文件格式——Sam&bam文件

Sam&bam文件

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。当测序得到的fastq文件map到基因组之后，我们通常会得到一个sam或者bam为扩展名的文件。SAM的全称是sequence alignment/map format。而BAM就是SAM的二进制文件(B取自binary)。

SAM由头文件和map结果组成。头文件由一行行以@起始的注释构成；而map结果是类似下面的东西：在SAM输出的结果中每一行都包括十二项通过Tab分隔，从左到右分别是：

1 序列的名字(ID)

2 概括出一个合适的标记，各个数字分别代表

• 1? 序列是一对序列中的一个
• 2? 比对结果是一个pair-end比对的末端
• 4? 没有找到位点
• 8? 这个序列是pair中的一个但是没有找到位点
• 16? 在这个比对上的位点，序列与参考序列反向互补
• 32? 这个序列在pair-end中的的mate序列与参考序列反响互补
• 64 序列是 mate 1
• 128 序列是 mate 2

假如说标记为以上列举出的数目，就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。

3? 参考序列的名字

4 在参考序列上的位置(头or尾？)

5? mapping qulity?? 越高则位点越独特

bowtie2有时并不能完全确定一个短的序列来自与参考序列的那个位置，特别是对于那些比较简单的序列。但是bowtie2会给出一个值来显示出 这个段序列来自某个位点的概率值，这个值就是mapping qulity。Mapping qulity的计算方法是：Q=-10log10p，Q是一个非负值，p是这个序列不来自这个位点的估计值。

假如说一条序列在某个参考序列上找到了两个位点，但是其中一个位点的Q明显大于另一个位点的Q值，这条序列来源于前一个位点的可能性就比较大。Q值的差距越大，这独特性越高。

Q值的计算方法来自与SAM标准格式，请查看SAM总结。

6 代表比对结果的CIGAR字符串，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。M代表的是alignment match(可以是错配)

7? mate 序列所在参考序列的名称

8 mate 序列在参考序列上的位置

9? 估计出的片段的长度，当mate 序列位于本序列上游时该值为负值。

10 read的序列

11 ASCII码格式的序列质量

12 可选的区域

• 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? 编辑距离。但是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
• 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

不同软件比对出来的sam文件略有不同，一下就bowtie以及samtools两种软件输出的文件格式分别说明。

SAM-bowtie2版本

1，简介：

文件后缀名:.sam

Bowtie2是现下最流行的短序列比对软件，SAM(Sequence Alignment/Map)格式是一种通用的比对格式，用来存储reads到参考序列的比对信息。

注释：以@开头的行

行：除注释外，每一行是一个read

列：

第一列：read name，read的名字通常包括测序平台等信息

eg.ILLUMINA-379DBF:1:1:3445:946#0/1

第二列：sum of flags，为flag的总和（整数）,flag取值见备注(3)

eg.16

第三列：RNAM，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*

eg.chr1

第四列：position，read比对到参考序列上，第一个碱基所在的位置。若是无法比对，则是0

eg.36576599

第五列：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。

eg.42

第六列：CIGAR值，碱基匹配上的碱基数。match/mismatch、insertion、deletion 对应字母 M、I、D

eg.36M 表示36个碱基在比对时完全匹配

注：第七列到第九列是mate(备注1)的信息，若是单末端测序这几列均无意义。

第七列：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*

eg.*

第八列：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

eg.0

第九列：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

eg.0

第十列：Sequence，就是read的碱基序列，如果是比对到互补链上则对read进行了reverse completed

eg.CGTTTCTGTGGGTGATGGGCCTGAGGGGCGTTCTCN

第十一列：ASCII，read质量的ASCII编码。

eg.PY[[YY_______________QQQQbILKIGEFGKB

第十二列之后：Optional fields，以tab建分割。详见备注(2)

eg.AS:i:-1 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:35T0 YT:Z:UU

扩展

3，应用举例：

SAM文件可以作为很多后续分析的源文件，也可以从其中提取感兴趣的信息。

4，备注：

(1)mate，在Illuminated中有两种测序技术：paired end sequencing，mate pair sequencing。这两种测序都是测的一个片段的两端，这两端产生的reads被称为mate1，mate2，单末端测序则无mate。

(2)Optional fields：

AS:i:<N>

Alignment score.可以为负的，在local下可以为正的。 只有当Align≥1 time才出现

XS:i:<N>

Alignment score for second-best alignment.  当Align>1 time出现

YS:i:<N>

Alignment score for opposite mate in the paired-end alignment.   当该read是双末端测序中的一条时出现

XN:i:<N>

The number of ambiguous bases in the reference covering this alignment.（推测是指不知道错配发生在哪个位置，推测是针对于插入和缺失，待查证）

XM:i:<N>

错配碱基的数目

XO:i:<N>

The number of gap opens(针对于比对中的插入和缺失)

XG:i:<N>

The number of gap extensions(针对于比对中的插入和缺失)

NM:i:<N>

The edit distance(read string转换成reference string需要的最少核苷酸的edits:插入/缺失/替换)

YF:Z:<S>

该reads被过滤掉的原因。可能为LN(错配数太多，待查证)、NS(read中包含N或者．)、

SC(match bonus低于设定的阈值)、QC(failing quality control，待证)

YT:Z:<S>

值为UU表示不是pair中一部分(单末端？)、CP(是pair且可以完美匹配)

DP(是pair但不能很好的匹配)、UP(是pair但是无法比对到参考序列上)

MD:Z:<S>

比对上的错配碱基的字符串表示

(3)flag取值

0：比对到参考序列的正链上（待求证）

1：是paired-end或mate pair中的一条

2：双末端比对的一条

4：没有比对到参考序列上

8：是paired-end或mate pair中的一条，且无法比对到参考序列上

16：比对到参考序列的负链上

32：双末端reads的另一条（mate）比对到参考序列的负链上

64：这条read是mate 1

128：这条read是mate 2