SAM和BAM文件是什么

這篇文章將為大家詳細(xì)講解有關(guān)SAM和BAM文件是什么，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

當(dāng)我們測序得到的fastq數(shù)據(jù)map到基因組之后，會(huì)得到一個(gè)以sam或bam為擴(kuò)展名的文件。這里，SAM的全稱是sequence alignment/map format。而BAM就是SAM的二進(jìn)制文件，也就是壓縮格式的sam文件。 那么SAM文件的格式是什么樣子的呢？這里給大家簡單解釋一下。

SAM格式簡介

SAM文件由頭文件和map結(jié)果組成。頭文件為注釋信息，以@開頭，可有可無，就不做多介紹了。重要的是比對結(jié)果，例如這樣的：

E00514:173:H3C3JCCXY:4:1124:12398:67234    337 Chr00   32904   0   150M    Chr09   33498107    0   TCAATTTCACTTGAAGCTTACTTGTAGTTTCAGGCTTGGTCAAGCGCGATACAAACCATGTAGTAGGAGTCCTCCAAGTCGCCAAGCTAGGGGATCTGCTGAAAGAGGTGACAGACAAGGTAAGCAATCAGAGCTCTAAGCAATCAGTCC  iieiiiii`eiiiiiiiiiiiiiiieiiiiiiiieiiiiiiiiiiiiiiiiiiiiieiiiiiiiiiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieiiiiiiiii`iiieeieieeieee``  AS:i:-6 XN:i:0  XM:i:1  XO:i:0  XG:i:0  NM:i:1  MD:Z:136C13 YT:Z:UU NH:i:8  CC:Z:Chr10  CP:i:18604313   HI:i:0  RG:Z:J36CK1
E00514:173:H3C3JCCXY:4:1124:12398:67234    369 Chr00   32904   0   150M    Chr16   2469225 0   TCAATTTCACTTGAAGCTTACTTGTAGTTTCAGGCTTGGTCAAGCGCGATACAAACCATGTAGTAGGAGTCCTCCAAGTCGCCAAGCTAGGGGATCTGCTGAAAGAGGTGACAGACAAGGTAAGCAATCAGAGCTCTAAGCAATCAGTCC  iieiiiii`eiiiiiiiiiiiiiiieiiiiiiiieiiiiiiiiiiiiiiiiiiiiieiiiiiiiiiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieiiiiiiiii`iiieeieieeieee``  AS:i:-6 XN:i:0  XM:i:1  XO:i:0  XG:i:0  NM:i:1  MD:Z:136C13 YT:Z:UU NH:i:8  CC:Z:Chr10  CP:i:18604313   HI:i:2  RG:Z:J36CK1
E00514:173:H3C3JCCXY:4:1124:12398:67234    369 Chr00   32904   0   150M    Chr16   29515410    0   TCAATTTCACTTGAAGCTTACTTGTAGTTTCAGGCTTGGTCAAGCGCGATACAAACCATGTAGTAGGAGTCCTCCAAGTCGCCAAGCTAGGGGATCTGCTGAAAGAGGTGACAGACAAGGTAAGCAATCAGAGCTCTAAGCAATCAGTCC  iieiiiii`eiiiiiiiiiiiiiiieiiiiiiiieiiiiiiiiiiiiiiiiiiiiieiiiiiiiiiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieiiiiiiiii`iiieeieieeieee``  AS:i:-6 XN:i:0  XM:i:1  XO:i:0  XG:i:0  NM:i:1  MD:Z:136C13 YT:Z:UU NH:i:8  CC:Z:Chr10  CP:i:18604313   HI:i:4  RG:Z:J36CK1
E00514:173:H3C3JCCXY:4:1124:12398:67234    369 Chr00   32904   0   150M    Chr17   31040767    0   TCAATTTCACTTGAAGCTTACTTGTAGTTTCAGGCTTGGTCAAGCGCGATACAAACCATGTAGTAGGAGTCCTCCAAGTCGCCAAGCTAGGGGATCTGCTGAAAGAGGTGACAGACAAGGTAAGCAATCAGAGCTCTAAGCAATCAGTCC  iieiiiii`eiiiiiiiiiiiiiiieiiiiiiiieiiiiiiiiiiiiiiiiiiiiieiiiiiiiiiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieiiiiiiiii`iiieeieieeieee``  AS:i:-6 XN:i:0  XM:i:1  XO:i:0  XG:i:0  NM:i:1  MD:Z:136C13 YT:Z:UU NH:i:8  CC:Z:Chr10  CP:i:18604313   HI:i:6  RG:Z:J36CK1
E00514:173:H3C3JCCXY:4:1212:19025:24532    409 Chr00   33538   0   150M    *   0   0   GATTCCAAGTGCTGACTGATTGCTCTCTTTCTCCTTGTCTTGCAGGTAAGAACAAGGCCAAAGGAAAAGACAGGGAAAAAACATGAAATGAGATACTCTTGCTTTTAACCCTGATGATATGAGATATTCTTGCTCTAGTATAGCTTGTTT  ii`e`ei[iiiiiiiiiiiiie[ieeieieiiiiieiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiieee``  AS:i:-12    XN:i:0  XM:i:2  XO:i:0  XG:i:0  NM:i:2  MD:Z:52T33T63   YT:Z:UU NH:i:20 CC:Z:Chr01  CP:i:11331871   HI:i:0  RG:Z:J36CK1

