黎明之晓，日出东方

0%

SAM文件格式和SAMtools

发表于 更新于 分类于 阅读次数： Valine：

SAM文件格式和SAMtools

这里是简单的一些介绍。详细的内容建议看官方手册。官方的文档既全面，又会更新，是第一手资料。这里是SAM文件格式以及SAMtools的一些简单的介绍，更详细内容移步SAMtools相关官方文档。

SAM文件格式

通常得到个体/供体（individual/donor）的测序序列（reads）时，由于测序技术的原因，得到的是打碎的小片段，并不知道每个read在参考序列上位置，所以要mapping到参考基因组上去，找到其在参考基因组上的位置。比对结果通常以文本形式按SAM（Sequence Alignment/Map）格式进行保存，为了便于存储和传输，常被压缩为BAM和CRAM二进制文件。SAM格式文件包含测序片段的所有比对信息。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
@HD     VN:1.3  SO:coordinate
@SQ     SN:11   LN:134452384
@PG     ID:bwa  PN:bwa  VN:0.7.12-r1039 CL:bwa sampe -a 1500 /share/home/gaojingyang/NGS_Data/Reference/ncbi36/11.fa 10_11_1.sai 10_11_2.sai 10_11_1.fq 10_11_2.fq
11-1911076      99      11      52531   29      6S93M1S =       52706   275     CTACATTTATTTTGTAGAAGTTCTTTCACCTTTATCAGAAGGTACTTTCACCTTGATTCAATAATAAGTTTGCATATTACAACCTTGTTGAATGTTGGTC    C=CFFEFDHHH+HH;AGIJBJIHJHHIJJJJJJIIIJIJJFDJJIJJJFJ)DGGJJJGHIDDGAIBHGIEDAGC6AA2BDFBFCDE@DCDBD=DE(;DD0    XT:A:M  NM:i:0  SM:i:29 AM:i:29 XM:i:0  XO:i:0  XG:i:0  MD:Z:93
11-2807908      163     11      52535   60      100M    =       52733   298     TTTGTAGATGTTCTTTCACCTTTATCAGAAGGTACTTTCACCTTGATTCAACAATAAGTTTGCATATTACAACCTTGTTGAATGTTGGTATAATTCACCC    C@@4=FDF#H>HHJEJIIIIJJJIFAIIJHJII?IJ>JC<GEIJJJIGHB-DJJJCJGJJJIEHJ)DJJF5DJGAHEGCB:CD-BDAAF,:EDDDDD(DD    XT:A:U  NM:i:4  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:4  XO:i:0  XG:i:0  MD:Z:8A42T37G7T2
11-3392818      99      11      52557   60      100M    =       52668   211     TATCAGAAGGTACTTTCACCTTGATTCAATAATAAGTTTGCATATTACAACCTTGTTGAATGTTGGTGTAATTCATCCATTCGTATTGCTATATGAGATT    =@CAF)ADHH>HHFJJHGH+GIC,JBGIGIJHJIIGIII;GI*JJIJF)DFEJHEIIHDJD?E@HJECF=D.HD(D<F;?<DDHHEDDD2DD@,FE)CBD    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:96T3
11-11241866     163     11      52562   60      100M    =       52753   291     GAAGGTACATTCACCTTGATTCAATAATAAGTTTGCATATTACAACCTTGTTGAATGTTGGTGTAATTCATCCATTCGTATTGCTATATGATATTCCAGT    CCC4=FFF#?HHGHCJ+,<JJFI::JHIIJGFHEGIJJBJJJIEDJBEJD,IHIJIEEBJBHCIJGDIDDHDDDFECJ+BB58EDHC+BDFDA?A:DD(B    XT:A:U  NM:i:2  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:2  XO:i:0  XG:i:0  MD:Z:8T89C1
11-589542       99      11      52563   60      100M    =       52699   236     AAGGTACTTTCACCTTGATTCAATAATAAGTTTGCATATTACAACCTTGTTGAATGTCGGTGTAATTCATCCATTCGTATTGCTATATGATATTCCACTA    C@BFFFFFAHHHHJJJIJJIJJ3J13JAJICIJIGIC(HFJJ)HJJ?EIJJHIJDIJ)JHH)CFGFBIFG=DF>,BH>EDHD;DCCC?C?D5@5DDDDDB    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:57T42
11-11179046     99      11      52566   60      100M    =       52764   298     GTACTTTCACCTTGATTCAATAATAAGTTTGCATATTACAACCTTGTTGAATGTTGGTGTAATTCATCCATTCGTATTGCTATATGATATTCCACTACAT    1C@DFDDFHHF<HE=IJC@JIJHJGHJHHHIH)JIJ:JJHJ9IGDIJ)JJIFI=;JGIEJ@JD@H5(HIHBFHG99CI>BHEDDGDDDDECDDDDDDDBD    XT:A:U  NM:i:0  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:0  XO:i:0  XG:i:0  MD:Z:100
