生物信息学/SAM数据格式
< 生物信息学
SAM（The Sequence Alignment/Map format）格式，即序列比对文件的格式。详细的介绍文档：
http://samtools.github.io/hts-specs/SAMv1.pdf。
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1个可选列。
SAM头部区简要介绍
编辑@HD VN:1.0 SO:upsorted
头部区第一行：VN是格式版本；SO表示比对排序的类型，
有unkown(default), unsorted, query name和coordinate几种。
samtools软件在进行排序后不能自动更新bam文件的SO值。picard却可以。
@SQ SN:A.auricula_all_contig_1 LN:9401
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；
@RG ID:sample01
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。
数据编号信息。若对数据进行编号，则将其信息记录在@RG中。
GATK软件运行时输入的SAM格式文件中必须含有该信息。
@PG ID:bowtie2 PN:bowtie2 VN:2.0.0-beta7
生成SAM文件所使用的比对件。
| 列 | Field | 描述 |
|---|---|---|
| 1 | QNAME | 比对的序列名 |
| 2 | FLAG | bitwise FLAG(表明比对类型:pairing, strand, mate strand 等)按位计算值，值变成二进制后，不同位表示相应的比对信息 |
| 3 | RNAME | 比对上的参考序列名 |
| 4 | POS | 1-Based的比对上的最左边的定位 |
| 5 | MAPQ | 比对质量 (Phred) |
| 6 | CIAGR | Extended CIGAR string (操作符：MIDNSHP)比对结果信息：匹配碱基数，可变剪接等。 |
| 7 | MRNM | 相匹配的另外一条序列，比对上的参考序列名 |
| 8 | MPOS | 1-Based leftmost Mate POsition |
| 9 | ISIZE | 插入片段长度 |
| 10 | SEQ | 和参考序列在同一个链上的比对序列(若比对结果在负义链上，则序列是其反向重复序列) |
| 11 | QUAL | QUALity比对序列的质量(ASCII-33=Phred base quality) |
| 12 | OPT | OPTional可选的行，以TAG: TYPE: VALUE的形式提供额外的信息 |
| 字符 | 二进制 | 十进制 | 描述 |
|---|---|---|---|
| p | 0x0001 | 1 | 该read是成对的paired reads中的一个 |
| P | 0x0002 | 2 | Paird reads中每个都正确比对到参考序列 |
| u | 0x0004 | 4 | 该read没比对到参考序列上 |
| U | 0x0008 | 8 | 与该read成对的另一端的read没有比对到参考序列上 |
| r | 0x0010 | 16 | 该read和参考序列相比，是反向互补的 |
| R | 0x0020 | 32 | 与该read成对的另一端的read是反向互补的 |
| 1 | 0x0040 | 64 | 在Paired reads中，该read是第1条 |
| 2 | 0x0080 | 128 | 在Paired reads中，该read是第2条 |
| s | 0x0100 | 256 | 次优的比对结果 |
| f | 0x0200 | 512 | 没有通过质量控制 |
| d | 0x0400 | 1024 | PCR重复或光学重复 |
BWA生成的TAGS
编辑| Tag | Meaning |
|---|---|
| NM | Edit distance |
| MD | 错配位置/碱基 |
| AS | 比对得分 |
| BC | Barcode序列 |
| X0 | 最佳匹配的次数 |
| X1 | BWA找到的次优比对数量 |
| XN | 参考文献中不明确的N碱基数量 |
| XM | 比对中错配的数量 |
| XO | gap的数量 |
| XG | gap延伸的次数 |
| XT | 类型: Unique唯一/Repeat重复/N/Mate-sw |
| XA | 可选匹配; 格式format: (chr,pos,CIGAR,NM;)* |
| XS | 次优比对得分 |
| XF | 支持正链/负链比对 |
| XE | 支持的seeds数 |
XO和XG是由BWT搜索生成，CIGAR字符串有Smith-Waterman比对，这两个内容不同不是bug。
在使用bwa、bowtie、tophat、hisat或STAR比对软件对reads进行比对后，可以获得了 SAM文件。这些sam文件记录着比对的结果。但是在后续分析中常常需要对sam格式文件进行操作。比如，对比对结果按reads比对到参考序列的位置进行排序，以利于下一步的分析。