SAM文件解读

SAM文件由两部分组成，头部区和主体区，都以tab分列。
头部区：以’@'开始，体现了比对的一些总体信息。比如比对的SAM格式版本，比对的参考序列，比对使用的软件等。
主体区：比对结果，每一个比对结果是一行，有11个主列和一个可选列。

如下图：

头部区简要介绍

@HD VN:1.0 SO:unsorted （排序类型）

头部区第一行：VN是格式版本；SO表示比对排序的类型，有unknown（default），unsorted，queryname和coordinate几种。samtools软件在进行行排序后不能自动更新bam文件的SO值，而picard却可以。

@SQ SN:contig1 LN:9401 （序列ID及长度）

参考序列名，这些参考序列决定了比对结果sort的顺序，SN是参考序列名；LN是参考序列长度；每个参考序列为一行。

例如：@SQ SN:NC_000067.6 LN:195471971

@RG ID:sample01 （样品基本信息）

Read Group。1个sample的测序结果为1个Read Group；该sample可以有多个library的测序结果，可以利用bwa mem -R 加上去这些信息。

例如：@RG ID:ZX1_ID SM:ZX1 LB:PE400 PU:Illumina PL:Miseq

ID：样品的ID号 SM：样品名 LB：文库名 PU：测序仪 PL：测序平台

这些信息可以在形成sam文件时加入，ID是必须要有的后面是否添加看分析要求

@PG ID:bowtie2 PN:bowtie2 VN:2.0.0-beta7 （比对所使用的软件及版本）

例如：@PG ID:bwa PN:bwa VN:0.7.12-r1039 CL:bwa sampe -a 400 -f ZX1.sam -r @RG ID:ZX1_ID SM:ZX1 LB:PE400 PU:Illumina PL:Miseq …/0_Reference/Reference_Sequence.fa ZX_HQ_clean_R1.fq.sai ZX_HQ_clean_R2.fq.sai …/2_HQData/ZX_HQ_clean_R1.fq …/2_HQData/ZX_HQ_clean_R2.fq

这里的ID是bwa，PN是bwa，VN是0.7.12-r1039版本。CL可以认为是运行程序@RG是上面RG表示的内容，后面是程序内容，这里的@GR内容是可以自己在运行程序是加入的。

主体部分介绍
主体部分有11个主列和1个可选列
1）QNAME 比对的序列名称 例如：M04650:84:000000000-B837R:1:1101:22699:1759（一条测序reads的名称）
2）FLAG 值：1（1）该read是成对的paired reads中的一个
      2（10）paired reads中每个都正确比对到参考序列上
      4（100）该read没比对到参考序列上
      8（1000）与该read成对的matepair read没有比对到参考序列上
     16（10000）该read其反向互补序列能够比对到参考序列
     32（100000）与该read成对的matepair read其反向互补序列能够比对到参考序列
     64（1000000）在paired reads中，该read是与参考序列比对的第一条
     128（10000000）在paired reads中，该read是与参考序列比对的第二条
     256（100000000）该read是次优的比对结果
     512（1000000000）该read没有通过质量控制
     1024（10000000000）由于PCR或测序错误产生的重复reads
     2048（100000000000）补充匹配的read
3）RENAME 比对上的参考序列名，表示read比对的那条序列的序列名称（名称与头部的@SQ相对应），如果这列是“*”，可以认为这条read没有比对上的序列，则这一行的第四，五，八，九 列是“0”，第六，七列与该列是相同的表示方法。

4）POS 1-Based的比对上的最左边的定位，表示read比对到RNAME这条序列的最左边的位置，如果该read能够完全比对到这条序列（CIGAR string为M）则这个位置是read的第一个碱基比对的位置，如果该read的反向互补序列比对到这条序列，则这个位置是read的反向互补序列的第一个碱基比对的位置，所以无论该read是正向比对到该序列，或是其反向互补序列比对到该序列，比对结果均是最左端的比对位置
5）MAPQ 比对质量，表示为mapping的质量值，mapping Quality, It equals -10log10Pr{mapping position is wrong}, rounded to the nearest integer, A value 255 indicates that the mapping quality is not available. 该值的计算方法是mapping的错误率的-10log10值，之后四舍五入得到的整数，如果值为255表示mapping值是不可用的，如果是unmapped read则MAPQ为0，一般在使用bwa mem或bwa aln（bwa 0.7.12-r1039版本）生成的sam文件，第五列为60表示mapping率最高，一般结果是这一列的数值是从0到60，且0和60这两个数字出现次数最多。

