三代纳米孔直接测序：dorado 碱基识别结果 SAM 、BAM文件格式详解

dorado结果 SAM 、BAM文件格式

头部信息

• @HD VN:1.6 SO:unknown - 版本和排序顺序。
• @PG ID:basecaller PN:dorado VN:0.2.4+3fc2b0f CL:dorado basecaller - 程序信息，包括ID、名称、版本和命令行。
  • DS:gpu:Quadro GV100 - 使用的GPU类型。

读组头部信息

• RG ID <basecalling_model><barcode_arrangement> - 读段组ID。
• PU <flow_cell_id> - 流动池ID。
• PM <device_id> - 设备ID。
• DT <exp_start_time> - 实验开始时间。
• PL ONT - 平台类型（Oxford Nanopore Technologies）。
• DS basecall_model=<basecall_model_name> modbase_models=<modbase_model_names> runid=<run_id> - 详细描述。
• LB <sample_id> - 文库ID。
• SM <sample_id> - 样本ID。

读段标签

• RG:Z: <basecalling_model><barcode_arrangement> - read标签。
• qs:f: 平均基础调用质量分数。
• ts:i: 从信号开始被修剪的信号数。
• ns:i:剪辑识别序列对应信号的区间。
• mx:i: read复用信息。
• ch:i: read通道。
• rn:i: read编号。
• st:Z: read开始时间（UTC）。
• du:f: read持续时间（秒）。
• fn:Z: 文件名。
• sm:f: 信号缩放中点/均值/中位数。
• sd:f: 信号缩放离散度。
• sv:Z: 缩放版本。
• mv:B:c 序列到信号移动表（可选）。
• dx:i: 表示双端read的布尔值（仅在双端模式下）。
• pi:Z: 分割读段的父读段ID。
• sp:i: 分割读段在父读段信号中的开始坐标。
• pt:i: 估计的polya聚腺苷酸（A/T）尾部长度。
• bh:i: 检测到的bed文件命中数（仅在指定bed文件进行对齐时）。
• MN:i: 在生成MM和ML时的序列长度。

修饰碱基标签

• 当请求输出修饰碱基（通过--modified-bases CLI参数）时，修饰碱基调用将直接通过SAM标签输出。MM和ML标签在SAM文档中有说明。

Minimap2 比对标签

• 当使用dorado运行比对时，每个SAM记录会添加额外的来自Minimap2的标签。

分割读段标签

• 当单个输入读段包含多个连接的读段时，dorado基础调用器将原始输入读段分割为单独的子读段。这个操作默认适用于DNA和RNA。每个子读段都被分配一个新的读段ID。