一、首先需要知道以下幾個知識點(diǎn)：
詳細(xì)內(nèi)容請參考：http://samtools.github.io/hts-specs/SAMv1.pdf
1.1-based coordinate system?
A coordinate system where the rst base of a sequence is one. In this coordinate
system, a region is specied by a closed interval. For example, the region between the 3rd
and the 7th bases inclusive is [3; 7]. The SAM, VCF, GFF and Wiggle formats are using the 1-based coordinate system.
2.0-based coordinate system
A coordinate system where the rst base of a sequence is zero. In this
coordinate system, a region is specied by a half-closed-half-open interval. For example, the region
between the 3rd and the 7th bases inclusive is [2; 7). The BAM, BCFv2, BED, and PSL formats are using the 0-based coordinate system.
3.模板（Template）：
由測序儀測序所得或由原始序列組裝所得的DNA/RNA序列
4.片段（Segment）
一段連續(xù)的序列或者子序列
5.Read
一段由測序儀測序所得的原始序列。一條Read可能由多個片段組成，在測序數(shù)據(jù)中，reads是根據(jù)它們被測的順序來建立索引的。
6.Linear alignment（線性比對）
一個Read單向地比對到參考基因組上，這個比對結(jié)果中可以有插入、缺失、跳躍等，但是不能存在“雙向”的比對結(jié)果，即Read的一段比對到正鏈參考基因組、一段匹配到負(fù)鏈，這種方向切換是不允許的，在SAM文件中，線性比對的特性就是：只用一行來記錄。
7.Chimeric alignment（嵌合比對）
就是當(dāng)一條Read對比時，比對到了多個區(qū)域，但是這些區(qū)域并沒有重疊的部分，也即由多個“線性比對”結(jié)果組成了一個集合，這個集合就組成了一個嵌合比對，嵌合比對中只有一個“線性比對”結(jié)果是具有代表性的，其余的都以補(bǔ)充的身份出現(xiàn)，嵌合比對的特征就是多個“線性比對”記錄中的Read對應(yīng)的Qname（Read的名字，每個Read只有一個Qname）都是相同的，且這些“線性比對”集合中的每個記錄的flag值都是一樣的。
8.Read alignment（Read 比對）
無論是上面提到的線性比對還是嵌合比對，只要能夠完整的表現(xiàn)出一條Read的對比情況，就是一個Read 比對。
9.Multiple mapping（多次比對）
由于序列的重復(fù)性，導(dǎo)致一個Read在比對時會被比對到多個區(qū)域上，其中只有一個比對質(zhì)量最好的會被當(dāng)做比對結(jié)果的代表性結(jié)果，目前來看，這種決定方式還不是很嚴(yán)謹(jǐn)。
多次比對和嵌合比對是有根本性區(qū)別的，多次比對是因為序列本身具有重復(fù)性引起的，屬于正常比對結(jié)果，而嵌合比對更多是由于實(shí)驗、測序、結(jié)構(gòu)突變、融合、以及其他因素引起的。
10.Phred scale：
一個可能性區(qū)間，如果一個堿基被檢測正確的正確率是99%，那么錯誤的概率就是1%=0.01=10（^-2），此時phredscore=-10log10（0.01）=20，
二、SAM文件內(nèi)容解析
SAM文件由兩部分組成，頭部和主體，都以tab分列。
頭部內(nèi)容主要以各種說明為主，比如說明所用軟件啦，參考基因組信息啦，排序信息啦等等，下面表格是SAM文件中涉及的一些專有名詞的解釋。
2.1頭部內(nèi)容：
頭部內(nèi)容說明信息均是以@符合開頭的，在頭部是以“@說明類型碼TAB鍵TAG：Value” 開始的，每個標(biāo)簽和說明類型碼都是由兩個字母組成的，下面將列舉說明類型碼和TAG
2.1.1說明類型碼有HD、SQ、RG、PG、CO五種；
2.1.1.1 HD（此文件的數(shù)據(jù)信息）
HD：代表意思為：SAM文件的開頭標(biāo)志、一般只要出現(xiàn)就會在第一行
HD中的標(biāo)簽（TAG）有：
VN*：注釋版本信息
SO：比對結(jié)果的排序類型：有unknown、unsorted、queryname、coordinate四種排序類型
GO：比對結(jié)果的分組信息：相似的比對結(jié)果會被分到一組，這里的分組結(jié)果中并不是需要全部進(jìn)行過排序的，排序的類型有：none (default)、query (alignments are grouped by QNAME)、reference (alignments are grouped by RNAME/POS? 三種類型
SS：子排序類型，比如在某次算法中需要根據(jù)coordinate排序，而在每個coordinate排序的結(jié)果中又根據(jù)QNAME進(jìn)行了排序，則在SAM文件中就應(yīng)該表示為：@HD SO:coordinate SS:coordinate:queryname.如果在SO的基礎(chǔ)排序中，排序的類型不在之前定義的四種排序類型中時，則SO對應(yīng)的就應(yīng)該時unsorted，此時SS就會起主要作用，比如，如果基礎(chǔ)排序是根據(jù)一個輔助標(biāo)簽MI排序的，之后又根據(jù)coordinate排序的，則在SAM頭部中就應(yīng)該表現(xiàn)為@HD SO:unsorted SS:unsorted:MI:coordinate.
