SAMBAM 格式文件内容解析

详细内容请参考： http://samtools.github.io/hts-specs/SAMv1.pdf

A coordinate system where the rst base of a sequence is one. In this coordinate

system, a region is specied by a closed interval. For example, the region between the 3rd

and the 7th bases inclusive is [37]. The SAM, VCF, GFF and Wiggle formats are using the 1-based coordinate system.

A coordinate system where the rst base of a sequence is zero. In this

coordinate system, a region is specied by a half-closed-half-open interval. For example, the region

between the 3rd and the 7th bases inclusive is [27). The BAM, BCFv2, BED, and PSL formats are using the 0-based coordinate system.

由测序仪测序所得或由原始序列组装所得的DNA/RNA序列

一段连续的序列或者子序列

一段由测序仪测序所得的原始序列。一条Read可能由多个片段组成，在测序数据祥裤中，reads是根据它们被测的顺序来建立索引的。

一个Read单向地比对到参考基因组上，这个比对结果中可以有插入、缺失、跳跃等，但是不能存在“双向”的比对结果，即Read的一段比对到正链参贺滑考基因组、一段匹配到负链，这种方向切换是不允许的，在SAM文件中，线性比对的特性就是：只用一行来记录。

就是当一条Read对比时，比对到了多个区域，但是这些区域并没有重叠的部分，也即由多个“线性比对”结果组成了一个集合，这个集合就组成了一个嵌合比对，嵌合比对中只有一个“线性比对”结果是谨拍简具有代表性的，其余的都以补充的身份出现，嵌合比对的特征就是多个“线性比对”记录中的Read对应的Qname（Read的名字，每个Read只有一个Qname）都是相同的，且这些“线性比对”集合中的每个记录的flag值都是一样的。

无论是上面提到的线性比对还是嵌合比对，只要能够完整的表现出一条Read的对比情况，就是一个Read 比对。

由于序列的重复性，导致一个Read在比对时会被比对到多个区域上，其中只有一个比对质量最好的会被当做比对结果的代表性结果，目前来看，这种决定方式还不是很严谨。

多次比对和嵌合比对是有根本性区别的，多次比对是因为序列本身具有重复性引起的，属于正常比对结果，而嵌合比对更多是由于实验、测序、结构突变、融合、以及其他因素引起的。

一个可能性区间，如果一个碱基被检测正确的正确率是99%，那么错误的概率就是1%=0.01=10（^-2），此时phredscore=-10log10（ 0.01 ）=20，

SAM文件由两部分组成，头部和主体，都以tab分列。

头部内容主要以各种说明为主，比如说明所用软件啦，参考基因组信息啦，排序信息啦等等，下面表格是SAM文件中涉及的一些专有名词的解释。

头部内容说明信息均是以@符合开头的，在头部是以“@说明类型码TAB键TAG：Value” 开始的，每个标签和说明类型码都是由两个字母组成的，下面将列举说明类型码和TAG

HD：代表意思为：SAM文件的开头标志、一般只要出现就会在第一行

HD中的标签（TAG）有：

VN*： 注释版本信息

SO： 比对结果的排序类型：有unknown、unsorted、queryname、coordinate四种排序类型

GO： 比对结果的分组信息：相似的比对结果会被分到一组，这里的分组结果中并不是需要全部进行过排序的，排序的类型有：none (default)、query (alignments are grouped by QNAME)、reference (alignments are grouped by RNAME/POS  三种类型

SS： 子排序类型，比如在某次算法中需要根据coordinate排序，而在每个coordinate排序的结果中又根据QNAME进行了排序，则在SAM文件中就应该表示为：@HD SO:coordinate SS:coordinate:queryname.如果在SO的基础排序中，排序的类型不在之前定义的四种排序类型中时，则SO对应的就应该时unsorted，此时SS就会起主要作用，比如，如果基础排序是根据一个辅助标签MI排序的，之后又根据coordinate排序的，则在SAM头部中就应该表现为@HD SO:unsorted SS:unsorted:MI:coordinate.

