BWA SAM文件格式

最新推荐文章于 2023-05-04 16:03:05 发布

weixin_33795806

最新推荐文章于 2023-05-04 16:03:05 发布

阅读量1k

点赞数 1

文章标签： python

原文链接：https://my.oschina.net/u/3732258/blog/1583585

版权

2019独角兽企业重金招聘Python工程师标准>>>

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。
SAM要处理好的问题：

（1）非常多序列（read)，mapping到多个参考基因组（reference）上；

（2）同一条序列，分多段（segment）比对到参考基因组上；

（3）无限量的，结构化信息表示，包括错配、删除、插入等比对信息；
SAM分为两部分，注释信息（header section）和比对结果部分（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、比对序列的排列顺序；@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。
比对结果部分，每一行表示一个片段的比对信息，包括11个必须的字段和一个可选字段。

第一列：QNAME，read name，read的名字通常包括测序平台等信息；

第二列：FLAG，sum of flags，每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。

1 read是pair中的一条（read表示本条read，mate表示pair中的另一条read）

2 pair一正一负完美的比对上

4 这条read没有比对上

8 mate没有比对上

16 这条read反向比对

32 mate反向比对

64 这条read是read1

128 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。

第三列：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*；

第四列：POS，read比对到参考序列上，第一个碱基所在的位置，从1开始计数。若是无法比对，则是0；

第五列：MAPQ，Mapping quality，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；

第六列：CIGAR，简要比对信息表达式（Compact Idiosyncratic Gapped Alignment Report），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）；

第七列：RNEXT，MRNM(chr)，mate的reference sequence name，实际上就是mate比对到的染色体号，若是没有mate，则是*；

第八列：PNEXT，mate position，mate比对到参考序列上的第一个碱基位置，若无mate,则为0；

第九列：TLEN，Template的长度，ISIZE，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；

第十列：SEQ，Sequence，就是read的碱基序列，如果是比对到互补链上则是reverse completed eg.CGTTTCTGTGGGTGATGGGCCTGAGGGGCGTTCTCN

第十一列：QUAL，ASCII，read质量的ASCII编码。

第十二列之后：Optional fields，可选的区域

sam可选字段释义：
MC MC:Z:<CIGAR> 配对的那条read的CIGAR
NM NM:i:<N> 插入/删除/替换的碱基总个数，不包含头尾被剪切的序列。一般来说等于序列中error base的个数
AS AS:i:<N> 匹配的得分。只有当匹配大于等于1出现。可为负，在local下为正。
XS XS:i:<N> 次优匹配的得分。当匹配大于1时出现。
XA XA:Z:<chr,pos,CIGAR,NM;chr,pos,CIGAR,NM;chr,pos,CIGAR,NM;...> 备选的。format: (chr,pos,CIGAR,NM;)*
SA SA:Z:<chr,pos,+/-,CIGAR,MPQ,NM;> 第二最佳命中位置和标记(bwa的在vcf中表示为supplementary)
MD MD:Z:<S> 比对上的错配碱基的字符串表示，不考虑软硬切（替换：写reference原始碱基；插入：不表达；删除：^(删除的碱基)）
RG RG:Z:<readID> read组ID

转载于:https://my.oschina.net/u/3732258/blog/1583585