簡介
檔案字尾名:.sam


bwa、Bowtie2是現下最流行的短序列比對軟體，SAM(Sequence Alignment/Map)格式是一種通用的比對格式，用來儲存reads到參考序列的比對資訊。
SAM是一種序列比對格式標準，由sanger制定，是以TAB為分割符的文字格式。主要應用於測序序列mapping到基因組上的結果表示，當然也可以表示任意的多重比對結果。
不同的軟體，不同的時期，不同的研究方向，都會建立一種或者多種格式標準，當然根據當時的需要，建立符合需求的標準，也是最容易的事情，而反過來想要真正的理解標準，也必須理解為什麼要建立這樣的標準，解決什麼樣的需要。我前面的有篇文章已經對於現有的多重比對的格式進行總結，但其更多的站在比較基因組學的角度。當我們去了解sam標準格式是什麼的時候，就要思考既然以及有了這麼多得標準，為什麼還要定義SAM標準，當然拿所有的格式進行比較也並非易事，但是簡單的對比，就可以瞭解其中一二，比如aln格式，是比對檢視化的展示，儲存的資訊不夠結構化，無法方便的作為另外程式的輸入；表示資訊的有限性，如果100個多重比對序列放到一個檔案中，檢視維護就會非常困難；還有些格式標準挺強大，但是太繁瑣，同時不夠靈活。那麼反過來就是SAM格式的優點，那麼SAM如何做到這一點的呢？


SAM要處理好的問題：


1. 非常多序列（read)，mapping到多個參考基因組（reference）上；
2. 同一條序列，分多段（segment）比對到參考基因組上；
3. 無限量的，結構化資訊表示，包括錯配、刪除、插入等比對資訊；
行、列、註釋說明
SAM分為兩部分，註釋資訊（header section）和比對結果部分（alignment section）。
行：除註釋外，每一行是一個read
註釋資訊可有可無，都是以@開頭，用不同的tag表示不同的資訊，主要有：

[email protected]，說明符合標準的版本、對比序列的排列順序；
[email protected]，參考序列說明；
[email protected]，比對上的序列（read）說明；
[email protected]，使用的程式說明；
[email protected]，任意的說明資訊。
比對結果部分（alignment section），每一行表示一個片段（segment）的比對資訊，包括11個必須的欄位（mandatory fields）和一個可選的欄位，欄位之間用tag分割。必須的欄位有11個，順序固定，不可用時，根據欄位定義，可以為’0’或者’*’，這是11個欄位包括：


1. QNAME    比對片段的（template）的編號；read name，read的名字通常包括測序平臺等資訊
# eg.ILLUMINA-379DBF:1:1:3445:946#0/1
2. FLAG     位標識，template mapping情況的數字表示，每一個數字代表一種比對情況，這裡的值是符合情況的數字相加總和；flag取值見備註(3)
# eg.16
3. RNAME    參考序列的編號，如果註釋中對SQ-SN進行了定義，這裡必須和其保持一致，另外對於沒有mapping上的序列，這裡是'*'；
# eg.chr1
4. POS      比對上的位置，注意是從1開始計數，沒有比對上，此處為0;
# eg.36576599
5. MAPQ     mappint的質量,，比對的質量分數，越高說明該read比對到參考基因組上的位置越唯一;
# eg.42
6. CIGAR    簡要比對資訊表示式（Compact Idiosyncratic Gapped Alignment Report），其以參考序列為基礎，使用數字加字母表示比對結果，match/mismatch、insertion、deletion 對應字母 M、I、D。比如3S6M1P1I4M，前三個鹼基被剪下去除了，然後6個比對上了，然後打開了一個缺口，有一個鹼基插入，最後是4個比對上了，是按照順序的；
# eg.36M 表示36個鹼基在比對時完全匹配