6）CIGAR Extended CIGAR string（操作符：MIDNSHP）比对结果信息，CIGAR string，可以理解为reads mapping到第三列序列的mapping状态，（如37M1D2M1I，这段字符的意思是37个匹配，1个参考序列上的删除，2个匹配，1个参考序列上的插入）
    对于mapping状态可分为以下几类：

    M：alignment match (can be a sequence match or mismatch)表示read可mapping到第三列的序列上，则read的碱基序列与第三列的序列碱基相同，表示正常的mapping结果，M表示完全匹配，但是无论reads与序列的正确匹配或是错误匹配该位置都显示为M
    I：insertion to the reference表示read的碱基序列相对于第三列的RNAME序列，有碱基的插入
    D：deletion from the reference表示read的碱基序列相对于第三列的RNAME序列，有碱基的删除
    N：skipped region from the reference表示可变剪接位置，如果是mRNA-to-genome，N出现的位置代表内含子，其它比对形式出现N时则没有具体解释。
    P：padding (silent deletion from padded reference)
    S：soft clipping (clipped sequences present in SEQ)
    H：hard clipping (clipped sequences NOT present in SEQ)，clipped均表示一条read的序列被分开，之所以被分开，是因为read的一部分序列能匹配到第三列的RNAME序列上，而被分开的那部分不能匹配到RNAME序列上。
   "="表示正确匹配到序列上
   "X"表示错误匹配到序列上
而H只出现在一条read的前端或末端，但不会出现在中间，S一般会和H成对出现，当有H出现时，一定会有一个与之对应的S出现

例如：
162M89S
162H89M
149M102S
149H102M
40S211M
20M1D20M211H
S可以单独出现，而H必须有与之对应的S出现时才可能出现，不可在相同第一列的情况下单独出现
M/I/S/=/X：这些数值的加和等于第10列SEQ的长度

7）MRNM 表示下一个片段比对上的参考序列的编号，比对不上用’*‘，该片段和下一个片段比对上同一个参考片段，用’=‘。
8）MPOS 1-Based leftmost Mate Position （相比于MRNM列来讲意思和POS差不多）该列表示与该reads对应的mate pair reads的比对位置，如果这对pair-end reads比对到同一条reference序列上，在sam文件中reads的id出现2次，Read1比对的第4列等于Read2比对的第8列。同样Read1比对的第8列等于Read2比对的第4列。例如：

9）ISIZE 文库插入片段长度（序列模板长度）， 如果R1端的read和R2端的read能够mapping到同一条Reference序列上（即第三列RNAME相同），则该列的值表示第8列减去第4列加上第6列的值，R1端和R2端相同id的reads其第九列值相同，但该值为一正一负，R1文件的reads和R2文件的reads，相同id的reads要相对来看。在进行该第列值的计算时，如果取第6列的数值，一定要取出现M的值，S或H的值不能取。

10）SEQ 表示序列片段的序列信息，（注意CIGAR中M/I/S/=/X对应数字的和要等于序列长度），表示read的碱基序列，如果是比对到互补链上则是反转互补序列。
11）QUAL（ASCII码格式的序列质量;序列的质量信息，格式同FASTQ一样）比对序列的质量（ASCII-33=Phred base quality）reads碱基质量值 例如：-8CCCGFCCCF7@E-
12）可选的列 以TAG：TYPE：VALUE的形式提供额外的信息。

AS:i 匹配的得分 XS:i 第二好的匹配的得分 YS:i mate序列匹配的得分 XN:i 在参考序列上模糊碱基的个数 XM:i 错配的个数

XO:i  gap open的个数 XG:i gap 延伸的个数 NM:i 经过编辑的序列 YF:i 说明为什么这个序列被过滤的字符串 YT:Z MD:Z 代表序列和参考序列错配的字符串(例如MD:Z:45A2C3 失配碱基的位点，45,45+2两个位点失配)

XT:A:U read只有一个完整比对，U unique XT:A:R read有一个以上位置完整比对，R repeat NM:i:2 read有2个碱基mismatch X0:i:2 read有2个位置完整比对(与XT:A有对应关系) X1:i:2 read有2个位置以1个碱基失配比对 XA:Z:Chr3,+1530, 50M,0;Chr4,-7568,50M,1 有0/1个碱基失配的详细比对情况(与XT:A、X0:i、X1:i有对应关系)