bam文件格式详解

BAM就是SAM的二进制文件,具有更小的存储空间,并且许多下游分析工具使用的是BAM格式。

sam是短序列比对默认的标准格式,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,另外也可以表示其他的多重比对结果。一般把测序reads比对到参考基因组以后,通常得到的就是sam文件。BAM就是SAM的二进制文件,具有更小的存储空间,并且许多下游分析工具使用的是BAM格式。使用samtools view xxx.bam | less -SN 可以查看二进制的bam文件。

attachments-2023-05-qiwaVCda6462e1a5a1729.png

第1列:fastq的read ID

第2列:FLAG(如果某一个数值不是下面的任意值,那么那个数值就是下面这些数里面几个的和)。另外,如果flag值是0,那么说明测序为单端测序且这条read是primary line,一般是该read的最佳比对。

1:该read是成对的paired reads中的一个
2:paired reads中每个都正确比对到参考序列上
4:该read没比对到参考序列上
8:与该read成对的matepair read没有比对到参考序列上
16:该read其反向互补序列能够比对到参考序列
32: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:在paired reads中,该read是与参考序列比对的第一条
128:在paired reads中,该read是与参考序列比对的第二条
256:该read是次优的比对结果
512:该read没有通过质量控制
1024:由于PCR或测序错误产生的重复reads
2048:补充匹配的read
只有一条reads没有比对上:73, 133, 89, 121, 165, 181, 101, 117, 153, 185, 69, 137
两条reads都没有比对上:77、141
比对上了,方向也对,并且在插入片段大小范围内:99, 147, 83, 163
比对上了,也在插入片段大小范围内, 但是方向不对:67, 131, 115, 179
唯一配对,就是插入片段大小范围不对:81, 161, 97, 145, 65, 129, 113, 177

这里说一下secondary alignment(256)和supplementary alignment(2048)的区别,256代表的是该条read比对到多个位置,该条记录为次优比对,在双端测序中,代表hardclip,而2048标记为该条比对记录为该read的补充比对记录,就是嵌合比对,这些记录是相互的补充,有可能只是这条read的一部分,在二代测序的结果中很容易找到很多的hardclip记录,但是2048的记录很少,在三代测序的比对结果中常见2048的supplementary alignment。

使用samtools view -f/-F参数可以获取包含/不包含指定flag的内容的条目。


第3列:染色体名称。如果这列是“ * ”,可以认为这条read没有比对上的序列,则这一行的第四,五,八,九 列是“0”,第六,七列与该列是相同的表示方法。

第4列:比对的位置,从对应上的染色体第1位开始往后计算。没有比对上的,此处为0。

第5列:MAPQ比对质量值。越高说明该read比对到参考基因组上的位置越唯一,0表示在参考基因组有多种定位的可能性。60表示在参考基因组只有这一种定位位置。

第6列: M表示匹配、I表示插入、D表示删除、N表示内含子和D类似、S表示替换、H表示剪切。

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;
比如:36M 表示36个碱基在比对时完全匹配。
比如:如37M1D2M1I,这段字符的意思是37个匹配,1个参考序列上的删除,2个匹配,1个参考序列上的插入。
(clipped均表示一条read的序列被分开,之所以被分开,是因为read的一部分序列能匹配到第三列的RNAME序列上,而被分开的那部分不能匹配到RNAME序列上。而H只出现在一条read的前端或末端,但不会出现在中间,S一般会和H成对出现,当有H出现时,一定会有一个与之对应的S出现)
①S: 这部分没比对上但保留在了SAM/BAM比对结果中。
②H: 这部分没比对上并且没有保留在SAM/BAM比对结果中。

第7列: 这条reads第二次比对的位置。=表示参考序列与reads一模一样,*表示没有完全一模一样的参考序列。

第8列: 该列表示与该reads对应的mate pair reads的比对位置(即mate),若无mate,则为0。

第9列: 序列模板长度,如果同一个片段都比对上了同一个参考序列,为最左边的碱基位置到最右边的碱基位置(左为正,右为负)。当mate 序列位于本序列上游时该值为负值。不可用时,为0。

第10列: read的序列。

第11列: ASCII码格式的序列质量。格式同FASTQ一样。其中1、10、11合起来就是fq格式文件。

第12列: 可选的区域。格式类似AS:i:-1 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:35T0 YT:Z:UU

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
XG:i gap 延伸的个数
NM:i 经过编辑的序列
YF:i 说明为什么这个序列被过滤的字符串
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 代表序列和参考序列错配的字符串

线性对齐:一条read比对到参考序列上,可以存在插入(insert)、缺失(delete)、跳跃(skip)、剪切(clip),但是方向不变(不能是一部分和正链匹配,另一部分又和负链匹配),sam文件中只占用一行记录。

嵌合比对:由于一条测序read比对到基因组上时分别比对到两个不同的区域,而这两个区域基本没有接触和重叠。因此它在sam文件中需要占用多行记录显示。只有第一个记录称作"representative",其他的都是"supplementary"。RNA-seq中的chimeric read或许可以说明有融合基因存在,但在基因组中一般作为结构变异的证据。attachments-2023-05-zxnlqqYB6462e3679bc8a.png


链接:https://www.jianshu.com/p/50be38f6cbb8
https://blog.csdn.net/qq_35696312/article/details/101760397

  • 发表于 2023-05-16 10:00
  • 阅读 ( 2621 )
  • 分类:基础知识

你可能感兴趣的文章

相关问题

0 条评论

请先 登录 后评论
星莓
星莓

生物信息工程师

57 篇文章

作家榜 »

  1. omicsgene 652 文章
  2. 安生水 321 文章
  3. Daitoue 167 文章
  4. 生物女学霸 120 文章
  5. 红橙子 78 文章
  6. CORNERSTONE 72 文章
  7. rzx 64 文章
  8. xun 61 文章