11-12910752     163     11      52568   60      100M    =       52761   293     ACTTTCACCTTGTTTCAATAATAAGTTTGCATATTACAACCTTGTTGAATGTTGGTGTAATTCATCCATTCGTATTGCTATATGATATTCCACTACATGA    CCCF1BDEHFHF+J<J,IGIJGJHIJH:)IJICJHC/JII9GJ9=J/?HFHCIHI@HACHIBCJ;H=>FHHF>EFBDFD>@ACFD<,BBAD,C<EDD5DC    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:12A87
11-2579510      163     11      52568   60      100M    =       52763   295     ACTTTCACCTTGATTCAATAATAAGTTTGCATATTACAACCTTGTTGAATGTTGGTGTAATTCATCCATTCGTATTGCTATATGATATTCCACTACATGA    @+BFFDFFHHF+AIJJEHJJCJHJIGH#@IJHIH?DIJJIHFIIJIF>0CIBJDJHIFHJ=GCJ(D8GC8CHDJDCDFDD2CF+DEDBB>:CDCADDBC;    XT:A:U  NM:i:0  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:0  XO:i:0  XG:i:0  MD:Z:100
11-10363294     99      11      52575   60      100M    =       52830   354     CCTTGATTCAATAATAAGTTTGCATATTACAACCTTGTTGAATGTTGGTGTTATTCATCCATTCGTATTGCTATATGATATTCCACTACATGAATATGTC    ?B@DFFFFHHFFD(JGHIJJCFJIFJJJIJJIHFJGJHJDGDHIDGJIJIG)JBG=JEIFDH?IJ=AGF>I(CCDCEDBD;DDHE@:DDEBFDDDCD0=A    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:51A48
11-11225740     99      11      52599   60      100M    =       52722   222     TATTACAACCTTGTTGAATGTTGGTGTAATTCATCCATTCGTATTGCTATATGATATTCCACTACATGAATATGTCGGACTTCATTCCTCAGATCTATTG    B1<DDDFFH+HDFIHGJJJJJIJJJJIG33GI:HJGJIJGIGIJJJ?JJJJIHJIDI7HI=JE@DDF@JDEDH@BE>CD6CCDE>C>ECDDDD>D>DBCD    XT:A:U  NM:i:0  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:0  XO:i:0  XG:i:0  MD:Z:100
11-2240062      99      11      52630   60      100M    =       52730   200     CATCCATTCGTATTGCTATATGATATTCCACTACATGAATATGTCGGACTTCATTCCTCAGATCTATTGTTGATGAACACTTGAAATTTTTCCAGTTTTT    @C?FAFFFHCH8HJJHIIHIIHJHFJJHIFJJ*;JAHJIJJBJJJIEF?IJI7I)DFJI&5HJ7HIA@EH<DJ;CEED>HC(DCDDD5CC5C:(DDDD2C    XT:A:U  NM:i:0  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:0  XO:i:0  XG:i:0  MD:Z:100
11-5366918      163     11      52654   60      100M    =       52840   286     ATTCCACTACATGAATATGTCGGATTTCATTCCTCAGATCTATTGTTGATGAACACTTGAAATTTTTCCAGTTTTTAACCATTACAAACAATGCTGCTAT    CBCDADDF+DFFCJIJI=G3JI:G#IJEJIGHEJJG@:?@DGGGGJA/*H8I;AD<J3EGIHJ,HHDHIEJ=+DDDCFDCBDBCDDDDDD0CD+C>DD(D    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:24C75
11-3392818      147     11      52668   60      100M    =       52557   -211    ATATGTCCGACTTCATTCCTCAGATCTATTGTTGATGAACACTTGAAATTTTTCCAGTTTTTAACCATTACAAACAATGCTGCTATGAACATTCTTTTGT    CCDDC(5&BCADBD3H-BFEC;E)H?ADD@DIJIFEHHII@IHEGJ3CIH7EDHJDI)@IBIDHAJJJHJAJFJFEJGCIIIIJJJAHHHGHFDFDFCCB    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:7G92
11-521728       99      11      52694   60      100M    =       52827   233     TATTGTTGATGAACACTTGAAATTTTTCCAGTTTTTAACCATTACAAACAATGCTGCTATGAACATTCTTTTGTAAATCACCTGGTTCATATGTGCAAGA    C@@FFDFF8BGHHAJJIJIJJIIHHIIJIGJGIJJ3:J0?-GIJIDHJ0JIJH?DJHIHC2DHGCFGDDFDD;9BCBEDCDBBBCDA2BECBBFEDDD&5    XT:A:U  NM:i:0  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:0  XO:i:0  XG:i:0  MD:Z:100
