SAM格式，是一种用于存储测序序列比对结果的通用格式，以TAB为分割符。SAM格式的设计理念是：灵活存储所有比对信息。SAM一般为11列以上，其中前11列为已定义列，12列及以后为可选列，算附加信息。
由于测序分两种：单端测序(Single-read)和双端测序(Paired-end和Mate-pair)。下文SAM格式中read表示Single-read或Paired-end Read1序列，mate表示Paired-end Read2序列。
- 第一列：read name，read的名字通常包括测序平台等信息；
- 第二列：sum of flags，比对flag数字之和，比对flag用数字表示，分别为：
- 0 read是Single-read且正向比对
- 1 read是pair中的一条（read表示本条read，mate表示pair中的另一条read）
- 2 pair一正一负完美的比对上
- 4 这条read没有比对上
- 8 mate没有比对上
- 16 这条read反向比对
- 32 mate反向比对
- 64 这条read是read1
- 128 这条read是read2
- 256 第二次比对
- 512 比对质量不合格
- 1024 read是PCR或光学副本产生
- 2048 辅助比对结果
通过这个和可以直接推断出匹配的情况。假如说标记不是以上列举出的数字，比如说83=（64+16+2+1），就是这几种情况值和。
- 第三列：RNAM，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，read比对到参考序列上，第一个碱基所在的位置。若是无法比对，则是0；
- 第五列：Mapping quality，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唯一；
- 第六列：CIGAR值，read比对的具体情况，
- “M”表示 match或 mismatch；
- “I”表示 insert；
- “D”表示 deletion；
- “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）；
- “P”表示 padding；
- “=”表示 match；
- “X”表示 mismatch（错配，位置是一一对应的）；
- 第七列：MRNM(chr)，mate的reference sequence name，实际上就是mate比对到的染色体号，若是没有mate，则是*；
- 第八列：mate position，mate比对到参考序列上的第一个碱基位置，若无mate,则为0；
- 第九列：ISIZE，Inferred fragment size.详见Illumina中paired end sequencing 和 mate pair sequencing，是负数，推测应该是两条read之间的间隔(待查证)，若无mate则为0；
- 第十列：Sequence，就是read的碱基序列，如果是比对到互补链上则是reverse completed eg. CGTTTCTGTGGGTGATGGGCCTGAGGGGCGTTCTCN
- 第十一列：ASCII，read质量的ASCII编码。
- 第十二列之后：Optional fields，可选的自定义区域
- AS:i 匹配的得分
- XS:i 第二好的匹配的得分
- YS:i mate 序列匹配的得分
- XN:i 在参考序列上模糊碱基的个数
- XM:i 错配的个数
- XO:i gap open的个数
- XG:i gap 延伸的个数
- NM:i 经过编辑的序列
- YF:i 说明为什么这个序列被过滤的字符串
- MD:Z 代表序列和参考序列错配的字符串(例如MD:Z:45A2C3 失配碱基的位点，45,45+2两个位点失配)
- XT:A:U read只有一个完整比对，U unique
- XT:A:R read有一个以上位置完整比对，R repeat
- NM:i:2 read有2个碱基mismatch
- X0:i:2 read有2个位置完整比对(与XT:A有对应关系)
- X1:i:2 read有2个位置以1个碱基失配比对
- XA:Z:Chr3,+1530, 50M,0;Chr4,-7568,50M,1 有0/1个碱基失配的详细比对情况(与XT:A、X0:i、X1:i有对应关系)
以上参考
小猪打呼噜SAM格式详解
EmanLee bam/sam格式说明
SAM格式(wiki)
SAM格式(wikipedia)
SAM格式
网友评论