外觀
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 |
@RG | read 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 |
|---|---|---|---|
| 1 | QNAME | read 名稱 | A00123:...:1000 |
| 2 | FLAG | 位元旗標(見下) | 99 |
| 3 | RNAME | 參考序列名稱 | chr1 |
| 4 | POS | 最左端比對位置(1-based) | 10050 |
| 5 | MAPQ | 比對品質(見 比對品質) | 60 |
| 6 | CIGAR | 比對型態(見下) | 101M |
| 7 | RNEXT | mate 的參考序列(= 同一條、* 無) | = |
| 8 | PNEXT | mate 的位置 | 10250 |
| 9 | TLEN | 片段長度 (template length);正負代表左右 | 301 |
| 10 | SEQ | read 序列(依參考序列正股方向) | |
| 11 | QUAL | 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 |
|---|---|---|
| 0x1 | 1 | 成對定序 |
| 0x2 | 2 | 正確配對 (proper pair) |
| 0x4 | 4 | 本身未比對 |
| 0x8 | 8 | mate 未比對 |
| 0x10 | 16 | 反向股 |
| 0x20 | 32 | mate 在反向股 |
| 0x40 / 0x80 | 64 / 128 | R1 / R2 |
| 0x100 | 256 | 次要比對 (secondary) |
| 0x200 | 512 | 未通過 QC |
| 0x400 | 1024 | PCR / 光學重複 |
| 0x800 | 2048 | 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) | ✓ | |
S | soft clip(序列保留但沒比對) | ✓ | |
H | hard clip(序列已移除) | ||
P | padding(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。

圖片來源:FutureLearn
MD 與 NM:錯配與編輯距離
| 標籤 | 格式 | 內容 |
|---|---|---|
MD | MD: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 |
NM | NM: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 | CIGAR | MD | 說明 |
|---|---|---|---|
TTA | 3S | — | soft clip,MD 不記錄 |
| 參考 1–12 | 12M | 8 A 3… | 第 9 位錯配:參考 A、read G;CIGAR 仍寫 M |
TT | 2I | — | 插入,MD 看不到 |
| 參考 13–16 | 4M | …4 | 與前面錯配後的 3 個相同合併成 7 |
| 參考 17–18 | 2D | ^AG | 參考的 AG 在 read 缺失 |
| 參考 19–24 | 6M | 6 |
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 |