sam文件解读

SAM分为两部分，注释信息（header section）和比对结果部分（alignment section）。

注释信息

可有可无，都是以@开头，用不同的tag表示不同的信息，主要有：

@HD VN:1.0 SO:unsorted （排序类型）

头部区第一行：VN是格式版本；SO表示比对排序的类型，有unknown（default），unsorted，queryname和coordinate几种。samtools软件在进行行排序后不能自动更新bam文件的SO值，而picard却可以。

@SQ SN:contig1 LN:9401 （序列ID及长度）

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；每个参考序列为一行。

例如：@SQ SN:NC_000067.6 LN:195471971

@RG ID:sample01 （样品基本信息）

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，可以利用bwa mem -R 加上去这些信息。

例如：@RG ID:ZX1_ID SM:ZX1 LB:PE400 PU:Illumina PL:Miseq

ID：样品的ID号 SM：样品名 LB：文库名 PU：测序以 PL：测序平台

这些信息可以在形成sam文件时加入，ID是必须要有的后面是否添加看分析要求

@PG ID:bowtie2 PN:bowtie2 VN:2.0.0-beta7 （比对所使用的软件及版本）

例如：@PG ID:bwa PN:bwa VN:0.7.12-r1039 CL:bwa sampe -a 400 -f ZX1.sam -r @RG ID:ZX1_ID SM:ZX1 LB:PE400 PU:Illumina PL:Miseq ../0_Reference/Reference_Sequence.fa ZX_HQ_clean_R1.fq.sai ZX_HQ_clean_R2.fq.sai ../2_HQData/ZX_HQ_clean_R1.fq ../2_HQData/ZX_HQ_clean_R2.fq

这里的ID是bwa，PN是bwa，VN是0.7.12-r1039版本。CL可以认为是运行程序@RG是上面RG表示的内容，后面是程序内容，这里的@GR内容是可以自己在运行程序是加入的

比对结果部分（alignment section）

每一行表示一个片段（segment）的比对信息，包括11个必须的字段（mandatory fields）和一个可选的字段，字段之间用tag分割。必须的字段有11个，顺序固定，不可用时，根据字段定义，可以为’0‘或者’*‘，这是11个字段包括：

• 第一列： QNAME：测序出来的reads序列数据名 如：SRR3101251.1
• 第二列：FLAG：0正链，16负链，4没比对上：

1 （1） 该read是成对的paired reads中的一个
2 （10） paired reads中每个都正确比对到参考序列上
4 （100） 该read没比对到参考序列上
8 （1000） 与该read成对的matepair read没有比对到参考序列上
16 （10000） 该read其反向互补序列能够比对到参考序列
32 （100000） 与该read成对的matepair read其反向互补序列能够比对到参考序列
64 （1000000） 在paired reads中，该read是与参考序列比对的第一条
128 （10000000） 在paired reads中，该read是与参考序列比对的第二条
256 （100000000） 该read是次优的比对结果
512 （1000000000） 该read没有通过质量控制
1024 （10000000000） 由于PCR或测序错误产生的重复reads
2048 （100000000000） 补充匹配的read

• 第三列：RNAME：参考基因组的染色体名，如：chr19
• 第四列：POS：比对到这个染色的具体位置（从1'端开始）如9486878
• 第五列：MAPQ：比对质量，是一个衡量比对好坏的打分结果，越高越好
• 第六列：CIGAR：简要比对信息表达式（Compact Idiosyncratic Gapped Alignment Report）：如M：完全比配；D：缺失。以参考序列为基础，使用数字加字母表示比对结果，比如3S6M1P1I4M，前三个碱基被剪切去除了，然后6个比对上了，然后打开了一个缺口，有一个碱基插入，最后是4个比对上了，是按照顺序的；
• 第七列：RNEXT：下一个片段比对上的参考序列的编号，没有另外的片段，这里是'*'，同一个片段，用 '='；
• 第八列：PNEXT： 配对片段（即mate）比对上的参考序列的编号，没有另外的片段，这里是'*'，同一个片段，用'='；
• 第九列：TLEN：配对片段（即mate）比对到参考序列上的第一个碱基位置，若无mate,则为0；
• 第十列：SEQ：Template（文库插入序列）的长度，最左边得为正，最右边的为负，中间的不用定义正负，不分区段（single-segment)的比对上，或者不可用时，此处为0；
• 第十一列：QUAL：ASCII编码的序列reads质量。ASCII码偏移33。序列的质量信息，格式同FASTQ一样。
• 第十二列：可选字段（optional fields)，格式如：TAG:TYPE:VALUE，其中TAG有两个大写字母组成，每个TAG代表一类信息，每一行一个TAG只能出现一次，TYPE表示TAG对应值的类型，可以是字符串、整数、字节、数组等。

image.png

粗略介绍：

1：QNAME 比对的序列名称 例如：M04650:84:000000000-B837R:1:1101:22699:1759（一条测序reads的名称）

2：FLAG Bwise FLAG（表明比对类型：paring，strand，mate strand等） 例如：99

3：RENAME 比对上的参考序列名 例如：NC_000075.6

4：POS 1-Based的比对上的最左边的定位 例如：124057649

5：MAPQ 比对质量 例如：60

6：CIGAR Extended CIGAR string（操作符：MIDNSHP）比对结果信息；匹配碱基数，可变剪接等 例如：87M

7：MRNM 相匹配的另外一条序列，比对上的参考序列名 例如：=

8：MPOS 1-Based leftmost Mate Position （相比于MRNM列来讲意思和POS差不多） 例如：124057667

9：ISIZE 插入片段长度 例如：200

10：SEQ 和参考序列在同一个链上比对的序列（若比对结果在负义链上，则序列是其反向重复序列，反向互补序列） 例如：ATTACTTGGCTGCT

11：QUAL 比对序列的质量（ASCII-33=Phred base quality）reads碱基质量值 例如：-8CCCGFCCCF7@E- :12：可选的列 以TAG：TYPE：VALUE的形式提供额外的信息

作者：苏牧传媒
链接：https://www.jianshu.com/p/01ca20cf0203
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。