2.1.1.2?SQ（參考序列信息）
SQ：說明類型碼代表的含義為參考序列字典，SQ的排序決定了比對結(jié)果的排序順序
SQ中又以下標(biāo)簽：
1.SN*：參考序列名稱
2.LN*：參考序列長度
3.AH、AN、AS、DS、M5、SP（種族）、TP、UR，這些不常用
例如：@SQ SN:JF-PLAC8_CT_converted LN:88
2.1.1.3?RG：樣本信息
Read Group，每個Sample都有一個RG ID，一個Sample可以在多個庫中進(jìn)行測序。
RG對應(yīng)的有以下TAG：
ID*：Read group的唯一ID
BC：辨別樣本或文庫的標(biāo)簽序列
SM：樣品名
LB：文庫名
PU：測序儀
?PL：測序平臺
CN：產(chǎn)生read的測序中心的名稱
2.1.1.4?PG （運(yùn)行程序信息）
?PG：程序 說明類型碼,PG中有以下幾個標(biāo)簽：
ID*：程序記錄標(biāo)識，每個程序記錄都只有一個ID
PN：程序名稱
CL：命令行內(nèi)容（utf-8編碼）
PP：好像是指前一個?@PG-ID：不怎么用這個，有了解的大哥大姐可以幫忙做個備注
DS：描述
VN：所用程序版本
2.1.1.5?CO （備注或評論信息）
以上就是五個說明類型碼代表的意思以及常用的標(biāo)簽意義。下面截圖作為例子，可以對照上面的內(nèi)容看一下：
2.2 主體內(nèi)容
SAM文件主體內(nèi)容中主要有11列內(nèi)容，這11列中的內(nèi)容就如下表：
當(dāng)數(shù)據(jù)中這11列內(nèi)容哪個對應(yīng)內(nèi)容有缺失或者無效的話就用‘0' 或 `*'代替。
1.QNAME：Read ID，就簡單理解成Read的名稱，其中會包含一些測序平臺信息
2.FALG：可以理解為比對結(jié)果的標(biāo)志，可以根據(jù)FLAG值篩選比對結(jié)果
FLAG的值代表含義如下表（本圖來自http://www.360doc.com/content/18/0329/12/28491187_741231514.shtml，感謝作者，如有侵權(quán)請聯(lián)系本人刪除）
FLAG值若記不住可以直接在<https://broadinstitute.github.io/picard/explain-flags.html>中進(jìn)行查詢。在SAM文件中出現(xiàn)的flag值是涉及到的value相加得到的值，比如99，177等，可以在上述網(wǎng)站查詢
3.RNAME：理解成比對上的染色體號即可
4.POS：比對到參考序列上的位置
5.MAPQ：比對質(zhì)量值，算法與文中第一部分Phred score算法一致：-10log10（錯誤率），若值為255表示其比對結(jié)果不可用，如果是unmapped read則MAPQ為0
6.CIGAR（Compact Idiosyncratic Gapped Alignment Report）簡要描述比對結(jié)果（來自http://www.360doc.com/content/18/0329/12/28491187_741231514.shtml，感謝作者，如有侵權(quán)請聯(lián)系本人刪除）
簡要比對信息表達(dá)式（Compact Idiosyncratic Gapped Alignment Report），其以參考序列為基礎(chǔ)，使用數(shù)字加字母表示比對結(jié)果，比如3S6M1P1I4M，前三個堿基被剪切去除了，然后6個比對上了，然后打開了一 個缺口，有一個堿基插入，最后是4個比對上了，是按照順序的；
M”表示 match或 mismatch；
“I”表示 insertion；
“D”表示 deletion（表示的是READ和ref相匹配時，參考基因組中需要deletion的部分，不是READ）；
“N”表示 skipped（跳過這段區(qū)域）；
“S”表示 soft clipping（被剪切的序列存在于序列中）；
“H”表示 hard clipping（被剪切的序列不存在于序列中，已經(jīng)在除去低質(zhì)量READ的時候被過濾了）；
“P”表示 padding（填充）；比如參考基因組序列本來為ATTACGAC，read序列為ATAATACGAC，那么，如果在比對的sam結(jié)果文件中，有兩種比對方式，如下：
