sam格式详细说明

Posted yahengwang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了sam格式详细说明相关的知识,希望对你有一定的参考价值。

原文链接 https://www.jianshu.com/p/386f520e5de1

 

The SAM Format Specification(sam格式说明)

1 The SAM Format Specification

sam是一种序列比对后的输出格式,以tab作为分隔符,包括头部信息和比对信息。其中头部信息必须在比对信息之前。头部信息的开头是@,但是比对行不是。每一个比对行有11个重要的比对信息元素,如果比对位置和校准信息等。

1.1 An example

FCC0YG3ACXX:2:1103:1572:139769#GCTTAATG 99 chr10 60001 0 90M = 60390 479 GAATTCCTTGAGGCCTAAATGCATCGGGGTGCTCTGGTTTTGTTGTTGTTATTTCTGAATGACATTTACTTTGGTGCTCTTTATTTTGCG CCCFFFFFHHHHHJJJJJJJJIJJJJJJJ?HHGIJJJBFHIJIJIDHIHIEHJJIJJIJJJHHGHHHFFFFFFEDCEEECCDDDDEECDD XT:A:R NM:i:0 SM:i:0 AM:i:0 X0:i:2 X1:i:0 XM:i:0 XO:i:0 XG:i:0 MD:Z:90 XA:Z:chr18,+14415,90M,0; RG:Z:120618_I245_FCC0YG3ACXX_L2_SZAXPI010030-30

1.2 Terminologies and Concepts

1-based coordinate system

  • 从1开始数, SAM, GFF and Wiggle 用的是这个。

0-based coordinate system

  • 从0开始数, BAM, BED, and PSL用的是这个。

Phred scale

  • 给一个概率0 < p <= 1 , 值是一个 −10log10p,要做一个四舍五入

1.3 The header section

每个标题行以字符“@”开头,后面是两个字母的记录类型代码。在标题中,每一行都是由制表符分隔的,除了@CO行,每个数据字段都遵循格式“TAG:VALUE”,其中TAG是一个两个字母的字符串,定义了内容和值的格式。每个标题行应该匹配:/ ^ @[A-Za-z][A-Za-z]( t[A-Za-z][A-Za-z0-9]:[- ~]+)+ $ /或/ ^ @CO t。* /。包含小写字母的标记保留给最终用户。
下表给出了定义的记录类型和标记。当记录类型出现时,需要带有“*”的标记。

TagDescription
@HD 首行,输出文件的第一行
VN* 格式版本,接受的格式:/^[0-9]+.[0-9]+$/
SO 比对排序,有unknown (default), unsorted, queryname and coordinate,对于coordinate,排序的主键是RNAME,其顺序由标题中的@SQ行顺序定义,次要排序键是POS字段。对于RNAME和POS相等的对齐,顺序是任意的。在RNAME字段中,所有带有“*”的对齐都跟随带有其他值的对齐,但是其他的对齐顺序是任意的。
TagDescription
@SQ 参考序列字典,@SQ行的顺序定义了对齐排序顺序。
SN* 参考序列名字(染色体)。每一个@SQ行必须含有一个去重的SN标签。这个字段的值是用于RNAME和PNEXT比对的记录。正则表达式[!-)+-<>-][!-]*
LN* 参考序列长度,范围:[1,2,29 -1]
AS 基因组装配标识符。
M5 MD5用大写字母校验序列,并去掉gap和空格
SP 物种
UR 序列的URI。这个值应该从一个标准的协议开始,e.ghttp:或ftp:,如果不是1??这些协议作为开始,那么就应该是文件系统路径
TagDescription
@RG read组,允许有多个无序的@行
ID* read组标识符。每一个@RG行必须含有一个去重的ID。ID这个值会被用来作为比对报告的RG标签
CN 测序中心提供的read名称
DS 描述
DT 测序的日期 (ISO8601 date or date/time)
FO 流的顺序。核苷酸碱基阵列,与每次读取的每个流所使用的核苷酸相对应。多碱基流以IUPAC格式编码,非核苷酸流以各种其他字符编码。格式:/ * | ACMGRSVTWYHKDBN + /
KS 与每次reads的键序列所对应的核苷酸碱基数组
LB 文库
PG 产生read组的程序
PI 预测的中值插入大小
PL 用于产生reads的平台/技术。Valid values: CAPILLARY, LS454, ILLUMINA, SOLID, HELICOS, IONTORRENT and PACBIO
PU 平台单元( Illumina or slide for SOLiD的flowcell-barcode.lane)。惟一标识符。
SM 样本,用被测序的池命名
TagDescription
@PG 程序
ID* 程序记录标识符。每个@PG线必须有一个唯一的ID, ID的值用于其他@PG线程的比对PG标签和PP标签。在合并SAM文件以处理冲突时,可以修改PG id。
PN 程序名字
CL 命令行
PP 以前的@PG-ID。必须匹配另一个@PG标题的ID标签。可以使用PP标记链接@PG记录,链中的最后一条记录没有PP标记。该链定义应用于对齐的程序的顺序。在合并SAM文件以处理PG id冲突时,可以修改PP值。链中的第一个PG记录(即SAM记录中的PG标记所引用的记录)描述了在SAM记录上操作的最新程序。链中的下一个PG记录描述了在SAM记录上操作的下一个最新程序。SAM记录上的PG ID不需要引用链中最新的PG记录。它可以引用链中的任何PG记录,这意味着SAM记录已经被PG记录中的程序操作过,并且程序通过PP标记引用。
VN 程序版本
@CO 单行的text描述,是一个任意的说明信息。允许多个@CO行无序排列