SQ： 说明类型码代表的含义为参考序列字典， SQ 的排序决定了比对结果的排序顺序

SQ中又以下标签：

1.SN*：参考序列名称

2.LN*：参考序列长度

3.AH、AN、AS、DS、M5、SP（种族）、TP、UR，这些不常用

例如：@SQ SN:JF-PLAC8_CT_converted LN:88

Read Group，每个Sample都有一个RG ID，一个Sample可以在多个库中进行测序。

RG对应的有以下TAG：

ID* ：Read group的唯一ID

BC：辨别样本或文库的标签序列

SM：样品名

LB：文库名

PU：测序仪

 PL：测序平台

CN：产生read的测序中心的名称

 PG： 程序 说明类型码,PG中有以下几个标签：

ID*： 程序记录标识，每个程序记录都只有一个ID

PN： 程序名称

CL： 命令行内容（utf-8编码）

PP： 好像是指前一个 @PG-ID：不怎么用这个，有了解的大哥大姐可以帮忙做个备注

DS： 描述

VN： 所用程序版本

以上就是五个说明类型码代表的意思以及常用的标签意义。下面截图作为例子，可以对照上面的内容看一下：

SAM文件主体内容中主要有11列内容，这11列中的内容就如下表：

当数据中这11列内容哪个对应内容有缺失或者无效的话就用‘0' 或 `*'代替。

1.QNAME： Read ID，就简单理解成Read的名称，其中会包含一些测序平台信息

2.FALG： 可以理解为比对结果的标志，可以根据FLAG值筛选比对结果

FLAG值若记不住可以直接在<https://broadinstitute.github.io/picard/explain-flags.html >中进行查询。在SAM文件中出现的flag值是涉及到的value相加得到的值，比如99，177等，可以在上述网站查询

3.RNAME： 理解成比对上的染色体号即可

4.POS： 比对到参考序列上的位置

5.MAPQ： 比对质量值，算法与文中第一部分Phred score算法一致：-10log10（错误率），若值为255表示其比对结果不可用，如果是unmapped read则MAPQ为0

简要比对信息表达式（Compact Idiosyncratic Gapped Alignment Report），其以参考序列为基础，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 insertion；

“D”表示 deletion （表示的是READ和ref相匹配时，参考基因组中需要deletion的部分，不是READ）；

“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，已经在除去低质量READ的时候被过滤了）；

“P”表示 padding（填充） ；比如参考基因组序列本来为ATTACGAC，read序列为ATAATACGAC，那么，如果在比对的sam结果文件中，有两种比对方式，如下：

1.如果reference是padded reference，也即参考基因组展示为AT**TACGAC，那么**就是代表了ref考虑了read序列的插入情况，但是这种表示情况下CIGAR中就不会再出现p和I（Insertion）了，因为参考基因组中已经考虑了插入的情况了。而如果有其他read跟这个padded ref比对时，对于ref中pad的区域没有序列的话，就会以D（deletion）来表示这个read。

2.另一种情况就是unpadded reference，也即reference是正常的参考基因组（可参考 https://blog.csdn.net/xubo245/article/details/51283022 ），一般情况下，以这一种为主。

“=”表示 match；

“X”表示 mismatch （错配，位置是一一对应的）；

7.RNEXT： mate序列匹配上的染色体号（比如，Read2对应的染色体号），如果第三列和这列都是“*”则说明此Read没有匹配到任何一个染色体，如果第三列有信息，这列是“”或者“=”则代表此Read匹配到第三列对应的染色体上。

