sam格式

SAM是一种序列比对格式标准， 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。

aln格式，是比对视图化的展示，存储的信息不够结构化，无法方便的作为另外程序的输入。

SAM则：

• 非常多序列（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；
• 无限量的，结构化信息表示，包括错配、删除、插入等比对信息；

SAM分两部分，注释信息（header section）和比对结果部分（alignment section），

注释信息可有可无，都是以@开头，用不同的tag表示不同的信息，主要有@SQ，参考序列说明；@RG，比对上的序列（read）说明

比对结果部分（alignment section），每一行表示一个片段（segment）的比对信息，包括11个必须的字段（mandatory fields）和一个可选的字段，字段之间用tag分割。

必须的字段有11个，顺序固定，不可用时，根据字段定义，可以为’0‘或者’*‘，这是11个字段包括：

1. QNAME，比对片段的（template）的编号；
2. FLAG，位标识，template mapping情况的数字表示，每一个数字代表一种比对情况，这里的值是符合情况的数字相加总和；
3. RNAME，参考序列的编号，如果注释中对SQ-SN进行了定义，这里必须和其保持一致，另外对于没有mapping上的序列，这里是’*‘；
4. POS，比对上的位置，注意是从1开始计数，没有比对上，此处为0；
5. MAPQ，mappint的质量；
6. CIGAR，简要比对信息表达式（Compact Idiosyncratic Gapped Alignment Report），其以参考序列为基础，使用数字加字母表示比对结果，比如3S6M1P1I4M，前三个碱基被剪切去除了，然后6个比对上了，然后打开了一个缺口，有一个碱基插入，最后是4个比对上了，是按照顺序的；
7. RNEXT，下一个片段比对上的参考序列的编号，没有另外的片段，这里是’*‘，同一个片段，用’=‘；
8. PNEXT，下一个片段比对上的位置，如果不可用，此处为0；
9. TLEN，Template的长度，最左边得为正，最右边的为负，中间的不用定义正负，不分区段（single-segment)的比对上，或者不可用时，此处为0；
10. SEQ，序列片段的序列信息，如果不存储此类信息，此处为’*‘，注意CIGAR中M/I/S/=/X对应数字的和要等于序列长度；
11. QUAL，序列的质量信息，格式同FASTQ一样。

可选字段（optional fields)，格式如：TAG:TYPE:VALUE，其中TAG有两个大写字母组成，每个TAG代表一类信息，每一行一个TAG只能出现一次，TYPE表示TAG对应值的类型，可以是字符串、整数、字节、数组等。

参考来源：

http://boyun.sh.cn/bio/?p=1890