1.4 The alignment section: mandatory fields(必填)

每一个比对行有11个必填选项。这些字段都是以相同顺序出现,而且必须出现,但是这些值可以为0或*(取决于字段)如果无法获得相应的信息。下表概述了SAM格式的强制字段:

ColFieldTypeRegexp/RangeBrief description
1 QNAME String [!-?A-~]{1,255} 查询模板名称
2 FLAG Int [0,2^16 -1] 位标记,template mapping情况的数字表示,每一个数字代表一种比对情况,这里的值是符合情况的数字相加总和
3 RNAME String *|[!-()+-<>-][!-]* 参考序列名称
4 POS Int [0,2^29 -1] 基于1的最左比对位置
5 MAPQ Int [0,2^8 -1] MAPping质量
6 CIGAR String *|([0-9]+[MIDNSHPX=])+ CIGAR字符串
7 RNEXT String *|=|[!-()+-<>-][!-]* 比对到的参考(染色体)名字
8 PNEXT Int [0,2^29 -1] 配对到的第一个碱基的位置
9 TLEN Int [-2 29 +1,2 29 -1] 可以理解为文库插入片段长度
10 SEQ String *|[A-Za-z=.]+ 序列片段
11 QUAL String [!-~]+ phred -scale基本质量+33的ASCII码

1.QNAME:查询模板名称。具有相同QNAME的read/片段被认为来自相同的模板。QNAME ‘ * ‘表示信息不可用。
2.FLAG 位标记,下表是每一个代号代表的意义:

BitDescription
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 片段未比对上
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 没有通过质量控制
1024 read是PCR或光学副本产生
2048 辅助比对结果
  • 0x4是唯一可靠的告诉我们片段未比对上,如果0x4出现了,RNAME, POS, CIGAR, MAPQ, 0x2, 0x10 和 0x100 和 0x20都是没有的
  • 如果0x40和0x80都存在,片段就是线性模板的一部分,但是既不是第一部分也不是最后一个部分,如果0x40和0x80都不存在,模板中片段的索引是未知的。这可能发生在非线性模板中,或者索引在数据处理中丢失。
  • 0x100 意味着片段在某些分析中是不会被用到的。
  • 如果0x1不存在,0x2, 0x8, 0x20, 0x40 and 0x80也没啥意义

3.RNAME:比对的参考序列名称,如果@SQ头部行存在,RNAME(如果不是“*”)必须出现在一个 SQ-SN标记中。没比对上此处就是“*”。然而,一个未必对的片段也有一个坐标以便排序。如果RNAME 是“*”,也就没有 POS 和 CIGAR。

4.POS:于1的第一个匹配基的最左映射位置。参考序列中的第一个基的坐标是1。对于没有坐标的未映射读取,POS设置为0。如果POS为0,RNAME和CIGAR也就没有意义。

