Skip to content

基因體學 › 檔案格式 › SAM / BAM / CRAM

SAM / BAM / CRAM ​

儲存 reads 比對到參考基因組的結果。SAM 是純文字;BAM 是 BGZF 壓縮的二進位版本(可建索引隨機存取);CRAM 以參考序列為基礎壓縮,檔案再小約 40–60%,但讀取時需要同一份參考 FASTA。

結構 ​

text
@HD  VN:1.6  SO:coordinate
@SQ  SN:chr1  LN:248956422
@RG  ID:HXXXXXXX.1  SM:sample1  PL:ILLUMINA  LB:lib1
@PG  ID:bwa  PN:bwa  VN:0.7.17  CL:bwa mem -R ... GRCh38.fa R1.fq.gz R2.fq.gz
A00123:45:HXXXXXXX:1:1101:10000:1000  99  chr1  10050  60  101M  =  10250  301  AGCTTAGC...  FFFFFFFF...  NM:i:1  MD:Z:50A50  RG:Z:HXXXXXXX.1
Header內容
@HD格式版本、排序方式(SO:coordinate / queryname / unsorted)
@SQ參考序列名稱與長度:可用來確認 hg19 / hg38 與 chr 命名
@RGread group:SM(樣本)、LB(library)、PL(平台)、ID;GATK 必需
@PG處理過的程式與指令,追溯流程

比對紀錄的 11 個必要欄位 ​

#欄位意義例
1QNAMEread 名稱A00123:...:1000
2FLAG位元旗標(見下)99
3RNAME參考序列名稱chr1
4POS最左端比對位置(1-based)10050
5MAPQ比對品質(見 比對品質)60
6CIGAR比對型態(見下)101M
7RNEXTmate 的參考序列(= 同一條、* 無)=
8PNEXTmate 的位置10250
9TLEN片段長度 (template length);正負代表左右301
10SEQread 序列(依參考序列正股方向)
11QUAL品質字串
12+選填標籤NM(編輯距離)、MD(錯配位置)、RG、AS(比對分數)、XS(次佳分數)

FLAG:位元加總 ​

位元十進位意義
0x11成對定序
0x22正確配對 (proper pair)
0x44本身未比對
0x88mate 未比對
0x1016反向股
0x2032mate 在反向股
0x40 / 0x8064 / 128R1 / R2
0x100256次要比對 (secondary)
0x200512未通過 QC
0x4001024PCR / 光學重複
0x8002048補充比對 (supplementary)

例:99 = 64 + 32 + 2 + 1 → R1、mate 在反向股、正確配對、成對;147 = 128 + 16 + 2 + 1 → 它的 R2。可用 Explain SAM Flags 查詢。常用過濾:samtools view -F 0x904(排除未比對、次要、補充比對)。

CIGAR ​

CIGAR 描述比對的結構:由左到右,哪裡比對上、哪裡插入 / 缺失、哪裡被 clip。

操作意義消耗 read消耗參考
M比對(相同或錯配都算)✓✓
= / X相同 / 錯配(較少使用)✓✓
I插入(read 多出的鹼基)✓
D缺失(read 少了的鹼基)✓
N跳過參考(RNA-seq 的 intron)✓
Ssoft clip(序列保留但沒比對)✓
Hhard clip(序列已移除)
Ppadding(很少用)

例:76M2I22M1D1M = 76 個比對、2 個插入、22 個比對、1 個缺失、1 個比對;read 長 76 + 2 + 22 + 1 = 101,跨越參考 76 + 22 + 1 + 1 = 100 bp。RNA-seq 的 50M2000N51M 代表跨越 2,000 bp 的 intron。大量 soft clip 常是 adapter 殘留或結構變異斷點。

預設的 M 不區分相同與錯配,所以光看 CIGAR 看不出 SNV。

CIGAR 示意

圖片來源:FutureLearn

MD 與 NM:錯配與編輯距離 ​

標籤格式內容
MDMD:Z:...比對區內哪些位置與參考不同,以及參考在那裡是什麼鹼基;不需參考 FASTA 就能重建參考序列
NMNM:i:n編輯距離 (edit distance) = 錯配數 + 插入鹼基數 + 缺失鹼基數
MD 元素意義
數字連續相同的鹼基數
單一字母錯配,字母是參考鹼基(read 變成什麼要回頭看 SEQ)
^ + 字母缺失,後面接被刪掉的參考鹼基
0兩個相鄰錯配 / 缺失之間的分隔(如 2G0G0^AT4)