###注：第七列到第九列是mate(備註1)的資訊，若是單末端測序這幾列均無意義###


7. RNEXT    下一個片段（即mate）比對上的參考序列的編號，沒有另外的片段，這裡是'*'，同一個片段，用'='；
# eg.*
8. PNEXT    下一個片段（即mate）比對到參考序列上的第一個鹼基位置，若無mate,則為0；
# eg.0
9. TLEN     Template的長度，最左邊得為正，最右邊的為負，中間的不用定義正負，不分割槽段（single-segment)的比對上，或者不可用時，此處為0(ISIZE，Inferred fragment size.詳見Illumina中paired end sequencing 和 mate pair sequencing，是負數，推測應該是兩條read之間的間隔(待查證)，若無mate則為0);
# eg.0
10. SEQ     序列片段的序列資訊，如果不儲存此類資訊，此處為'*'，注意CIGAR中M/I/S/=/X對應數字的和要等於序列長度；
# eg.CGTTTCTGTGGGTGATGGGCCTGAGGGGCGTTCTCN
11. QUAL    序列的質量資訊,read質量的ASCII編碼。，格式同FASTQ一樣。
# eg.PY[[YY_______________QQQQbILKIGEFGKB
12.第十二列之後：Optional fields，以tab建分割。詳見備註(2)
# eg.AS:i:-1 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:35T0 YT:Z:UU
可選欄位（optional fields)，格式如：TAG:TYPE:VALUE，其中TAG有兩個大寫字母組成，每個TAG代表一類資訊，每一行一個TAG只能出現一次，TYPE表示TAG對應值的型別，可以是字串、整數、位元組、陣列等。


要注意的幾個概念，以及與之對應的模型：


·   reference
·   read
·   segment
·   template（參考序列和比對上的序列共同組成的序列為template）
·   alignment

·   seq

擴充套件
備註
(1)mate，在Illuminated中有兩種測序技術：paired end sequencing，mate pair sequencing。這兩種測序都是測的一個片段的兩端，這兩端產生的reads被稱為mate1，mate2，單末端測序則無mate。


(2)Optional fields：


AS:i:<N>
    Alignment score.可以為負的，在local下可以為正的。 只有當Align≥1 time才出現
XS:i:<N>
    Alignment score for second-best alignment.  當Align>1 time出現
YS:i:<N>
    Alignment score for opposite mate in the paired-end alignment.   當該read是雙末端測序中的一條時出現
XN:i:<N>
    The number of ambiguous bases in the reference covering this alignment.（推測是指不知道錯配發生在哪個位置，推測是針對於插入和缺失，待查證）
XM:i:<N>
    錯配鹼基的數目
XO:i:<N>
    The number of gap opens(針對於比對中的插入和缺失)
XG:i:<N>
    The number of gap extensions(針對於比對中的插入和缺失)
NM:i:<N>
    The edit distance(read string轉換成reference string需要的最少核苷酸的edits:插入/缺失/替換)
YF:Z:<S>
    該reads被過濾掉的原因。可能為LN(錯配數太多，待查證)、NS(read中包含N或者．)、SC(match bonus低於設定的閾值)、QC(failing quality control，待證)
YT:Z:<S>
    值為UU表示不是pair中一部分(單末端？)、CP(是pair且可以完美匹配)
    DP(是pair但不能很好的匹配)、UP(是pair但是無法比對到參考序列上)
MD:Z:<S>
    比對上的錯配鹼基的字串表示
(3)flag取值


0：比對到參考序列的正鏈上（待求證)
1：是paired-end或mate pair中的一條
2：雙末端比對的一條
4：沒有比對到參考序列上
8：是paired-end或mate pair中的一條，且無法比對到參考序列上
16：比對到參考序列的負鏈上
32：雙末端reads的另一條（mate）比對到參考序列的負鏈上
64：這條read是mate 1
128：這條read是mate 2
參考：
SAM的定義：
SAM1.pdf
samtools:
samtools
發表的文獻：
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2723002/
CIGAR的概念
http://asia.ensembl.org/common/Help/Glossary?db=core
一篇部落格對於sam的解釋
博耘生物
SAM格式-Bowtie2
http://davetang.org/wiki/tiki-index.php?page=SAM
perl模組
http://search.cpan.org/~lds/Bio-SamTools/lib/Bio/DB/Sam.pm