SAM格式相关的术语和概念

1. SAM格式是什么?

SAM是Sequence Alignment/Map format的缩写。SAM格式是TAB分割的文本文件，包含一个非必须的注释信息部分和必须的比对信息部分。注释信息位于比对信息前，并且一般以@开始。

2. SAM格式相关的术语和概念

Template：DNA/RNA序列，其部分由测序仪测得或从原始数据组装得到。

Segment：一段连续序列或子序列

Read：从测序仪得到的原始序列。一个read可以由多个Segment组成。

Linear alignment：单个read比对到单个参考序列，其中可能包括插入，删除、跳过和剪切，但不能有方向改变，即比对上的序列一部分在正义链一部分在反义链。SAM文件中一行可以记录一个线性比对事件。

Chimeric alignment：无法被Linear alignment表示的比对事件，一个Chimeric alignment一般被表示为多个没有大交集的linear alignments的集合。在嵌合比对中，有一个线性比对被视为“representative” alignment，其余的被视为supplementary alignment，这个可以通过flag列识别。同一个chimeric alignment的linear alignments有一样的query name(QNAME)和flag(0x40 和0x80)。关于哪个linear alignments被视为supplementary alignment是随机的。

Read alignment：read的一次完整比对，可以是一次线性比对或嵌合比对。

Multiple mapping：单个read比对到多个位置，其中一个被是为primary alignment，其他的被视为secondary alignment，可以通过0x40 和 0x80 flags识别。primary alignment一般被认为是最好比对。

1-based coordinate system：位置从1开始；The SAM, VCF, GFF and Wiggle formats are using the 1-based coordinate system.

0-based coordinate system：位置从0开始； The BAM, BCFv2, BED, and PSL formats are using the 0-based coordinate system.

Phred scale：

Notes:

• 嵌合比对主要是由结构变异、基因融合、错误组装、测序或实验方法引起的。嵌合比对一般出现在比较长的read；对于一个嵌合比对，其包含的线性比大部分是重叠; 嵌合比对的每一个线性比对一般具有比较好的比对质量，用于call SNP/INDEL。

• multiple mappings主要是由于重复造成的，在长的read比对时发生较少。一个read比对到多个地方，这些比对结果大部分是有重复的。除了最好的比对外，其他的比对质量一般都<Q3，一般不用于call SNP/INDEL。

3. SAM格式比对信息部分

比对信息部分，每行表示一个segment的线性比对结果，包含TAB1键分割的至少11个元素；

The alignment section

• FLAG

  
  FLAG

• CIGAR

  
  CIGAR

1. “Consumes query” 和“consumes reference”： CIGAR中查询序列和参考序列分别使用的碱基数目
2. H 只能出现在CIGAR的开始或最后
3. S的两边必为H，或者位于CIGAR的末端；
4. 对于mRNA到基因组的比对，N表示内含子。对于其他类型的比对，N的解释未被定义；
5. M/I/S/=/X 长度和应该等于SEQ长度。

参考

SAMv1