7<=<<<;<<<<<
seq1 279 C 23  A..T,,.,.,...,,,.,..... ;75&<<<<<<<<<=<<<9<<:<<

• 适用情况：pileup格式的文件常用于对测序数据进行变异检测、基因组比对和突变分析等任务。它提供了详细的碱基信息，可以用于研究基因组的变异和突变情况，以及分析基因组的结构和功能。
  • 往往下一步会将pileup格式文件，转化为vcf/bcf格式文件。

二、碱基序列（Read bases）符号详解

• . 表示该碱基匹配到正链；
• , 表示该碱基匹配到反链；
• ACGTN 表示与参考基因组序列正链不匹配的比对情况（也即错配或变异）；
• acgtn 表示与参考基因组序列反链不匹配的比对情况；
• + or +[0-9]+[ACGTNacgtn] 表示片段的插入，在此参考位置和下一个参考位置之间。数字是插入的长度，后跟插入的序列
  • seq2 156 A 11 .$......+2AG.+2AG.+2AGGG <975;:<<<<<
  • 表示在这个位点上有3个2bp（AG）的插入，最后两个GG表示错配或变异；
• - or -[0-9]+[ACGTNacgtn] 代表片段的缺失，在此参考位置和下一个参考位置之间。数字是删除的长度，后跟删除的序列
  • seq3 200 A 20 ,,,,,..,.-4CACC.-4CACC....,.,,.^~. ==<<<<<<<<<<<::<;2<<
  • 表示两个4bp（CACC）的删除
• ^ 表示是每条reads的开头，“^”后面跟的符号" ’ "的ASCII十进制值减去33就是这条reads的mapping quality
• $ 表示是每条reads的结尾
• ^] 表示该位置存在一个插入，在该位置上，参考序列中有一个碱基被插入到了测序读段中。^]后面的字符表示插入的具体碱基序列。（所以 ^]. 代表插入一个原碱基？还是指测序序列与参考序列相同？ ）