11-589542       147     11      52699   60      100M    =       52563   -236    TTGATGAACACTTGAAATTTTTCCAGTTTTTAACCATTACAAACAATGCTGCTATGCACATTCTTTTGTAGATCACCTGGTTCATATGTGCAAGATATCC    DDDDCC5D;DAD4D@D>:DCDF>,DEEDEJ8IDBHJDEDFHIFFF=BIHGCG@HF;#IGJIJ?HJDHJJI*BGGEIHIIEIJ2:IJJD;HHAFFF+FCCB    XT:A:U  NM:i:2  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:2  XO:i:0  XG:i:0  MD:Z:56A13A29
11-1911076      147     11      52706   29      100M    =       52531   -275    ACACTTGAAATTTTTCCAGTTTTTAACCATTACAAACAATGCTGCTATGAACATTCTTTTGTAAATCACCTGGTTCATATGTGCAAGATATCCTCTGGGG    D@DACD4A>D>DDEEEB5EC@D;<(B09CFHDH<BBEG<FJDJIHJ/JIDC5GJ8J#EEJJI?HII?JIJIGJJIIJIJJJHJIJJI<GHHHFFEF=@@@    XT:A:U  NM:i:0  SM:i:29 AM:i:29 X0:i:1  X1:i:0  XM:i:0  XO:i:0  XG:i:0  MD:Z:100
11-6240990      163     11      52709   60      100M    =       52824   215     CTTGAAATTTTTCCAGTTCTTAACCATTACAAACAATGCTGCTATGAACATTCTTTTGTAAATCACCTGGTTCATATGTGCAAGATATCCTCTGGGGTAT    C@C?A;DDDGD<HIHGJJ,JIIJJ?JEIJGIJIHJJIFJJIAJCIDHH?H@H;AICJJJJBFHJJHGEJFCFH@IDDD;D4CC>D3CCEAB;D((DDD@D    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:18T81
11-11225740     147     11      52722   60      1S99M   =       52599   -222    ACAGTTTTTAACCATTACAAACAATGCTGCTATGAACATTCTTTTGTAAATCACCTGGTTCATATGTGCAAGATATCCTCGGGGGTATATATTTAAATGT    (C>#CCDB>CE@D@DCDFDDFB7EJ8HAHJH(;HD8BBDJIII?HIJJ+BI8DJJIDJGIJJI*H@IFHIFIAJFIJIGJ#ICIJJFHAHAHFFDDF++C    XC:i:99 XT:A:U  NM:i:2  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:2  XO:i:0  XG:i:0  MD:Z:79T16A2
11-2240062      147     11      52730   60      100M    =       52630   -200    AACCATTACAAACAATGCTGCTATGAACATTCTTTTGTAAATCACCTGGTACATATGTGCAAGATATCCTCTGGGGTATATATTTAAAAGTAAAATTATT    8CA?CAD0DD@@E9DD@HBE>4F@D:EAFGEI7(HDGJIFI?HAJIGGHA(JHIHDGJIJIHBJGJH<BIJIFJJHJCHJJGGFFJJHF<HHAFDDFC?B    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:50T49
11-2807908      83      11      52733   60      100M    =       52535   -298    CATTACAAACAATGCTGCTATGGACATTCTTTTGTAAATCACCTGGTTCATATGTGCAAGATATCCTCTGGGGTATATATTTAAAAGTAAAATTATTGAG    CDD@DBDD@:>7DCDBDD.DD:(B?FHCHBJ<JDG;8EH>DICGIDC(JJIEJCHJJIFIEIHJFCHJCJJJ1JGJGGHIAHJJGJJFFHDHDDFD+C;@    XT:A:U  NM:i:1  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:1  XO:i:0  XG:i:0  MD:Z:22A77
11-11277944     163     11      52734   60      100M    =       53007   373     ATTACAAACAATCCTGCTATGAACATTCTTTTGTAAGTCACCTGGTTCATATGTGCAATATATCCTCTGGGGTATATATTTAAAAGTAAAATTATTGAGT    CC@?FFEAHHHD#IJCJIIIICJ3IBCJIJJIIGJH(BIJIGBI3AJJIFECHDE8GH#?EJJ8DGFDH@DDFEBFF?DDD2D8C6>DD>E(<D5DCDD>    XT:A:U  NM:i:3  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:3  XO:i:0  XG:i:0  MD:Z:12G23A21G41
11-8199004      163     11      52743   60      100M    =       52942   299     AATGCTGCTATGAACATTCTTTTGTAAATCACCTGGTTCATATGTGCAAGATATCCTCTGGGGTATATATTTAAAAGTAAAATTATTGAGTTATTCAACA    CCC=BFFFFCGFH+J@@JJHIIJHJ8IIIIGHG0IIJGJBIFHGFDHGBHJIBJDJJJFHEJ:IJHDI=D(FFDA=GFD6CDFDD>CC(E&CD5?DDDCD    XT:A:U  NM:i:0  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:0  XO:i:0  XG:i:0  MD:Z:100

