SAM (formát souboru) - SAM (file format)

Sequence Alignment Map (SAM) je textový formát původně pro uložení biologické sekvence zarovnány do a referenční sekvence vyvinutý uživatelem Heng Li a Bob Handsaker et al.^[1] Je široce používán pro ukládání dat, jako je nukleotid sekvence, generované sekvenování nové generace technologie a standard byl rozšířen o nezmapované sekvence.^[2] Formát podporuje krátká a dlouhá čtení (až 128 Mbp) produkovaná různými platformami pro sekvenování a slouží k uchování mapovaných dat v Sada nástrojů pro analýzu genomu (GATK) a přes Široký institut, Wellcome Sanger Institute a po celém světě Projekt 1000 genomů.

Formát

Formát SAM se skládá z hlavičky a sekce zarovnání.^[1] Binární ekvivalent souboru SAM je a Mapa binárního zarovnání (BAM) soubor, který ukládá stejná data v komprimované binární reprezentaci.^[3] Soubory SAM lze analyzovat a upravovat pomocí softwaru SAMtools.^[1] Část záhlaví musí být před částí zarovnání, pokud je k dispozici. Nadpisy začínají symbolem „@“, který je odlišuje od sekce zarovnání. Sekce pro zarovnání mají 11 povinných polí a variabilní počet volitelných polí.^[1]

Popis

Ze specifikace:^[3]

1. QNAME: Dotaz na šablonu JMÉNO. Čtení / segmenty se stejným QNAME se považují za čtení ze stejné šablony. Název QNAME „*“ označuje, že informace nejsou k dispozici. V souboru SAM může čtení zabírat více řádků zarovnání, když je jeho zarovnání chimérické nebo když je dáno více mapování.
2. VLAJKA: Kombinace bitových VLAJKŮ^[4]
3. RNAME: Referenční sekvence NÁZEV zarovnání. Pokud jsou k dispozici řádky záhlaví @SQ, musí být v jedné ze značek SQ-SN přítomen RNAME (pokud ne „*“). Nezmapovaný segment bez souřadnice má v tomto poli znak „*“. Nezmapovaný segment však může mít také běžnou souřadnici, takže jej lze po seřazení umístit na požadované místo. Pokud je název RNAME „*“, nelze o POS a CIGAR dělat žádné předpoklady.
4. POS: Poloha mapování nalevo od první odpovídající základny na základě 1. První základna v referenční sekvenci má souřadnice 1. POS je nastaven na 0 pro nezmapované čtení bez souřadnice. Pokud je POS 0, nelze o RNAME a CIGAR dělat žádné předpoklady.
5. MAPQ: Kvalita mapování. Rovná se −10 log10 Pr {mapovací pozice je špatná}, zaokrouhleno na nejbližší celé číslo. Hodnota 255 označuje, že kvalita mapování není k dispozici.
6. CIGAR: Stručný idiosynkratický řetězec sestavy zarovnání (CIGAR).
7. RNEXT: Název referenční sekvence primárního zarovnání NEXT načteného v šabloně. U posledního čtení je další čtení prvním čtením v šabloně. Pokud jsou k dispozici řádky záhlaví @SQ, musí být v jedné ze značek SQ-SN přítomen RNEXT (pokud ne „*“ nebo „=“). Toto pole je nastaveno jako „*“, když informace nejsou k dispozici, a nastaveno jako „=“, pokud je RNEXT identický RNAME. Pokud není „=“ a další čtení v šabloně má jedno primární mapování (viz také bit 0x100 ve FLAG), je toto pole identické s RNAME na primárním řádku následujícího čtení. Pokud je RNEXT „*“, nelze učinit žádné předpoklady pro PNEXT a bit 0x20.
8. PNEXT: Poloha primárního zarovnání NEXT načteného v šabloně. Nastavit jako 0, když informace nejsou k dispozici. Toto pole se rovná POS na primárním řádku dalšího čtení. Pokud je PNEXT 0, nelze u RNEXT a bitu 0x20 dělat žádné předpoklady.
9. TLEN: podepsaná pozorovaná délka šablony. Pokud jsou všechny segmenty mapovány na stejnou referenci, délka nepodepsané pozorované šablony se rovná počtu bází od mapované základny zcela vlevo k mapované základně úplně vpravo. Levý segment má znaménko plus a pravý kraj má znaménko minus. Znaménko segmentů uprostřed není definováno. Je nastavena na 0 pro šablonu s jedním segmentem nebo když jsou informace nedostupné.
10. SEQ: SEQuence segmentu. Toto pole může být „*“, pokud není sekvence uložena. Pokud nejde o „*“, musí se délka sekvence rovnat součtu délek operací M / I / S / = / X v CIGAR. Znak „=“ označuje, že báze je identická s referenční bází. U písmenných případů nelze činit žádné předpoklady.
11. QUAL: ASCII základní QUALity plus 33 (stejné jako řetězec kvality v Sangeru Formát FASTQ ). Základní kvalita je phred-scale měřítku pravděpodobnost chyby, která se rovná −10 log10 Pr {base is wrong}. Toto pole může být „*“, pokud není uložena kvalita. Pokud nejde o „*“, nesmí být SEQ „*“ a délka řetězce kvality by se měla rovnat délce SEQ.

Bitové příznaky

Pole FLAG je zobrazeno jako jedno celé číslo, ale je součtem bitových příznaků označujících více atributů zarovnání čtení^[3]. Každý atribut označuje jeden bit v binární reprezentaci celého čísla.

Atributy FLAG se sečtou, aby se získala konečná hodnota, např. řádek SAM vyplývající ze záznamu FASTQ spárovaného konce Illumina, který má hodnotu FLAG 2145, by označoval:

Nepovinná pole

Ze specifikace:^[3]

The typ může být jedním z A (charakter), B (obecné pole), F (reálné číslo), H (hexadecimální pole), i (celé číslo) nebo Z (tětiva).

Viz také

• The FASTA formát používaný k reprezentaci genomových sekvencí
• The FASTQ formát, který se používá k reprezentaci čtení sekvenceru DNA spolu se skóre kvality
• The GVF format (Genome Variation Format), rozšíření založené na GFF3 formát

Reference