008-处理SAM、BAM你需要Samtools
关于SAM
Sam: I Want You!
sam是短序列比对默认的标准格式,由sanger制定,是以TAB为分割符的文本格式。主要应用于测序序列mapping到基因组上的结果表示,另外也可以表示其他的多重比对结果。一般把测序reads比对到参考基因组以后,通常得到的就是sam文件,全称是sequence alignment/map format,BAM就是SAM的二进制文件(B即:Binary) 官方参考文档http://samtools.github.io/hts-specs/SAMv1.pdf
需要知道的名词
**template:**DNA/RNA序列的一部分,用它进行测序或者由原始数据拼接得到它,作为研究的模版; 【参考序列和比对上的序列共同组成的序列为template】
read: 测序仪下机得到的原始数据,这些数据依照测序时间的先后被打上不同标签;双端测序存在read1,read2
**segment:**比对到read的时候的一段连续序列或者被分开几条子序列。一条read可以包含多条segment;
linear alignment: 一条read比对到参考序列上,可以存在插入(insert)、缺失(delete)、跳跃(skip)、剪切(clip),但是方向不变(不能是一部分和正链匹配,另一部分又和负链匹配),sam文件中只占用一行记录;
chimeric alignment: “嵌合比对” 的形成是由于一条测序read比对到基因组上时分别比对到两个不同的区域,而这两个区域基本没有overlap。因此它在sam文件中需要占用多行记录显示。只有第一个记录被称作"representative”,其他的都是"supplementary”【Chimeric reads are also called split reads】
嵌合 reads 与嵌合/融合基因(重组由来源与功能不同的基因序列剪接而形成的杂合基因)并不完全一样,RNA-seq中的chimeric read或许可以说明有融合基因存在,但在基因组中一般作为结构变异的证据
【下面👇的图1是原始数据(其中Coor是坐标的简写;ref是参考序列);图2是使用bwa、bowtie2、hisat2等软件比对的结果sam文件】 【其中r001/1与r001/2是paired end read; r003是嵌合read,有两个记录】
read alignment: 不管黑猫(linear alignment)、白猫(chimeric alignment),抓住老鼠(能够完整表示一个read)就是好猫(read alignment)
multiple mapping: 假如有一个短序列,他在比对的时候看到哪哪都有他的影子,这种就是受重复区域影响比较大,所以read越长出现这种的可能性越低。一般指定首先匹配上的为最优匹配结果primary。
坐标系统 :
- 1-based coordinate system :序列的第一个碱基设为数字1,如SAM,VCF,GFF,wiggle格式
- 0-based coordinate system :序列的第一个碱基设为数字0,如BAM, BCFv2, BED, PSL格式
SAM要处理好的问题:
- 非常多的序列(read),mapping到多个参考基因组(reference)上;
- 同一条序列,分多段(segment)比对到参考基因组上;
- 各种结构化信息表示,包括错配、删除、插入等比对信息;
具体的Sam格式:
花花之前有介绍,并且在Linux考试题中也有所提及
sam格式的头文件可有可无,主要有@HD,说明符合标准的版本、对比序列的排列顺序;@SQ,参考序列说明;@RG,比对上的序列(read)说明;@PG,使用的程序说明;@CO,任意的说明信息
关于Samtools
一般测序文件都比较大,生成的单个sam文件从几百M到十几G不等,为了学习samtools的使用首先要有sam文件
##准备原始数据
ascp -v -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh -k 1 -T -l500m anonftp@ftp-private.ncbi.nlm.nih.gov:/sra/sra-instant/reads/ByRun/sra/SRR/SRR358/SRR3589956/SRR3589956.sra
./raw_data
## 转换成fq格式
fastq-dump --gzip --split-3 *.sra
##下载参考基因组
mkdir -p genome/hg19 && cd genome/hg19
for i in $(seq 1 22) X Y M; #指定染色体号下载
do echo $i;
# 一般下载UCSC的数据
wget http://hgdownload.cse.ucsc.edu/goldenPath/hg19/chromosomes/chr${i}.fa.gz;
done
gunzip *.gz
for i in $(seq 1 22) X Y M; # 指定染色体号拼成整体
do cat chr${i}.fa >> hg19.fasta
done
rm -fr chr*.fasta
##构建参考基因组比对索引
mkdir -p ~/reference/genome/hg19 && cd ~/reference/genome/hg19
nohup time bwa index -a bwtsw -p hg19 ~/reference/genome/hg19/hg19.fa 1>hg19.bwa_index.log 2>&1 &
## 有了索引以后,才能用bwa进行比对
bwa mem -t 10 -M ~/reference/index/bwa/hg19/hg19 SRR3589956_1.fastq.gz SRR3589956_2.fastq.gz 1>SRR3589956.sam 2>SRR3589956.bwa.align.log
done
1. View