字段之間也就是列之間由Tab隔開，每一字段具體含義參考下圖：

其中：

1. QNAME 表示reads名稱；

2. FLAG：表示比對的結(jié)果，由數(shù)字表示，不同的數(shù)值含義不同，其列表如下：

中文解釋：

1. 1 ： 代表這個(gè)序列采用的是PE雙端測序
   2： 代表這個(gè)序列和參考序列完全匹配，沒有錯(cuò)配和插入缺失
   4： 代表這個(gè)序列沒有mapping到參考序列上
   8： 代表這個(gè)序列的另一端序列沒有比對到參考序列上，比如這條序列是R1,它對應(yīng)的R2端序列沒有比對到參考序列上
   16：代表這個(gè)序列比對到參考序列的負(fù)鏈上
   32 ：代表這個(gè)序列對應(yīng)的另一端序列比對到參考序列的負(fù)鏈上
   64 ： 代表這個(gè)序列是R1端序列， read1;
   128 : 代表這個(gè)序列是R2端序列，read2；
   256： 代表這個(gè)序列不是主要的比對，一條序列可能比對到參考序列的多個(gè)位置，只有一個(gè)是首要的比對位置，其他都是次要的
   512： 代表這個(gè)序列在QC時(shí)失敗了，被過濾不掉了（# 這個(gè)標(biāo)簽不常用）
   1024: 代表這個(gè)序列是PCR重復(fù)序列（#這個(gè)標(biāo)簽不常用）
   2048: 代表這個(gè)序列是補(bǔ)充的比對（#這個(gè)標(biāo)簽具體什么意思，沒搞清楚，但是不常用

比對結(jié)果數(shù)值也可以是上述數(shù)值的組合（即數(shù)值相加），如FLAG為83（64+16+2+1）表示paired-end reads中的第一個(gè)reads比對到參考序列上了；

