比对结果文件 Bam 文件格式介绍

bam文件格式是生物信息最常用的文件格式，主要用于记录序列比对情况。一般测序下机数据的比对结果，均以该格式进行存储。而用于序列比对的工具，如blast也提供了bam格式的输出形式。因此可以说，对生物信息学工具的优化和开发，几乎不可避免地需要对bam处理，对于基础用户而言，可能经常用到samtools来进行。

1. SAM 格式详解

要说明bam文件的内容，需要首先介绍sam文件的内容。上一篇内容中已经介绍了，sam文件是记录比对信息的标准结构化文件，从总体上可以分为两个部分

1.1 SAM 文件头部

sam 文件头部信息以@ 作为开头，对比对结果的meta信息进行记录，主要涵盖了文件标准格式版本（VN）、比对中使用的参考序列信息（SQ）、测序数据分组信息（RG）、比对或后期处理使用的程序信息（PG）等。上述内容是sam文件标准规定的，因此一般sam文件中必须存在。 不仅如此，用户也可以根据后期分析需要自定义一系列自定义的信息，最为常用的就是UMI标签信息，在此就不展开描述了，关于sam文件头部信息的细节可以参考其格式说明手册。

1.2 SAM 文件中比对信息

sam文件的比对信息中，每一行是由固定的11列的组成的。其信息内容见下表：

上述11列信息，是SAM文件必要的组成部分。除此之外，每行可以追加可选信息。该部分信息以TAG:TYPE:VALUE 形式存储。详细介绍可参考官方文档。值得注意的是，追加信息标签（TAG）的标准定义是一直在不断更新的，基本上每年都会有新增标签加入。

2. 压缩概览

由于本人背景知识有限，因此只能简要描述一下数据压缩相关内容。 对于测序数据这种本质上含有大量冗余的数据而言，如果单纯对每个信息进行记录则会造成非常大的存储资源的浪费。由于数据存在着重复信息，因此一个比较直接的思路就是，对数据中多次出现的部分进行编码，然后对于第一此出现该信息以外的部分，以一定的标识进行替代。当然，被替代的信息长度，应该大于标记信息长度。这样，当压缩软件和解压软件遵守同一套标准的前提下，数据在存储设备上就可以以相对较小的空间，记录完整的信息。

3. BAM 文件

bam文件作为sam文件的压缩版本，记录的信息本质上是一样的。但是对其进行了BGZF压缩。该压缩的目的，在减少存储消耗的前提下，提供在有索引的前提下，提供快速的随机访问的功能。

在存储介质上，BGZF文件是由一系列BGZF块（BGZF block）组成的，每个块大小不超过64Kb，每个块的组成见下图

以块数据为基本单位，bam文件记录如下：

上述表格中基本信息与sam文件的内容存在对应关系，但其每个记录的类型存在转化关系，以seq信息为例，在sam文件中是以字符串形式存储的，在bam文件中，该项则是将字符串集转化为了[0,15]的整数进行存储。

因此，一般的linux字符处理工具（如cat、head）是无法直接处理bam文件的读取、修改、查询的。在实际处理过程中，经常使用samtools 和htslib提供的接口对bam文件进行处理。目前生信分析常用的主流语言中基本上都涵盖了处理bam文件的扩展，例如python语言中的pysam，R中的Rsamtools等。

小结

sam和bam文件是处理测序数据接触的相对较为复杂的第一个文件结构。对于sam文件为平面文件，相对而言易于查看和处理，但是由于其占用存储空间过大，因此在实际使用中不保存。bam文件作为sam文件的压缩版本，采用的压缩方式为BGZF压缩格式，该格式在介质上的存储单位为64Kb 的block。bam文件记录的信息与sam相同，但存储空间占用却小很多。

关于bam文件的索引及后续内容，今后也会陆续分享给大家。欢迎各位读者持续关注 :D