8.PNEXT： 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：

第1列（Read id）····第4列（Read1比对位置）····第8列（mate-pair reads比对位置）

22699:1759····124057649····124057667

22699:1759····124057667····124057649

相同的reads id一个来自Read1文件，一个来自Read2文件，第4列和第8列是对应的

9.TLEN： signed observed Template LENgth （可以理解为文库插入片段长度）

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.序列信息 ，

11.Read质量信息 （ASCII编码）

12.可选区域

举几个例子：NM，MD

NM可以简单的理解为：如果要把READ变为跟reference一致需要几步（一般步骤有三种类型，碱基替换，删除碱基，添加碱基）

MD：简单的理解为匹配结果（跟第10列结合可以看出reference的原序列），下面举个例子：

从上面的图可以看出来这里的NM值为2，MD为3^A42T5，由MD可以知道这个read比对结果中前3个匹配上了，之后需要在read中插入一个A（也就是read相比ref少了一个A），再之后42个碱基是匹配上了，到然后这42个之后的碱基在参考基因组上应该是T，后面5个是匹配上了。这样的话我们根据read的序列就能推断出ref的序列为：CCGATAACCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCC。

我们检查一下推测的是否正确，来看hg19中这段序列：

可以发现除了开头四个碱基在hg19中是N以外，其他的是匹配一致的（好像是因为有写序列是在端粒中的，所以呈现的序列信息就是N，也有些是因为还没有测出来，所以用N代替。）、

这样再来看的话，就可以知道read相比ref有两处不同，一个是缺了个A，一个是碱基错配（T-A），所以如果read要和ref一致的话需要编辑两次，一次是添加一个A，一次是把A变成T。

如果觉得有用，就帮我点个赞吧^_^!

部分转自生信菜鸟团公众号

SAM的全称是sequence alignment/map format。而BAM就是SAM的二进制文件雹配梁(B源自binary)。

SAM 格式主要包括两大部分:

1 .标头注释部分（header section）

2 .比对结果部分（alignment section）

SAM格式是用来来支持高通量测序数据分析：

(1):快速查找与坐标重叠的比对。例如，选择与染色体2上的坐标323,567,334重叠的比对。

(2):根据read的属性进行选择和过滤。例如，我们希望能够快速选择能过比对到反向链上的read。

(3):有效地存储数据。例如，从SAM格式转化成BAM格式，单个压缩文件包含所有样本的数据，每个样本都以某种方式标记。

标头注释部分

标头信息可有可无，都是以@开头，用不同的tag表示不同的信息

比对结果部分

每一列表示一个read的比对信息，包括11个必须的字段和一个可选字段，字段之间用tag分割。必须的字段有11个，顺序固定。这11个字段包括：

第一列: Query Name (QNAME) ：

这一列代表着比对片段的（template）的编号

第二列：FLAG ：

这是一种常用且高效的保存多个布尔特征值的方法。

举个简单的例子: 在 SAM 格式中，当 flag 为 1，也即对应的二进制为 01 时，表示该 read 有多个测序数据 ， 一般理解为有双端测序数据 (另一条没被过滤掉)， 而 flag 为 2， 也即二进制 10 时， 表示这条 read 的多个片断都有比对结果， 通常理解为双端 reads 都比对上了， 那么就可以推断出 flag 为 3 时， 也即二进制的 11， 表示该 read 有另一端的 read 并且比对成功， 可以看到， 其实就是 01 加 10。

一般flag值不需要自己去算，直接将flag值导入网站即可

http://broadinstitute.github.io/picard/explain-flags.html

所有flag对应值的含义

1 ： 代表这个序列采用的是PE双端测序

2： 代表这个序列和参考序列完全匹配，没有插入缺失

4： 代表这个序列没有mapping到参考序列上

8： 代表这个序列的另一端序列没有比对到参考序列上，比如这条序列是R1,它对应的R2端序列没有比对到参考序列上

16：代表这个序卖猛列比对到参考序列的负链上

32 ：代表这个序列对应的另一端序列比对到参考序列的负链上

64 ： 代表这个序列是R1端序列， read1

128 : 代表这个序列是R2端序列，read2；

256： 代表这个序列不是主要的比对，一条序列可能比对到参考序列的多个位置，只有一个是首要的比对位置，其他都是次要的

512： 代表这个序列在QC时失败了，被过滤不掉了（# 这个标签不常用）

1024: 代表这个序列是PCR重复序列（#这个标签不常用）

2048: 代表这个序列是补充的源运比对（#这个标签具体什么意思，没搞清楚，但是不常用）

第三列： Reference Name (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： Position (POS) ：

