bam格式文件处理大全(一）

sam文件是短序列比对生成的文件，是二代测序中最核心的文件。在RNAseq，变异检测等分析中，都需要首先生成sam文件格式。bam文件是sam格式的二进制格式，转换为二进制之后，可以减小文件的存储。掌握sam/bam文件的操作是处理二代测序数据的非常重要的内容，例如sam与bam的转换，排序，建立索引，reads计数等等操作。

1 生成sam文件

有很多软件可以生成sam格式，例如bwa，bowie2，tophat2，subread，minimap2等等。输入数据为fasta格式，作为比对参考序列；fastq格式的测序数据，例如illumina测序的pairend数据等。也就是将测序数据比对回参考序列上。可以简单理解为sam=fasta+fastq。

# bwa建立索引
bwa index -a is ref.fna
#bwa mem比对
bwa mem -t 4 -R '@RG\tID:A1\tPL:illumina\tSM:A1'  ref.fna  A1_1.fastq.gz A1_2.fastq.gz >A1.sam
bwa mem -t 4 -R '@RG\tID:A2\tPL:illumina\tSM:A2'  ref.fna A2_1.fastq.gz A2_2.fastq.gz >A2.sam

2 sam文件格式介绍

sam格式为文本格式，可以直接查看，一共有11列，每一列的内容如下：

第一列：reads ID
第二列：是flag标记的总和
第三列：比对到参考序列上的染色体号。
第四列：在参考序列上的位置
第五列：比对的质量值，MAPQ
第六列：代表比对结果的CIGAR字符串
第七列：mate比对到的染色体号，若是没有mate，则是*
第八列：比对到参考序列上的第一个碱基位置
第九列：Template的长度，
第十列：为read的序列
第十一列：为ASCII码格式的序列质量；

3 flag标识符的意义

sam第二列为flag标识符，这些标识符为比对模式，例如单端比对，还是双端比对，或者没有比对上。这些数字为二进制之和。可以通过以下完整进行解释。
flag解析：http://broadinstitute.github.io/picard/explain-flags.html

4 sam标识符的意义

sam文件每一行的结尾包含很多标识符，这些标识符是比对的具体细节，可以查看对应的文档进行解读。不过这些标识符是供下游软件处理，并不需要人工来解读。
sam标识符解释：https://github.com/samtools/hts-specs

 XT:A:U  NM:i:0  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:0  XO:i:0 
 XT:A:U  NM:i:2  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:2  XO:i:0 
 XT:A:U  NM:i:0  SM:i:37 AM:i:37 X0:i:1  X1:i:0  XM:i:0  XO:i:0 

---------- END ----------

（添加作者微信，请注明单位姓名）

您可能还会感兴趣的