摘要
总结：序列比对/映射（SAM）格式是一种通用比对格式，用于存储与参考序列的读取比对，支持不同测序平台产生的短读和长读（高达128 Mbp）。它风格灵活，尺寸紧凑，随机存取效率高，是1000基因组计划中的比对发布格式。SAMtools以SAM格式实现各种用于后处理对齐的实用程序，例如索引、变量调用程序和对齐查看器，从而提供处理读取对齐的通用工具。
可利用性： http://samtools.sourceforge.net
联系人： rd@sanger.ac.uk
1简介
随着Illumina/Solexa、AB/SOLiD和Roche/454（Mardis，2008)各种新的校准工具（Langmead等。,2009; 锂等。,2008)已被设计用于实现针对大型参考序列（包括人类基因组）的高效读取映射。然而，这些工具以不同的格式生成对齐，使下游处理复杂化。支持所有序列类型和比对器的通用比对格式在比对和下游分析（包括变体检测、基因分型和组装）之间创建了一个明确的界面。
序列比对/映射（SAM）格式旨在实现这一目标。它支持单端和双端读取以及组合不同类型的读取，包括从AB/SOLiD读取颜色空间。其设计可缩放到10个对齐集11或多个碱基对，这是一个人类个体深重测序的典型特征。
在本文中，我们将概述SAM格式，并简要介绍配套的SAMtools软件包。SAMtools网站上提供了详细的格式规范和完整的SAMtool文档。
2方法
2.1 SAM格式
2.1.1 SAM格式概述
SAM格式由一个标题部分和一个对齐部分组成。标题部分中的行以字符“@'，而对齐部分中的线则不是。所有行都以TAB分隔。示例如所示图1b。
图1。
扩展香烟和堆积输出的示例。(一)一对读数和三个单端读数的对齐。(b条)相应的SAM文件。“@SQ公司’行给出了引用序列的顺序。值得注意的是，r001号是读取对的名称。根据旗帜163（=1+2+32+128），映射到位置7的读取是对（128）中的第二个读取，并被视为正确配对（1+2）；它的配对被映射到反向链（32）上的37。阅读r002号有三个软卷边（未对齐）底座。SAM中显示的坐标是第一个对齐基准的位置。此对齐的CIGAR字符串包含P（P）（填充）正确对齐插入序列的操作。如果对齐器不支持多序列对齐，则可能缺少填充操作。阅读的最后六个基础第003期映射到位置9，前五个映射到反向链上的位置29。硬剪裁操作H（H）指示序列字段中不存在剪裁的序列。这个NM公司标签给出了不匹配的数量。阅读第004期跨插入子对齐，由N个操作。(c（c）)SAMtools简化的堆积输出。每行由参考名称、排序坐标、参考基数、覆盖位置的读取次数和读取基数组成。在第五个字段中，点或逗号表示与参考相同的基础；点或大写字母表示前向链上映射的read的基数，而反向链上的逗号或小写字母。
在SAM中，每条对齐线有11个必填字段和可变数量的可选字段。必填字段在中进行了简要描述表1。它们必须存在，但其值可以是“⋆'或零（取决于字段），如果相应信息不可用。可选字段以键值对的形式显示，格式为标签：类型：值。它们存储来自平台或对准器的额外信息。例如，“RG公司'标记保留每次读取的“读取组”信息。结合“@RG公司'标题行，此标记允许每个读取都使用有关其来源、排序中心和库的元数据进行标记。SAM格式规范详细描述了每个字段和预定义的标签第条。
2.1.2加长型卷烟
成对比对的标准CIGAR描述定义了三个操作：M（M）'对于匹配/不匹配，'我'用于与引用比较的插入，以及'D类'进行删除。SAM中提议的扩展雪茄烟又增加了四项业务：N个'对于基于引用的跳过的基，'S公司'用于软剪辑，'H（H）'用于硬剪切和'P（P）'用于填充。这些支持拼接、剪裁、多部分和填充对齐。图1显示了不同类型对齐的香烟字符串示例。
2.1.3二进制对齐/映射格式
为了提高性能，我们设计了一种伴生格式二进制对齐/映射（BAM），它是SAM的二进制表示，与SAM保持完全相同的信息。BAM由BGZF库压缩，BGZF是我们开发的一个通用库，用于在zlib兼容的压缩文件中实现快速随机访问。112 Gbp Illumina GA数据的示例对齐需要116 GB的磁盘空间（每个输入基1.0字节），包括序列、基质量和MAQ生成的所有元信息。大部分空间用于存储基本质量。
2.1.4排序和索引
SAM/BAM文件可以取消排序，但按坐标排序用于简化数据处理并避免将额外对齐加载到内存中。可以索引位置排序的BAM文件。我们结合了UCSC装箱方案（肯特等。,2002)以及简单的线性索引，以实现对重叠于特定染色体区域的比对的快速随机检索。在大多数情况下，只需要一个查找调用即可检索区域中的路线。
2.2 SAMtools软件包
SAMtools是一个库和软件包，用于解析和操作SAM/BAM格式的对齐。它能够从其他对齐格式转换、排序和合并对齐、删除PCR重复项、生成堆积格式的位置信息(图1c） ，调用SNP和短indel变体，并在基于文本的查看器中显示对齐。对于112 Gbp Illumina GA数据的示例对齐，SAMtools从MAQ格式转换大约需要10个小时，使用<30 MB内存进行索引需要40分钟。转换速度较慢，主要是因为使用zlib进行压缩比解压缩慢。外部排序写入临时BAM文件，速度通常是转换速度的两倍。
SAMtools有两个单独的实现，一个用C实现，另一个用Java实现，功能略有不同。
