BWA SAM文件格式

• SAM是一種序列比對格式標準， 由sanger制定，是以TAB爲分割符的文本格式。主要應用於測序序列mapping到基因組上的結果表示，固然也能夠表示任意的多重比對結果。

• SAM要處理好的問題：

  （1）很是多序列（read)，mapping到多個參考基因組（reference）上；

  （2）同一條序列，分多段（segment）比對到參考基因組上；

  （3）無限量的，結構化信息表示，包括錯配、刪除、插入等比對信息；

• SAM分爲兩部分，註釋信息（header section）和比對結果部分（alignment section）。

1. 註釋信息無關緊要，都是以@開頭，用不一樣的tag表示不一樣的信息，主要有@HD，說明符合標準的版本、比對序列的排列順序；@SQ，參考序列說明；@RG，比對上的序列（read）說明；@PG，使用的程序說明；@CO，任意的說明信息。

2. 比對結果部分，每一行表示一個片斷的比對信息，包括11個必須的字段和一個可選字段。

第一列：QNAME，read name，read的名字一般包括測序平臺等信息；

第二列：FLAG，sum of flags，每一個數字表明一種比對狀況，這裏的值是符合狀況的數字相加總和。

1 read是pair中的一條（read表示本條read，mate表示pair中的另外一條read）

2 pair一正一負完美的比對上

4 這條read沒有比對上

8 mate沒有比對上

16 這條read反向比對

32 mate反向比對

64 這條read是read1

128 這條read是read2

256 第二次比對

512 比對質量不合格

1024 read是PCR或光學副本產生

2048 輔助比對結果

經過這個和能夠直接推斷出匹配的狀況。假如說標記不是以上列舉出的數字，好比說83=（64+16+2+1），就是這幾種狀況值和。

第三列：RNAME，reference sequence name，實際上就是比對到參考序列上的染色體號。如果沒法比對，則是*；

第四列：POS，read比對到參考序列上，第一個鹼基所在的位置，從1開始計數。如果沒法比對，則是0；

第五列：MAPQ，Mapping quality，比對的質量分數，越高說明該read比對到參考基因組上的位置越惟一；  

第六列：CIGAR，簡要比對信息表達式（Compact Idiosyncratic Gapped Alignment Report），以參考序列爲基礎，使用數字加字母表示比對結果，好比3S6M1P1I4M，前三個鹼基被剪切去除了，而後6個比對上了，而後打開了一個缺口，有一個鹼基插入，最後是4個比對上了，是按照順序的；

「M」表示 match或 mismatch；

「I」表示 insert；

「D」表示 deletion；

「N」表示 skipped（跳過這段區域）；

「S」表示 soft clipping（被剪切的序列存在於序列中）；

「H」表示 hard clipping（被剪切的序列不存在於序列中）；

「P」表示 padding；

「=」表示 match；

「X」表示 mismatch（錯配，位置是一一對應的）；

第七列：RNEXT，MRNM(chr)，mate的reference sequence name，實際上就是mate比對到的染色體號，如果沒有mate，則是*；

第八列：PNEXT，mate position，mate比對到參考序列上的第一個鹼基位置，若無mate,則爲0；

第九列：TLEN，Template的長度，ISIZE，Inferred fragment size.詳見Illumina中paired end sequencing 和 mate pair sequencing，是負數，推測應該是兩條read之間的間隔(待查證)，若無mate則爲0；

第十列：SEQ，Sequence，就是read的鹼基序列，若是是比對到互補鏈上則是reverse completed   eg.CGTTTCTGTGGGTGATGGGCCTGAGGGGCGTTCTCN 

第十一列：QUAL，ASCII，read質量的ASCII編碼。

第十二列以後：Optional fields，可選的區域

 

sam可選字段釋義： MC     MC:Z:<CIGAR>  配對的那條read的CIGAR NM     NM:i:<N>    插入/刪除/替換的鹼基總個數，不包含頭尾被剪切的序列。通常來講等於序列中error base的個數 AS     AS:i:<N> 匹配的得分。只有當匹配大於等於1出現。可爲負，在local下爲正。 XS     XS:i:<N> 次優匹配的得分。當匹配大於1時出現。 XA     XA:Z:<chr,pos,CIGAR,NM;chr,pos,CIGAR,NM;chr,pos,CIGAR,NM;...>    備選的。format: (chr,pos,CIGAR,NM;)* SA     SA:Z:<chr,pos,+/-,CIGAR,MPQ,NM;>   第二最佳命中位置和標記(bwa的在vcf中表示爲supplementary) MD     MD:Z:<S> 比對上的錯配鹼基的字符串表示，不考慮軟硬切   （替換：寫reference原始鹼基；插入：不表達；刪除：^(刪除的鹼基)） RG     RG:Z:<readID>  read組ID