MD 沿參考序列走,所以 soft clip 與插入不會出現在 MD,插入前後的相同數會合併成一個數字;判讀時要搭配 CIGAR。

完整範例 ​

text
參考(chr1:1001 起,24 bp):ACGTACGTACGGATTCAGCTAAGC
Read(27 bp)             :TTAACGTACGTGCGGTTATTCCTAAGC

去掉開頭 3 bp soft clip 後:
Ref : ACGTACGTACGG--ATTCAGCTAAGC
Read: ACGTACGTGCGGTTATTC--CTAAGC
              ^     ^^    ^^
            錯配   插入  缺失

read1  0  chr1  1001  60  3S12M2I4M2D6M  *  0  0  TTAACGTACGTGCGGTTATTCCTAAGC  IIII...  NM:i:5  MD:Z:8A7^AG6
片段CIGARMD說明
TTA3S—soft clip,MD 不記錄
參考 1–1212M8 A 3…第 9 位錯配:參考 A、read G;CIGAR 仍寫 M
TT2I—插入,MD 看不到
參考 13–164M…4與前面錯配後的 3 個相同合併成 7
參考 17–182D^AG參考的 AG 在 read 缺失
參考 19–246M6

驗算:read 長 3 + 12 + 2 + 4 + 6 = 27;參考長 12 + 4 + 2 + 6 = 24 = MD 8 + 1 + 7 + 2 + 6;NM = 1 錯配 + 2 插入 + 2 缺失 = 5。

只有 CIGAR 能看出什麼 ​

變異只有 CIGAR + SEQ加上 MD 或參考 FASTA
插入I,位置與序列都在 SEQ—
缺失D,知道位置與長度,不知道被刪的鹼基^ 後的參考鹼基
SNV藏在 M 裡,完全看不出參考鹼基 (ref);SEQ 是 read 鹼基 (alt)
delins沒有專屬符號,拆成 M / I / D 組合可還原

例:參考 ACGGATTCAG、read ACCCTCAG(GGAT → CC),比對器可能給 4M2D4M,看不出前 4 個 M 中第 3、4 位是錯配;MD 為 MD:Z:2G0G0^AT4。

分工:SEQ = 變成什麼 (alt)、參考或 MD = 原本是什麼 (ref)、CIGAR = 位置對應、QUAL = 這個鹼基可不可信。MD / NM 只是方便快速判讀,沒有它們仍可用 SEQ + CIGAR + 參考完整重算。同一個 delins 可能有多種 CIGAR 寫法,BAM 裡的是比對器的解讀,所以變異呼叫常需要 realignment 與左對齊(見 VCF:同一個變異的不同寫法)。

各比對器是否輸出 MD ​

比對器預設要加的參數
BWA-MEM / aln輸出 NM、MD—
Bowtie2輸出 NM、MD—
minimap2輸出 NM,不輸出 MD--MD;另有 --eqx(CIGAR 用 = / X)、--cs(cs tag,合併 CIGAR 與 MD 並含 read 鹼基)
STAR只有 NH HI AS nM--outSAMattributes NH HI AS nM NM MD
HISAT2通常有 NM、MD以實際檔案為準

預設值可能隨版本變動;看 header 的 @PG 可知 BAM 用哪個工具與參數產生。CRAM 以「相對參考的差異」存序列,通常不存 MD / NM,解碼時再由參考重建。

bash
samtools view aln.bam | head -n 3              # 第 12 欄之後是 tag
samtools view aln.bam | grep -c "MD:Z:"        # 有 MD 的 read 數
samtools view -d MD aln.bam | head             # 只輸出帶 MD 的 read
samtools calmd -b aln.bam ref.fa > aln.md.bam  # 補上 MD / NM(需同一份參考)

常見用途:依 NM 過濾差異過大的 read、統計錯配 / indel 率以比較定序平台(見 定序平台:短讀化學)、不載入參考就快速判讀 pileup。IGV 不需要 MD,直接用參考比對顯示,見 IGV。

工具 ​

工具用途
samtools檢視、排序、索引、過濾、統計
Picard標記重複、收集指標
bedtools與 BED 區間交集、計算覆蓋度
IGV目視檢查
pysam(Python)、Rsamtools / GenomicAlignments(R)程式化讀取

中文說明:SAM、BAM 與 CRAM(weitinglin)、BAM 格式(yourgene)。