比对上的位置，注意是从1开始计数，没有比对上，此处为0

第五列：Mapping Quality (MAPQ) ：

比对的质量；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准确

第六列：Compact Idiosyncratic Gapped Alignment Representation (CIGAR)

CIGAR 代表着简要比对信息表达式，其以参考序列为基础，使用数字加字母表示比对结果

例如 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。

这里的总长度对应的就是测出来的一条序列的长度，如果是PE100，这里加起来就应该是100，如果是PE150，这里加起来就是150，这里的长度和第10列的长度是一致的

第七列：RNEXT ：

双端测序中下一个reads比对的参考系列的名称。“＊”是完全没有比对上，“＝”代表完全比对

第3和第7列，可以用来判断某条reads是否比对成功到了基因组的染色体，左右两条reads是否比对到同一条染色体

第八列：PNEXT ：

如果是双端测序，是指另一端匹配到参考基因组的位置，如果设置为0，那么该列不可用

第九列：TLEN Template的长度

最左边得为正，最右边的为负，中间的不用定义正负，不分区段（single-segment)的比对上，或者不可用时，此处为0

区别于第6列和第10列是对应测出来的序列的长度。这里第9列的长度是对应插入片段的长度，insert size，也就是建库时，将DNA片段打断成的长度。

第十列：Sequence ：

序列片段的序列信息，如果不存储此类信息，此处为’*‘，注意CIGAR中M/I/S/=/X对应数字的和要等于序列长度；就是read的碱基序列，如果是比对到互补链上则是reverse completed。

就是测序的reads序列信息

第十一列：ASCII ：

read质量值

其实很容易发现，如果将第1，10，11列提取出来的话，就能还原成我们常见的fastq格式信息。

第十二列：Optional fields ：

可选的区域

格式如：TAG:TYPE:VALUE，其中TAG有两个大写字母组成，每个TAG代表一类信息，每一行一个TAG只能出现一次，TYPE表示TAG对应值的类型，可以是字符串、整数、字节、数组等。

备注 ：

看一下KPGP-00001这个韩国人的测序reads比对到hg38的其中一个lane的sam格式部分信息：

可以看出这个是用的PE90测序，测序read长度为90bp，建库打断成约490bp，这个read名称是B80KJTABXX:4:1:1404:2065#CTAGTTAT，flag值是163，代表着

reads是比对到7号染色体，比对的位置是50962731，比对的质量值是60，"90M"意味着90个碱基都match（当然可能是mismatch），“=”意味着双端测序的另一条read也比对上，并且是比对到同一个片段，另一条read比对的位置是

50963137 ，这条read的序列信息是“AGAAAATTATTTAAATGACCCGAGCCTCACCTTCAACATGAGGAACATCAT

ATTCCCTTTGATAAAATGTTGCTGGTGTAAGTGCTCCAT ”

对应质量值分ASCII值为“gggfgfggeggdgggadegggdegegeeggeegedggegggeggegedgggedgggfggeceeggaedgcgggggecgaQ_`X``BBBBB ”

以上。

SA是sam格式文件里的标签类型之一。

sam格式是存储序磨判列比对的结果的文件，SA表示这个序列在困洞比对过程中发生了“奇美拉比对”。

这种比对是指序列被拆成了两段或更多，各个段被比对到了基因组的不同位置，就像炼金师的人造组合兽一样。一般这种情况是表明可能发生过染色体移位或重组（比如2号染色瞎尺改体上的某一段跑到了1号染色体上，然后有一条序列恰好横跨了这个结合点）。

---