5.MAPQ:mapping质量,等于−10log 10Pr(映射位置是错的),四舍五入到最近的整数,值255表示映射质量特别差。

6.CIGAR:CIGAR字符串。下表为CIGAR字符串的解释(‘*’表示无值)

OpBAMDescription
M 0 比对匹配(可以是序列匹配或不匹配)
I 1 插入到参考
D 2 从参考删除
N 3 参考的跳过的区域
S 4 软剪切(被剪切的序列存在于序列中)
H 5 硬剪切(被剪切的序列不存在于序列中)
P 6 填充(从填充引用中无声删除)
= 7 序列匹配
X 8 序列不匹配
  • H 值出现在最初或者最后操作中
  • S 可证在他们和CIRAG末尾字符串中只有H操作
  • 对于mRNA到基因组的比对,一个N操作符代表内含子。对于其他类型的比对,没有定义N的解释。
  • M/I/S/=/X操作的长度之和等于SEQ的长度。

7.RNEXT::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*

8.PNEXT:如果没有这个信息(没比对上)就是0

9.TLEN:如果R1端的read和R2端的read能够mapping到同一条Reference序列上(即第三列RNAME相同),则该列的值表示第8列减去第4列加上第6列的值,R1端和R2端相同id的reads其第九列值相同,但该值为一正一负,R1文件的reads和R2文件的reads,相同id的reads要相对来看。在进行该第列值的计算时,如果取第6列的数值,一定要取出现M的值,S或H的值不能取。

10.SEQ:reads片段。如果序列不存在,就是*。如果不是*,这个序列的长度等于CIGAR中 M/I/S/=/X的总和。=表示他的基础字段(如开始为1),和参考序列的基础字段相同。

11.QUAL:碱基质量加33的ASCII码(与Sanger FASTQ格式中的质量字符串相同)。一个碱基质量是基于错误率的phred-scaled等于−10log 10Pr(碱基是错的)。这个字段可以是“*”。如果它不是*,那么seq也不是“*”,它的长度与SEQ的长度得一致。

1.5 The alignment section: optional fields

这里所有的字段都是依照TAG:TYPE:VALUE的格式, TAG的标记是两个字符,匹配为/[A-Za-z][A-Za-z0-9]/。在一个比对行每个TAG只可以出现一次。一个TAG含有返回给客户的小写字母。

TypeRegexp matching VALUEDescription
A [!-~] 可印刷字符
i [-+]?[0-9]+ 32位整数
f [-+]?[0-9]*.?[0-9]+([eE][-+]?[0-9]+)? 单精度浮点数
Z [ !-~]+ 可打印字符串,包括空格
H [0-9A-F]+ 十六进制格式的字节数组
B cCsSiIf+ 整数或数字数组

对于整数或数字数组(类型‘ B ‘),第一个字母表示以下逗号分隔数组中的数字类型。TYPE表示TAG对应值的类型,可以是字符串、整数、字节、数组等。
下表显示了预定义的标记。你可以自由添加新标签,如果你的新标签很有趣,可以给samtools发邮件。请注意,以“X”、“Y”和“Z”开头的标记或任何位置包含小写字母的标记都保留给本地使用,在本规范的任何未来版本中都不会正式定义。

字符含义
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,针对于比对中的插入和缺失
XG:i gap 延伸的个数,针对于比对中的插入和缺失
NM:i 编辑距离。但是不包含头尾被剪切的序列。一般来说等于序列中error base的个数
YF:i 该reads被过滤掉的原因。可能为LN(错配数太多,待查证)、NS(read中包含N或者.)、SC(match bonus低于设定的阈值)、QC(failing quality control,待证)
YT:Z 值为UU表示不是pair中一部分(单末端?)、CP(是pair且可以完美匹配)、DP(是pair但不能很好的匹配)、UP(是pair但是无法比对到参考序列上)
MD:Z 比对上的错配碱基的字符串表示

以上是关于sam格式详细说明的主要内容,如果未能解决你的问题,请参考以下文章

bam / sam格式说明

17SAM文件格式说明(转载迷宫中的将军)

vCard格式参数详细说明

printf 格式化输出符号详细说明

clang-format代码格式化风格选项详细说明

clang-format代码格式化风格选项详细说明