はじめに

SAM/BAM ファイル形式についてごく簡単にまとめます。

SAM/BAM形式とは

bwa, STAR, hisat2 などのalignerで、FASTQファイルをリファレンスゲノムにマッピングした際に生成されるファイルです。Sam(Sequence Alignment/Map)はテキスト形式で、Bam(Binary Alignment/Map)はバイナリ形式です。

公式の仕様書

SAM/BAMは BWA や Samtools の開発者の Heng Li さんが策定したファイル形式です。

元論文 The Sequence Alignment/Map format and SAMtools
Heng Li's blog SAM/BAM/samtools is 10 years old

公式によるサンプル

アラインメントが以下のようだった場合

Coor     12345678901234  5678901234567890123456789012345
ref      AGCATGTTAGATAA**GATAGCTGTGCTAGTAGGCAGTCAGCGCCAT
+r001/1        TTAGATAAAGGATA*CTG
+r002         aaaAGATAA*GGATA
+r003       gcctaAGCTAA
+r004                     ATAGCT..............TCAGC
-r003                            ttagctTAGGC
-r001/2                                        CAGCGGCAT

対応するSamファイルは以下のようになる

@HD VN:1.6 SO:coordinate
@SQ SN:ref LN:45
r001   99 ref  7 30 8M2I4M1D3M = 37  39 TTAGATAAAGGATACTG *
r002    0 ref  9 30 3S6M1P1I4M *  0   0 AAAAGATAAGGATA    *
r003    0 ref  9 30 5S6M       *  0   0 GCCTAAGCTAA       * SA:Z:ref,29,-,6H5M,17,0;
r004    0 ref 16 30 6M14N5M    *  0   0 ATAGCTTCAGC       *
r003 2064 ref 29 17 6H5M       *  0   0 TAGGC             * SA:Z:ref,9,+,5S6M,30,1;
r001  147 ref 37 30 9M         =  7 -39 CAGCGGCAT         * NM:i:

SAM/BAM形式

SAMはテキスト形式、BAMはバイナリ形式である。

各カラムの意味

1〜11は必須カラムで、項目がない場合は * または 0 を記入する。

カラム番号	カラム名	タイプ	意味
1	QNAME	String	リードの名前
2	FLAG	Int	アライメントの結果（後述）
3	RNAME	String	リファレンスゲノムの名前　染色体番号など
4	POS	Int	リードがマップされた開始位置
5	MAPQ	Int	マッピングクオリティスコア
6	CIGAR	String	マッピング状況（後述）
7	RNEXT	String	ペアエンドの場合、相手方のリード名
8	PNEXT	Int	ペアエンドの場合、相手方のマップされた開始位置
9	TLEN	Int	ペアエンドの場合、インサートの長さ
10	SEQ	String	塩基配列データ
11	QUAL	String	Sequence Quality
12			マッピングソフトによる追加情報

参考：Dr. Bonoの生命科学データ解析

ヘッダー部分

「@」で始まるタグのあとに、アラインメントに関する情報が記載されている。


@HD		ヘッダー
	VN	SAMフォーマットのバージョン
	SO	アライメントのソート順。unknown, unsorted, queryname または coordinate のいずれか記載される
	GO	グループ。none, query(QNAMEによって), reference(RNAME/POSによって)
	SS	Sub-sorting order
@SQ		リファレンス
	SN	リファレンス配列の名前
	LN	リファレンス配列の長さ
	AH	Indicates that this sequence is an alternate locus.
	AN	Alternative reference sequence names.
	AS	ゲノムアセンブリーID
	DS	説明(Description)
	M5	MD5 checksum
	SP	生物種
	TP	分子トポロジー linear circular
	UR	配列のURI http ftp
@RG		リードグループ
	ID	リードグループID
	BC	バーコード配列
	CN	sequencing center
	DS	説明(Description)
	DT	日付
	FO	Flow order
	KS
	LB	Library
	PG	使用したプログラム
	PI	Predicted median insert size
	PL	プラットフォーム CAPILLARY LS454 ILLUMINA SOLID HELICOS IONTORRENT ONT PACBIO
	PM	プラットフォーム（自由記述）
	PU	Platform unit
	SM	サンプル
@PG		プログラム
	PN	プログラムの名前
	CL	使用したコマンド
	DS	説明(Description)
	VN	プログラムのバージョン

参照元　https://bi.biopapyrus.jp/format/sam.html

Flag

ビットフィールド

Integer	Binary	Description
1	000000000001	ペアリードがある
2	000000000010	両方マップされている
4	000000000100	read1 はマップされていない
8	000000001000	read2（相方）はマップされていない
16	000000010000	read1 は逆相補鎖にマップされている
32	000000100000	read2（相方）は逆相補鎖にマップされてる
64	000001000000	read1 である
128	000010000000	read2 である
256	000100000000	複数個所にマップされている
512	001000000000	マッピングＱＶが低い
1024	010000000000	PCR or optical duplicate
2048	100000000000	supplementary alignment (e.g. aligner specific, could be a portion of a split read or a tied region)

参照元　http://crusade1096.web.fc2.com/sam.html （一部改変）

フラグの意味が知りたい場合下記の samtools のコマンドが使用できる。

samtools flags 2064
# 0x810	2064	REVERSE,SUPPLEMENTARY

CIGAR

CIGARはinsertion, deletion, softclipなどの位置を表す。


M	参照配列に張り付いたリード。ただし、個々の塩基が参照配列と同じかどうかは感知しない。
I	挿入。
D	欠失。
N	間が飛んでいる。mRNAではイントロンがメイン。
S	ソフトクリップ。張り付いていない端っこのリード。何が張り付いていないのかは明記されている。
H	ハードクリップ。張り付いていない端っこのリード。何が張り付いていないのかは不明。
P	padding。張り付いたリードの側で何かの欠失が起こっている。de novoがメイン？
=	参照配列に張り付いたリードのうち、参照配列と同じ塩基。
X	参照配列に張り付いたリードのうち、参照配列とは違う塩基。

引用参照元 SAM Formatのcigar列の読み方(samtoolsとか)

基本操作

引用元 SAMtoolsワンライナー覚書 - Palmsonntagmorgen

samtools は -@ 4 などと書くとマルチコアで動いてくれることが多い。

SAM → BAM

samtools view -bS file.sam > file.bam

BAM → SAM

samtools view sample.bam > sample.sam

BAMファイルをソート

samtools sort sample.bam > sample.sort.bam

BAM indexを作成

samtools index sample.sort.bam

SAM/BAM 関連ツール

日本語情報では上坂さんのサイトの情報が圧倒的

sam/bam関係のツールまとめ - macでインフォマティクス

この記事は以上です。
（この記事は17日のアドベントカレンダーのための下準備です）