1.如果reference是padded reference，也即參考基因組展示為AT**TACGAC，那么**就是代表了ref考慮了read序列的插入情況，但是這種表示情況下CIGAR中就不會再出現(xiàn)p和I（Insertion）了，因為參考基因組中已經(jīng)考慮了插入的情況了。而如果有其他read跟這個padded ref比對時，對于ref中pad的區(qū)域沒有序列的話，就會以D（deletion）來表示這個read。
2.另一種情況就是unpadded reference，也即reference是正常的參考基因組（可參考https://blog.csdn.net/xubo245/article/details/51283022），一般情況下，以這一種為主。
“=”表示 match；
“X”表示 mismatch（錯配，位置是一一對應(yīng)的）；
7.RNEXT：mate序列匹配上的染色體號（比如，Read2對應(yīng)的染色體號），如果第三列和這列都是“*”則說明此Read沒有匹配到任何一個染色體，如果第三列有信息，這列是“”或者“=”則代表此Read匹配到第三列對應(yīng)的染色體上。
8.PNEXT：該列表示與該reads對應(yīng)的mate pair reads的比對位置，如果這對pair-end reads比對到同一條reference序列上，在sam文件中reads的id出現(xiàn)2次，Read1比對的第4列等于Read2比對的第8列。同樣Read1比對的第8列等于Read2比對的第4列。例如：
第1列（Read id）····第4列（Read1比對位置）····第8列（mate-pair reads比對位置）
22699:1759····124057649····124057667
22699:1759····124057667····124057649
相同的reads id一個來自Read1文件，一個來自Read2文件，第4列和第8列是對應(yīng)的
9.TLEN：signed observed Template LENgth （可以理解為文庫插入片段長度）
如果R1端的read和R2端的read能夠mapping到同一條Reference序列上（即第三列RNAME相同），則該列的值表示第8列減去第4列加上第6列的值，R1端和R2端相同id的reads其第九列值相同，但該值為一正一負(fù)，R1文件的reads和R2文件的reads，相同id的reads要相對來看。在進(jìn)行該第列值的計算時，如果取第6列的數(shù)值，一定要取出現(xiàn)M的值，S或H的值不能取。
（8.9解釋來自：作者：genome_denovo，來源：CSDN，原文：https://blog.csdn.net/genome_denovo/article/details/78712972，感謝作者，如有侵權(quán)請聯(lián)系本人刪除）
10.序列信息，
11.Read質(zhì)量信息（ASCII編碼）
12.可選區(qū)域
舉幾個例子：NM，MD
NM可以簡單的理解為：如果要把READ變?yōu)楦鷕eference一致需要幾步（一般步驟有三種類型，堿基替換，刪除堿基，添加堿基）
MD：簡單的理解為匹配結(jié)果（跟第10列結(jié)合可以看出reference的原序列），下面舉個例子：
從上面的圖可以看出來這里的NM值為2，MD為3^A42T5，由MD可以知道這個read比對結(jié)果中前3個匹配上了，之后需要在read中插入一個A（也就是read相比ref少了一個A），再之后42個堿基是匹配上了，到然后這42個之后的堿基在參考基因組上應(yīng)該是T，后面5個是匹配上了。這樣的話我們根據(jù)read的序列就能推斷出ref的序列為：CCGATAACCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCCTAACCC。
我們檢查一下推測的是否正確，來看hg19中這段序列：
可以發(fā)現(xiàn)除了開頭四個堿基在hg19中是N以外，其他的是匹配一致的（好像是因為有寫序列是在端粒中的，所以呈現(xiàn)的序列信息就是N，也有些是因為還沒有測出來，所以用N代替。）、
這樣再來看的話，就可以知道read相比ref有兩處不同，一個是缺了個A，一個是堿基錯配（T-A），所以如果read要和ref一致的話需要編輯兩次，一次是添加一個A，一次是把A變成T。
如果覺得有用，就幫我點(diǎn)個贊吧^_^!
