Bam文件

2022-07-14

在处理NGS下机数据时，通常会涉及到比对结果的查看，这需要对比对后的文件比较熟悉，下流的分析模块也需要用到比对输出的结果文件。通常存储为Bam格式的文件，Bam格式是一种二进制存储文件，转化为文本格式后对应于Sam文件。Sam文件记录了reads比对后的结果信息。具体的格式可以查看官方文档，这里只1记录一下经常用到的一些信息，后期如有需要会继续补充。

Sam文件官方文档：http://http://samtools.github.io/hts-specs/SAMv1.pdf

Heng Li, Bob Handsaker, Alec Wysoker, Tim Fennell, Jue Ruan, Nils Homer, Gabor Marth, Goncalo Abecasis, Richard Durbin, 1000 Genome Project Data Processing Subgroup, The Sequence Alignment/Map format and SAMtools, Bioinformatics, Volume 25, Issue 16, 15 August 2009, Pages 2078–2079, https://doi.org/10.1093/bioinformatics/btp352

HEAD部分

Bam文件的head部分以"@"开头的行，包含有"@HD"、"@SQ"、"@RG"、"@PG" 等。

@HD行表示整个文件信息，VN表示格式版本，SO表示排序信息，支持queryname、coordinate、unknown、unsorted。

@SQ行记录了参考序列的信息，一般三列，分别是@SQ、RNAME、Sequence_length。

@RG记录了样本名，测序平台等信息，内容与bwa生成bam文件时的-R参数后更的内容一致。

序列部分

除了上述HEAD部分时序列部分，每行记录一条reads的比对情况。如下所示：

A00168:434:H3N5CDSXY:1:1101:2383:1078   83      chrM    232     60      93M     =       151     -174    ATAATAATAACAATTGAATGTCTGCACAGCCGCTTTCCACACAGACATCATAACAAAAAATTTCCACCAAACCCCCCCCTCCCCCCGCTTCTG   PPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPPP   NM:i:0  MD:Z:93 MC:Z:93M        AS:i:93 XS:i:0  RG:Z:lib0145    BD:Z:FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFEFFFFFFFFFFFFFFFFFFFFN      BI:Z:DDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDN      MI:Z:AGTTC-CATTA-77     RX:Z:AGTTC-CATTA	XR:Z:AGTTC-CATTA-0      XZ:Z:3,0
# 该条read比对到chrM:232,mate比对到chrM:151,并且是reverse。序列长度93bp，insert size为174

基础信息

每一条序列比对后都会包含以下几列信息。

Flag信息

Flag是一个十进制的数值，由多个12位2进制的数加和而来，其中每个数只有1位为1，其余均为0，每一位都表示了比对可能出现的情况，具体如下：

推荐一个在线的Flag解析工具：https://broadinstitute.github.io/picard/explain-flags.html

CIGAR标签

CIGAR表示reads序列与比对到的Ref序列的情况。

*hard clip只能出现在reads的开头或者末尾

*softclip只能出现在hardclip里边或者在read末尾

*M/I/S/=/X之和等于SEQ的长度

常见TAG信息

除了上边11列信息，在后边通常还会由其他的TAG记录了不同的数据信息，其格式为TAG:VALUE,下面列举了常见的TAG，更多的TAG可见官方的文档。

MI:Z: 分子标识符

RX:Z: UMI序列

NM:i: 序列和Ref之间的差异(mismatch+insertion+deletion)，一般认为是编辑距离。match只考虑A、T、C、G四种碱基。insertion和deletion每个碱基算一个mismatch。

官方TAG文档：SAMtags.pdf (samtools.github.io)

samtools

Samtools是一套用于与高通量测序数据交互的程序。这里只列举最基本的用法，其余的具体可看官方手册。

Samtools：http://www.htslib.org/

Samtools手册：samtools manual page

• samtools view
• samtools sort
• samtools index

samtools view -h ${bam}
samtools sort ${bam} -o sorted.bam
samtools index ${fasta}

samtools --help
Program: samtools (Tools for alignments in the SAM format)
Version: 1.5 (using htslib 1.5)

Usage:   samtools <command> [options]

Commands:
  -- Indexing
     dict           create a sequence dictionary file
     faidx          index/extract FASTA
     index          index alignment

  -- Editing
     calmd          recalculate MD/NM tags and '=' bases
     fixmate        fix mate information
     reheader       replace BAM header
     rmdup          remove PCR duplicates
     targetcut      cut fosmid regions (for fosmid pool only)
     addreplacerg   adds or replaces RG tags

  -- File operations
     collate        shuffle and group alignments by name
     cat            concatenate BAMs
     merge          merge sorted alignments
     mpileup        multi-way pileup
     sort           sort alignment file
     split          splits a file by read group
     quickcheck     quickly check if SAM/BAM/CRAM file appears intact
     fastq          converts a BAM to a FASTQ
     fasta          converts a BAM to a FASTA

  -- Statistics
     bedcov         read depth per BED region
     depth          compute the depth
     flagstat       simple stats
     idxstats       BAM index stats
     phase          phase heterozygotes
     stats          generate stats (former bamcheck)

  -- Viewing
     flags          explain BAM flags
     tview          text alignment viewer
     view           SAM<->BAM<->CRAM conversion
     depad          convert padded BAM to unpadded BAM

标签：文件,samtools,BAM,read,reads,序列,Bam,Ref
来源： https://www.cnblogs.com/Sunny-King/p/Bioinformatics-Bam.html