SAM和BAM格式详解

SAM

1.什么是SAM格式？

SAM格式用于存储基于参考序列的比对序列，SAM(Sequence Alignment Map)是序列比对映射的首字母缩写。

说明SAM是带有比对信息的序列文件（告诉你reads在染色体中的位置）。

2.SAM包含什么内容？

（1）标头注释部分（header section）

header每一行以@开头。

@RG开头是Read group信息这是在做后续数据分析时专门用于区分不同样本的重要信息。

它的重要性还体现在，如果原来样本的测序深度比较深，一般会按照不同的lane分开比对，

最后再合并在一起，那么这个时候你会在这个BAM文件中看到有多个RG，里面记录了不同

的lane，甚至测序文库的信息，唯一不变的一定是SM的sample信息，这样合并后才能正确处理。

（2）比对结果部分（alignment section）

 

3.经过专门的比对软件：BWA、BOWTIE2等，SAM文件格式是怎样的？

 

（1）标头：以@开头，可有可无的。用不同tag表示不同的信息，主要有：

@HD：表示参考基因组的排列情况

@SQ：参考序列说明；LN：长度

@PG：使用的比对程序说明

（2）第二部分：联配必要信息，每一行有12行，通过Tab键分割。

第一列：rname（Qname）即为fq对应的read ID。这一列代表read的名字（比对片段的编号）

第二列：FLAG 比对信息位。

读懂flag的诀窍：

想要读懂他的一个关键点是将flag值转换为一串由0,1组成的二进制码，这一串二进制数中的每一个

位（bit）都代表一个特定的信息，他一共有12位，所以一般会用一个16位的整数来代表，这个整数的

值就是由12个0或1组合计算得出的。因此他的数值范围在0~2^12（2048）

举一个例子，FLAG=77=000001001101(左边补5个0)=1+4+8+64

FLAG包含信息：PE reads、read比对不上参考序列，它的配对read也比对不上，它是read1

第三、四列：position 分别是RNAME(参考序列染色体名)和POS（比对位置，从对应染色体的第1位开始往后计算）

第五列：MAPQ(mapping quality) 比对质量值

这个值告诉我们这个read比对到参考序列上这个位置的可靠程度。相当于Q

第六列：CIGAR 比对信息（雪茄字符串）

它用数字和几个字符的组合形式记录了read比对到参考序列上的细节信息，读起来比FLAG直观友好很多，只是

记录的信息不同。例子：33S117M，意思是在比对的时候这条read开头的33bp被跳过了（s），紧接其后的117bp

则比对上参考序列（M）。这里的S意思都是soft clip。

CIGAR的标记字符有：MIDNSHP=XB

第七、八、九列：Mate information

RNEXT：配对read所比对到的染色体（pe才有）

PNEXT：配对read所比对到的位置（pe才有）

TLEN：插入片段的长度

第十、十一列：

SEQ：read序列

QUAL：read质量值

这两列相当于fastq的二四行

第十二列：metadata 元信息