sam文件和bam 文件

sam格式

• read paired: 代表Pair-End(PE)测序,如果是0则表示代表Single-End测序
• read mapped in proper pair: 代表正常比对,如果是PE测序,还代表PE的两条read之间的比对距离没有明显偏离插入片段长度
• read unmapped: 该read没有比对到参考序列
• mate unmapped: PE测序的另一个配对read没有比对到参考序列,注意并不是指当前read比对
• read reverse strand: 反向互补后比对到参考序列，意思就是比对到负链
• mate reverse strand: PE测序的另一条配对read反向互补后比对到参考序列
• first in pair: PE测序read1
• second in pair: PE测序read2
• not primary alignment: 0×100二次比对(Secondary Olignment),意思就是该read在基因组上比对了多个位置,当前的比对位置是次佳比对位置,通常需要过滤掉,但在有些分析场景中是很有用的信息
• read fails platform/vendor quality checks: 低于（测序平台等）过滤阈值，即质量不合格
• read is PCR or optical duplicate: PCR重复序列(来自于测序文库构造过程)或者光学重复(来自测序过程),这些都可以都可以使用picard标记出来或者过滤掉,而且对于光学重复不需要通过比对也能发现
• supplementary alignment: 意思是说这条read可能存在嵌合,这个比对的部分来自其中的一部分序列(Supplementary alignment)

cigar

cigar、https://davetang.org/wiki/tiki-index.php?page=SAM、The Sequence Alignment/Map format and SAMtools

在实际的分析中，一般使用MIDNSHP七种，其中M表示MATCH，I表示INSERTION，D表示DELETION，N表示skipped bases on the reference，S表示SOFT CLIPING，H表示HARD CLIPING，P表示PADDING，以下是相关的示例信息及简要说明。

(a)最上面是参考基因组，下面给出了reads的比对信息，(b)bam文件中输出的reads比对结果。

• M、I和D三种类型很简单，都是相对于基因组而言的，对应匹配、插入和缺失；
• 对于P的理解可以看r001和r002两条reads的比对结果，r001插入了两个碱基AG，cigar信息为2I，r002插入了一个G碱基，对应cigar信息为1P1I，这里的P其实是r002相对于r001而言的补位信息，即r001中插入的A碱基在r002中是缺失的，进行补齐；
• N表示忽略基因组上的序列。

S和H两种类型

在Smith-Waterman比对时，短序列的两端可能会出现不能匹配的问题，此时比对结果就会指定为cliping。不同的clipping结果会根据实际的比对情况进行细分，其中S对应soft，h对应hard。
clipping比对结果：

REF:    AGCTAGCATCGTGTCGCCCGTCTAGCATACGCATGATCGACTGTCAGCTAGTCAGACTAGTCGATCGATGTG
READ:          gggGTGTAACC-GACTAGgggg

上述示例是某一条read的比对结果，其中大写字母表示匹配(非完全匹配，部分碱基是错配的)，-表示缺失，小写字母表示末端为匹配的序列，这部分就是clipping序列。若该read只比对到基因组的这个位置，cigar信息为3S8M1D6M4S，若该序列比对到基因组多个位置，比对的cigar信息为3H8M1D6M4H。S和H除了比对位置的区别以外，在输出数据中的序列也不同，标注为S的序列会显示在bam文件中，标注H的序列则会删除。比如3S8M1D6M4S在bam中输出序列为gggGTGTAACCGACTAGgggg，而3H8M1D6M4H输出的序列为GTGTAACCGACTAG