3. RNAME：表示參考序列的名稱，如基因組的染色體編號(hào)等，如果沒有比對上則顯示為*；

4. POS：表示比對的起始位置，以1開始計(jì)數(shù)，如果沒有比對上則顯示為0；

5. MAPQ：比對質(zhì)量；（數(shù)字越大，特異性越高）

6. CIGAR：字符串，即比對的詳細(xì)情況， 記錄插入，缺失，錯(cuò)配，后剪切拼接的接頭；

7. RNEXT：雙末端測序中下一個(gè)reads比對的參考系列的名稱，如果沒有則用 " * " 表示，如果和前一個(gè)reads比對到同一個(gè)參考序列則用" = "表示；

8. PNEXT：下一個(gè)reads比對到參考序列上的位置，如果沒有則用0表示；

9. TLEN：序列模板的長度；

10. SEQ：reads的序列信息；

11. QUAL：reads的序列質(zhì)量信息；

12. 可選字段：格式如：TAG:TYPE:VALUE，其中TAG有兩個(gè)大寫字母組成，每個(gè)TAG代表一類信息，每一行一個(gè)TAG只能出現(xiàn)一次，TYPE表示TAG對應(yīng)值的類型，可以是字符串、整數(shù)、字節(jié)、數(shù)組等。 

常用bam/sam文件處理

由于sam格式的文件通常都非常大，所以為了節(jié)省存儲(chǔ)空間而將sam轉(zhuǎn)換為二進(jìn)制格式以便于存儲(chǔ)，也就是bam文件。 sam/bam文件可以由特定的一些軟件（比如samtools）來處理的，包括格式互轉(zhuǎn)、排序、建立索引等操作。

1. bam文件讀取

bam文件為二進(jìn)制的文件，不能直接查看，可用samtools讀?。?/p>

samtools view xxx.bam
samtools view xxx.bam |less -S

2. sam/bam轉(zhuǎn)換

samtools view -h xxx.bam > xxx.sam
samtools view -b -S xxx.sam > xxx.bam

3. 對bam文件排序

samtools sort xxx.bam outputPrefix

4. bam文件創(chuàng)建index

samtools index xxx.bam

5. 對mapping結(jié)果進(jìn)行評(píng)估

在mapping之后，可以通過samtools對mapping的結(jié)果的質(zhì)量進(jìn)行評(píng)估。

samtools idxstats xxx.bam

執(zhí)行這一步前需要經(jīng)過sort和index，結(jié)果如下：

 chr1 195471971 6112404 0
 chr10 130694993 3933316 0
 chr11 122082543 6550325 0
 chr12 120129022 3876527 0
 chr13 120421639 5511799 0
 chr14 124902244 3949332 0
 chr15 104043685 3872649 0

其中第一列是染色體名稱，第二列是序列長度，第三列是mapped reads數(shù)，第四列是unmapped reads數(shù)。

6. 統(tǒng)計(jì)flag信息

統(tǒng)計(jì)bam文件中的比對flag信息，并輸出比對統(tǒng)計(jì)結(jié)果。

samtools flagstat xxx.bam

total：分析的總reads數(shù)（bam文件所有行數(shù)）
mapped：比對上的reads數(shù)（總體比對率）
paired in sequencing：成對的reads總數(shù)
read1：屬于reads1的reads數(shù)量
read2：屬于reads2的reads數(shù)量
properly paired：正確配對的reads數(shù)量
with itself and mate mapped：一對reads均比對上的reads數(shù)
singletons：只有單條reads比對上的reads數(shù)
以上計(jì)數(shù)均以reads條數(shù)計(jì)，一對reads計(jì)為兩條。

還可以通過以下命令快速查看flag值所對應(yīng)的含義：

$samtools flags 141
0x8d    141     PAIRED,UNMAP,MUNMAP,READ2
#flags值為141
#PAIRED表示這條序列采用雙端測序， 其值為1；
#UNMAP表示這個(gè)序列沒有mapping到參考序列上， 其值為4；
#MUNMAP表示這個(gè)序列的另一端序列沒有比對到參考序列上， 其值為8；
#READ1表示這條序列是R1端序列，其值為128.
#以上數(shù)值相加和為141

7. 合并BAM文件

將多個(gè)排序后的序列文件合并為一個(gè)文件

samtools merge -n out.bam in1.bam in2.bam in3.bam…

關(guān)于“SAM和BAM文件是什么”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，請把它分享出去讓更多的人看到。