作用:转换sam与bam,对bam进行排序(sort)和提取的操作
sam转bam,-S指输入文件格式(不加-S默认输入是bam),-b指定输出文件(默认输出sam)
samtools view -Sb SRR3589956.sam >SRR3589956.bam
【如果要bam转sam,-h设置输出sam时带上头注释信息】
samtools view -h SRR3589956.bam > SRR3589956.sam
过滤功能-F:后接flag数字,常用有4(表示序列没比对上)、8(配对的另一条序列,即mate序列没比对上)以及12(两条序列都没比对上)。加上-F就表示过滤掉这些情况
## 提取一条reads比对到参考序列上的序列结果
samtools view -bF4 SRR3589956.bam>SRR3589956.F4.bam
## 提取两条reads都比对到参考序列上的序列结果
samtools view -bF12 SRR3589956.bam>SRR3589956.F12.bam
如果是-f,就是提取指定flag的序列
## 提取没有比对到参考序列上的序列结果
samtools view -bf4 SRR3589956.bam>SRR3589956.f4.bam
转换后的bam文件大小是2.8G,可以看到,相比于sam文件,节省了四分之三的空间;
另外得到的SRR3589956.F4.bam是2.7G,说明本来bam文件中比对上的reads就很多了,才过滤掉了不到四十分之一的reads
2. Sort
作用:对bam进行排序,一些软件需要使用排序后的bam,拿到bam先按照比对位置的顺序排一下,百利无一害
samtools sort -@ 10 -o SRR3589956.sorted.bam SRR3589956.bam
sort后的文件SRR3589956.sorted.bam大小是1.5G
3. merge
作用:将两个及以上的sort过的bam文件融合成一个bam文件
这里就一个示例文件就不演示了
samtools merge xxx.merged.bam xxx.sorted.bam
4. index
作用:对bam文件构建索引,产生.bai文件,方便以后的快速处理 bam文件进行排序sort后,才能进行index,否则报错; 要显示比对结果时,比如用IGV导入bam,就需要有.bai的存在
samtools index SRR3589956.sorted.bam
插播一条
当有多个bam文件时,一般思路就是对每一个bam进行sort、index后,再merge成一个整体merged.bam,然后对merged.bam再进行sort、index,才算能用了,得到最终结果应该是是sorted.merge.bam
5. faidx
作用:对fasta文件建立提取索引,索引文件后缀是.fai。利用索引文件可以快速提取fasta文件中的某些序列
samtools faidx hg19.fasta
6. tview
作用:直观显示reads比对到基因组的情况,与IGV类似 需要先sort和index
samtools tview SRR3589956.sorted.bam hg19.fasta
7. flagstat
作用:统计bam文件的比对结果
samtools flagstat SRR3589956.sorted.bam > SRR3589956.sorted.flagstat.txt
8. depth
作用:统计每个碱基位点的测序深度 需要使用重定向定义输出文件;要是用构建过索引的bam
-r:(region)加染色体号; -q:要求测序碱基质量最低值; -Q:要求比对的质量最低值
samtools depth SRR3589956.sorted.bam >SRR3589956.depth
9. mpileup
作用:用于生成bcf文件,之后结合bcftools进行SNP与InDel的分析 安装samtools时,包含了bcftools
-f:输入有索引的参考基因组fasta; -g:输出到二进制的bcf格式【不使用-g,就不生成bcf格式,而是一个文本文件,统计了参考序列中每个碱基位点的比对情况;每一行代表参考序列中某一个碱基位点的比对结果】
samtools mpileup -f hg19.fa SRR3589956.sorted.bam > SRR3589956.mpileup.txt
结果文件大小 7.1G Aug 3 21:48 SRR3589956.mpileup.txt
结果包含6列:参考序列名、匹配位置、参考碱基、比对上的reads数、比对的情况、比对的碱基质量
在第5列比对具体情况中:
.
表示与参考序列正链匹配;,
表示与参考序列负链匹配;ATCGN
表示在正链不匹配;atcgn
表示在负链不匹配;*
模糊碱基;^
匹配的碱基是一个read的开始,后面的ASCII码-33
表示比对质量,再向后修饰的(.,ATCGNatcgn
) 表示该read的第一个碱基;$
表示一个read结束,修饰前面碱基; 正则表达式+[0-9][ATCGNatcgn]
表示在该位点后面插入的碱基; 正则表达式-[0-9][ATCGNatcgn]
表示该位点后面缺失的碱基
10. bam转fastq
作用:方便提取出一段比对到参考序列的reads进行分析
利用软件:
http://www.hudsonalpha.org/gsl/information/software/bam2fastq
11. rmdup
作用:将测序数据中由于PCR duplicate得到的reads去掉,只保留比对质量最高的reads
samtools rmdup
默认只对PE数据进行处理
12. idxstats
作用:输出一个表格,包含“序列名、序列长度、比对上的reads数、没有比对上的reads数”;其中第四列指PE reads中的一条read能匹配到参考基因组的染色体A,另一条read不能匹配到A上
samtools idxstats
13. reheader
作用:替换bam文件的头文件
samtools reheader