| 不。. | 姓名. | 描述. |
|---|
| 1 | QNAME（姓名） | 读取或读取对的查询名称 |
| 2 | 旗帜 | 位FLAG（配对、串、配对串等） |
| 三 | RNAME公司 | 参考序列名称 |
| 4 | 销售时点情报系统 | 基于1的剪裁对齐最左侧位置 |
| 5 | MAPQ公司 | 映射质量（Phred缩放） |
| 6 | 香烟 | 扩展的CIGAR字符串（操作：MIDNSHP公司) |
| 7 | MRNM公司 | Mate Reference NaMe（如果与RNAME公司) |
| 8 | 多用途操作系统 | 基于1的最左侧配合位置 |
| 9 | ISIZE语言 | 推断插入尺寸 |
| 10 | 序列 | 查询与参考相同链上的序列 |
| 11 | 质量 | 查询质量（ASCII-33=Phred基本质量） |
| 不。. | 姓名. | 描述. |
|---|
| 1 | QNAME（姓名） | 读取或读取对的查询名称 |
| 2 | 旗帜 | 位FLAG（配对、串、配对串等） |
| 三 | RNAME公司 | 参考序列名称 |
| 4 | 销售时点情报系统 | 基于1的剪裁对齐最左侧位置 |
| 5 | MAPQ公司 | MAPping质量（Phred-scaled） |
| 6 | 香烟 | 扩展的香烟串（操作：MIDNSHP公司) |
| 7 | MRNM公司 | Mate Reference NaMe（如果与RNAME公司) |
| 8 | 多用途操作系统 | 基于1的最左侧配合位置 |
| 9 | ISIZE公司 | 推断插入尺寸 |
| 10 | 序列 | 查询与参考相同链上的序列 |
| 11 | 质量 | 查询质量（ASCII-33=Phred基本质量） |
| 不。. | 姓名. | 描述. |
|---|
| 1 | QNAME（姓名） | 查询读取或读取对的NAME |
| 2 | 旗帜 | 位FLAG（配对、串、配对串等） |
| 三 | RNAME公司 | 参考序列名称 |
| 4 | 销售时点情报系统 | 基于1的剪裁对齐最左侧位置 |
| 5 | MAPQ公司 | MAPping质量（Phred-scaled） |
| 6 | 香烟 | 扩展的CIGAR字符串（操作：MIDNSHP公司) |
| 7 | MRNM公司 | Mate Reference NaMe（如果与RNAME公司) |
| 8 | 多用途操作系统 | 基于1的最左侧配合位置 |
| 9 | ISIZE公司 | 推断插入尺寸 |
| 10 | 序列 | 查询与参考相同链上的序列 |
| 11 | 质量 | 查询质量（ASCII-33=Phred基本质量） |
| 不。. | 姓名. | 描述. |
|---|
| 1 | QNAME（姓名） | 读取或读取对的查询名称 |
| 2 | 旗帜 | 位FLAG（配对、串、配对串等） |
| 三 | RNAME公司 | 参考序列名称 |
| 4 | 销售时点情报系统 | 基于1的剪裁对齐最左侧位置 |
| 5 | MAPQ公司 | MAPping质量（Phred-scaled） |
| 6 | 香烟 | 扩展的香烟串（操作：MIDNSHP公司) |
| 7 | MRNM公司 | Mate Reference NaMe（如果与RNAME公司) |
| 8 | 多用途操作系统 | 基于1的最左侧配合位置 |
| 9 | ISIZE公司 | 推断插入尺寸 |
| 10 | 序列号 | 查询与参考相同链上的序列 |
| 11 | 质量 | 查询质量（ASCII-33=Phred基本质量） |
3结论
我们设计并实现了一种通用的比对格式SAM，它易于使用，并且足够灵活，可以保存来自各种测序平台和读取比对器的大多数信息。等效的二进制表示BAM大小紧凑，支持快速检索指定区域中的对齐。使用位置排序和索引，应用程序可以对特定基因组区域执行基于流的处理，而无需将整个文件加载到内存中。SAM/BAM格式与SAM工具一起，将比对步骤与下游分析分离，从而实现基因组测序数据分析的通用和模块化方法。
致谢
我们感谢James Bonfield对索引的评论，感谢SAMtools用户在软件成熟时对其进行测试。
基金：威康信托/077192/Z/05/Z；NIH Hapmap/1000基因组项目拨款（U54HG002750至B.H.）。
利益冲突：未声明。
参考文献
等UCSC的人类基因组浏览器
, 基因组研究。
, 2002
，卷。 12
（第996
-1006
) 等短DNA序列与人类基因组的超快和高效记忆比对
, 基因组生物学。
, 2009
，卷。 10
第页。 25兰特
等使用映射质量分数映射短DNA测序读取和调用变体
, 基因组研究。
, 2008
，卷。 18
（第1851
-1858
) . 下一代DNA测序方法
, 每年。基因组学评论。
, 2008
，卷。 9
（第387
-402
)
作者注释
©2009作者
这是一篇根据知识共享署名非商业许可条款发布的开放存取文章(http://creativecommons.org/licenses/by-nc/2.0/uk/)它允许在任何媒体上无限制地非商业性使用、分发和复制原始作品，前提是正确引用了原始作品。
