BWA SAM文件格式

• SAM是一种序列比对格式标准， 由sanger制定，是以TAB为分割符的文本格式。主要应用于测序序列mapping到基因组上的结果表示，固然也能够表示任意的多重比对结果。

• SAM要处理好的问题：

  （1）很是多序列（read)，mapping到多个参考基因组（reference）上；

  （2）同一条序列，分多段（segment）比对到参考基因组上；

  （3）无限量的，结构化信息表示，包括错配、删除、插入等比对信息；

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

1. 注释信息无关紧要，都是以@开头，用不一样的tag表示不一样的信息，主要有@HD，说明符合标准的版本、比对序列的排列顺序；@SQ，参考序列说明；@RG，比对上的序列（read）说明；@PG，使用的程序说明；@CO，任意的说明信息。

2. 比对结果部分，每一行表示一个片断的比对信息，包括11个必须的字段和一个可选字段。

第一列：QNAME，read name，read的名字一般包括测序平台等信息；

第二列：FLAG，sum of flags，每一个数字表明一种比对状况，这里的值是符合状况的数字相加总和。

1 read是pair中的一条（read表示本条read，mate表示pair中的另外一条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

经过这个和能够直接推断出匹配的状况。假如说标记不是以上列举出的数字，好比说83=（64+16+2+1），就是这几种状况值和。

第三列：RNAME，reference sequence name，实际上就是比对到参考序列上的染色体号。如果没法比对，则是*；

第四列：POS，read比对到参考序列上，第一个碱基所在的位置，从1开始计数。如果没法比对，则是0；

第五列：MAPQ，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惟一；  

第六列：CIGAR，简要比对信息表达式（Compact Idiosyncratic Gapped Alignment Report），以参考序列为基础，使用数字加字母表示比对结果，好比3S6M1P1I4M，前三个碱基被剪切去除了，而后6个比对上了，而后打开了一个缺口，有一个碱基插入，最后是4个比对上了，是按照顺序的；

“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：RNEXT，MRNM(chr)，mate的reference sequence name，实际上就是mate比对到的染色体号，如果没有mate，则是*；

第八列：PNEXT，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：TLEN，Template的长度，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：SEQ，Sequence，就是read的碱基序列，若是是比对到互补链上则是reverse completed   eg.CGTTTCTGTGGGTGATGGGCCTGAGGGGCGTTCTCN 

第十一列：QUAL，ASCII，read质量的ASCII编码。

第十二列以后：Optional fields，可选的区域

 

sam可选字段释义： MC     MC:Z:<CIGAR>  配对的那条read的CIGAR NM     NM:i:<N>    插入/删除/替换的碱基总个数，不包含头尾被剪切的序列。通常来讲等于序列中error base的个数 AS     AS:i:<N> 匹配的得分。只有当匹配大于等于1出现。可为负，在local下为正。 XS     XS:i:<N> 次优匹配的得分。当匹配大于1时出现。 XA     XA:Z:<chr,pos,CIGAR,NM;chr,pos,CIGAR,NM;chr,pos,CIGAR,NM;...>    备选的。format: (chr,pos,CIGAR,NM;)* SA     SA:Z:<chr,pos,+/-,CIGAR,MPQ,NM;>   第二最佳命中位置和标记(bwa的在vcf中表示为supplementary) MD     MD:Z:<S> 比对上的错配碱基的字符串表示，不考虑软硬切   （替换：写reference原始碱基；插入：不表达；删除：^(删除的碱基)） RG     RG:Z:<readID>  read组ID