【bioinfo】sam文件可选区域字段(Optional Feild)含义

写在前面

1. SAM文件格式说明
2. SAM文件可选字段说明

上面两个链接是关于sam文件格式的官方说明文档，第一个包含所有字段，但对可选字段的说明比较简略，第二个是对可选字段的详细说明。这里根据官方文档，说明一下可选字段的具体含义。

下面是sam文件的示例，其中第12列及以之后（红色框）就是可选字段：

可选字段说明

可选字段的构成格式: TAG:TYPE:VALUE，例如，上面sam文件示例，可选字段SA:Z:ref,9,+,5S6M,30,1;中，SA对应TAG，Z对应TYPE，ref,9,+,5S6M,30,1对应VALUE。其中，TYPE字符对应5中类型A (character), B (general
array), f (real number), H (hexadecimal array), i (integer), or Z (string)。其对应的VALUE正则匹配如下：

TAG:TYPE对应值VALUE的说明：

以上参考?

NM: 跟参考序列比，错配/插入/缺失的碱基数。
- 对应模糊碱基，比如：N（一般指A/T/C/G其中1个）、R（一般A/G其中一个）等，仍在统计时视为错配；
- “=”碱基（目前没见过）视为匹配。CIGAR值为N/P/S/H时，不作为错配统计；
- 插入和缺失统计时，每一个碱基视为一次错配；
注意：该值的定义可能在不同的比对工具之间存在差异。
1
2
3
4
5

MD标签，Z: 字符串类型，正则匹配字符：`[0-9]+(([A-Z]|\^[A-Z]+)[0-9]+)*`
该字段目的在于，不看reference的情况下，进行SNP/indel的变异检测。
例如：`10A5^AC6`是指从比对到最左端ref的碱基，有10个匹配上，后面有一个A碱基在ref上与比对的序列不同，接着又5个碱基比对到ref, 后面有2bp的碱基AC发生了deletion，最后又6个碱基比对到ref。MD字段应该与CIGAR字符相匹配。

字符说明：
`数字`：完全相同匹配的碱基数；
`A/T/C/G`: (连续碱基)前面除了数字是匹配碱基数，没有其他字符，表示mismatch(read碱基与ref不同)；
`^`表示 后面的碱基是deletion;
注意：如果发生insertion, 在MD标签中没有对应的信息。（CIGAR值对应insertion的符号是"I"）
1
2
3
4
5
6
7
8
9

正则匹配问题? SAMtags

sam tag文档中对MD使用的正则匹配字符应该使用：
(在匹配出现，连续del时匹配用"+“, 连续错配时（或“|”符号前）没有用”+"匹配连续错配情形)
不过，一般连续的单碱基的错配比较少见，可能不考虑连续单个碱基的错配也可。

([0-9]+)(([A-Z]+|\^[A-Z]+)[0-9]+)*
1

MD的更多说明

SA: 另一个候选比对的位置。（有HardClip）
有hardclip时，对应的flag值：256
使用pysam判断的属性是`is_secondary`
1
2
3

BWA给出的对应Tag的解释：bwa.1 man
bwa Web
samtools Web

2021.5.12更新

CIGAR：值对应的字符，常用的pysam对应的数值：

pysam cigar

问题：
bwa比对默认是把所有可能的比对结果都输出？指定参数输出比对次数。

tag 查询:
https://www.samformat.info/sam-format-alignment-tags