SequenceAlignment/Map (SAM) 文件格式详解

"这是关于SAM（Sequence Alignment/Map）文件格式的详细介绍，主要应用于生物信息学领域。SAM格式是一种由TAB分隔的文本格式，包含可选的头信息部分和必需的对齐信息部分。头信息行以'@'开头，对齐信息行则不包含。每个对齐行有11个强制字段，用于提供基本的映射位置信息，以及可变数量的可选字段，用于灵活或特定于比对器的信息。文档版本为354b495，日期为2015年11月18日。给出的例子展示了如何表示不同类型的序列对齐，如读取对、嵌合读取和分割对齐。" 在生物信息学中，SAM文件格式是处理高通量测序数据时广泛使用的标准格式，主要用于存储DNA序列与参考基因组的比对结果。这种格式的灵活性使其成为多种比对工具（如BWA, Bowtie等）的输出格式。 1. SAM文件结构： SAM文件由两大部分组成：头信息（Header）和对齐记录（Alignment Records）。头信息部分提供了关于参考序列、比对参数等元信息，而对齐记录部分则包含了具体的序列比对信息。 2. 头信息： 头信息以'@'字符开头，通常包含参考序列的定义、比对程序的版本信息等。例如，`@SQ`行用于定义参考序列，`@RG`行用于定义读取组（Read Group），这在处理多个样本或实验条件的数据时尤其重要。 3. 对齐记录： 对齐记录不以'@'开头，包含11个必需字段，如下： - QNAME：读取名称。 - FLAG：位标志，编码了多种对齐属性，如正链/反链、是否多映射等。 - RNAME：参考序列名称。 - POS：对齐位置的碱基数，从1开始计数。 - MAPQ：映射质量分数。 - CIGAR：CIGAR字符串，描述了序列对齐的结构。 - RNEXT：下一个片段所在的参考序列名（用于配对读取）。 - PNEXT：下一个片段的对齐位置。 - TLEN：模板长度，即两个配对片段之间的距离。 - SEQ：序列，可能含有剪切的碱基。 - QUAL：质量分数，通常以ASCII码表示。 4. 可选字段： 在这11个必需字段之后，可以有任意数量的可选字段，以'%'字符后跟一个标签和值的形式出现，例如`XS:A:i3`表示额外的标记信息。 5. 示例解析： 示例中展示了不同类型的对齐情况： - `r001/1`和`r001/2`构成一对读取，它们都在同一位置比对到参考序列上。 - `r003`是嵌合读取，可能表示从两个不同来源的DNA片段组合而成。 - `r004`代表一个分割对齐，序列在参考序列上跨越了多个区域。 6. BAM格式： 虽然SAM是文本格式，为了节省存储空间，通常会将其压缩成BAM（Binary Alignment/Map）格式。BAM保留了所有SAM的信息，但以二进制形式存储，因此更高效。 SAM文件格式在生物信息学中扮演着关键角色，它是分析高通量测序数据的基础，允许研究人员存储、查看和进一步分析大量的序列比对信息。