介绍

SAM（Sequence Alignment/Map）格式是用于存储和描述高通量测序比对结果的标准格式。SAM 文件是纯文本格式，而 BAM（Binary Alignment/Map）文件是其二进制形式，二进制文件占用的磁盘空间比文本文件小，同时运算速度快。

非常多的比对软件可以生成SAM格式，如 HISAT2、bwa、minimap2 等。samtools 专门用于处理 SAM 和 BAM 文件的工具集，包括排序、索引、格式转换等。

https://samtools.github.io/hts-specs/SAMv1.pdf

格式

SAM 由两部分组成，都以 tab 分隔：

  1. 头部（Header Section）区：以“@”开始，提供了一些比对的总体信息。比如比对的SAM格式版本、比对的参考序列、比对使用的命令行信息等。这一部分是可选的（optional）。
  2. 主体区/比对数据（Alignment Section）：比对结果，每一行存储一个比对结果，一共 11 个必须列，还可以添加多个可选列。

以下是一个例子，显示出实际比对效果以及在 SAM 文件中的样子，其中：

  • r001/1 和 r002/2: 组成了一个 read pair，分别对应双端测序的 R1 和 R2
  • r002
  • r003: 嵌合 read（chimeric read），可以看出 r003 同时比对到多个地方
  • r004: 剪切比对

格式介绍 | sam - 图1

格式介绍 | sam - 图2

头部区

@HD

头部行，描述文件格式版本和排序信息。可选，但如果存在的话，只能出现一次并且必须在第一行。

  • VN: SAM 格式文件的版本
  • SO: 比对的排序顺序。可以是：unknown (default)、unsorted、queryname 和 coordinate。
  • GO: 比对的分组，。可以是：none ()、query () 和 reference ()
  • SS:

@SQ

序列行，描述参考序列的 ID 和长度

  • SN:
  • LN:
  • AH:
  • AN: 备选的参考序列名称
  • AS: 基因组组装标识
  • DS: 描述
  • M5: MD5
  • SP: 物种
  • TP: 分子拓扑，可以是：linear (default) 和 circular。
  • UR:

@RG

read 组行，描述读组信息，数据编号信息，GATK软件运行时输入的SAM格式文件中必须含有该信息。

  • ID: read 的分组标识符。每一个 @RG 行必须有一个唯一 ID
  • BC: 标识样本或文库的 barcode 序列。
  • CN: 生成 read 的测序中心的名字
  • DS: 描述
  • DT: 生成日期
  • FO: 流动槽顺序
  • KS:
  • LB: 文库
  • PG: 生成 read 分组的程序
  • PI: 预测的 insert size 中值，约入临近的整数值
  • PL: 测序平台。可以是：CAPILLARY|DNBSEQ (MGI/BGI) |ELEMENT| HELICOS|ILLUMINA|IONTORRENT|LS454|ONT|PACBIO|SINGULAR|SOLID|ULTIMA
  • PM: 测序平台 model
  • PU: 测序平台 unit
  • SM: 样本

@PG

程序行，描述生成文件所用的程序信息（所用比对软件，版本，命令行信息）。

  • ID: 程序记录标识符。每一个 @PG 行必须有一个唯一 ID
  • PN: 程序名
  • CL: 命令行
  • PP:
  • DS: 描述
  • VN: 程序版本

@CO

注释行，任意的注释信息。

  1. @HD    VN:1.0    SO:unsorted # VN是版本格式；SO表示比对排序类型，有unkown(default)，unsorted，queryname和coordinate几种。
  2. @SQ    SN:chr01    LN:9401 # 参考基因组序列条数有多少，就会有多少相应的@SQ行数。
  3. @RG    ID:sample01    SM:sample1    PL:Illumina # 若对数据进行编号，则将其信息记录在@RG中
  4. @PG    ID:bowtie2    PN:bowtie2    VN:2.0.0-beta7    CL:bowtie2 ... # 所用比对软件，版本，命令行信息。

主体区（必须）

格式介绍 | sam - 图3

第 1 列：QNAME

查询序列的名称。

第 2 列：FLAG

按位计算值，值变成二进制后，不同位表示相应的比对信息。

https://broadinstitute.github.io/picard/explain-flags.html

格式介绍 | sam - 图4

  • 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
  • 4: 该 read 没有比对到参考序列上
  • 8: 与该 read 成对的另一端的 read 没有比对到参考序列上
  • 16: 该 read 和参考序列相比，是反向互补的
  • 32: 与该 read 成对的另一端的 read 是反向互补的
  • 64: 在 Paired reads 中，该 read 是第 1 条
  • 128: 在 Paired reads 中，该 read 是第 2 条
  • 256: 非最优的比对结果
  • 512: 没有通过质量控制
  • 1024: PCR 重复或光学重复
  • 2048:

第 3 列：RNAME

参考序列的名称。如果存在头部区的 @SQ 行，RNAME 会是 SQ-SN tag 中的一个。

第 4 列：POS

比对起始位置（1-based）。

第 5 列：MAPQ

比对质量得分。

第 6 列：CIGAR

描述比对结果信息：匹配碱基数，可变剪接等。

格式介绍 | sam - 图5

第 7 列：RNEXT

匹配的另外一条序列，比对上的参考序列名。

第 8 列：PNEXT

比对终止位置（1-based）。

第 9 列：TLEN

插入片段长度。

第 10 列：SEQ

和参考序列在同一个链上的比对序列（若比对结果在负义链上，则序列是反向重复序列）。

第 11 列：QUAL

比对序列的碱基质量（ASCII-33=Phred base quality）。

主体区（可选）

可选的列均以 TAG:TYPE:VALUE 的形式提供信息。其中，

  • TAG 是一个两个字母的字符串。在每一个比对行中，TAG 出现不能超过两次，其出现的顺序也并不重要。
  • TYPE 是一个区分大小写的字母，定义了 VALUE 的格式。

格式介绍 | sam - 图6

参考

  1. https://samtools.github.io/hts-specs/SAMv1.pdf
  2. https://jef.works/blog/2017/03/28/CIGAR-strings-for-dummies/
  3. 生信技能树 | 【直播】我的基因组（十三）:了解sam格式比对结果
  4. https://en.wikipedia.org/wiki/SAM_(file_format))
  5. 简书 | 生信阿拉丁 | Sam/Bam文件格式详解
  6. https://zhuanlan.zhihu.com/p/35574870
  7. NGS数据格式02-SAM/BAM最详细解读 - pythonic生物人的文章 - 知乎 https://zhuanlan.zhihu.com/p/158719525
  8. https://mp.weixin.qq.com/s/q6hiMWGscwaAVcNd9IFCpQ