SAM格式文件包含两部分，头部注释和比对信息部分。头部注释包含了该文件的基本信息，每行以“@”开始，主要有SAM格式的版本、所用参考基因组的名称与长度、测序样本的描述信息、所用比对软件的信息及相关数据处理的命令行等。

比对信息部分每行对应一个测序片段的比对信息，包含11个固定字段和可选字段。11个固定字段按顺序分别为，测序片段ID、位标识、所映射的染色体、映射的位置、映射的质量、CIGAR（比对情况）、配对片段的映射的染色体、配对片段映射的位置、模板长度、片段序列、序列质量信息以及一些可选字段。位标识的每个二进制位代表一个标识信息，主要是测序片段是否映射成功、映射方向等信息。CIGAR以字符串形式描述序列片段的具体比对信息，由数字+一个字母形成的串连接而成，数字为序列的长度，字母为这段序列与参考序列的比对形式。常用的比对形式有：

  1. “M”：匹配，该段序列与参考序列的碱基相对位，但可能包括错配。
  2. “D”：缺失，测序片段中相对于参考序列缺失此段碱基。
  3. “I”：插入，测序片段中相对于参考序列插入此段碱基。
  4. “S”：软剪切，测序片段比对得分为负，舍弃。

如30M5I25M5D25M10S意味着100bp的片段依次以30个碱基匹配、5个碱基插入、25个碱基匹配、5个碱基缺失，25个碱基匹配，10个碱基未匹配，具体可参照下图。

每行最后还可以包含多个可选字段，字段格式为【标签（两个字符）：数据类型（字符、整型、浮点型、字符串等）：值】。可选字段的标签非常多，这里只列出几个特殊的标签：

  1. X0：最优比对的数量（存在多个最最优比对时）。
  2. X1：次优比对的数量。
  3. XT：是否唯一比对至此，（Unique/Repeat/N/Multiply）。
  4. XM：错配（mismatch）的碱基数量。

SAMtools工具介绍

在NGS分析的过程中，经常要对包含比对信息的SAM/BAM/CRAM格式文件进行基本处理，常见的为bam文件。本文所用工具为SAMtools，常用的SAMtools命令及功能说明如下。

  1. index：对bam文件建立索引。
  2. merge：归并多个bam文件为一个。
  3. cat：连接多个未排序的bam文件。
  4. sort：将bam文件中的reads按映射位置或名称进行排序。
  5. depth：计算指定区域的映射深度。
  6. flagstat：输出bam文件的统计信息
  7. flags：根据bam文件的位标识字段进行过滤或提取。
  8. view：对SAM/BAM/CRAM格式的相互转换，还可进行数据切片，保留映射到指定染色体、指定坐标范围内的测序片段。
  9. tview：测序片段映射情况浏览器，终端界面可视化测序片段的比对信息。