SAM/BAM/CRAM 格式：比对结果的标准编码

快速概览

SAM/BAM/CRAM 编码的是比对结果——reads 在参考基因组坐标系中的定位。理解其核心字段（FLAG、CIGAR、MAPQ、TAGs），是解读变异证据、可视化检查和下游分析的基础。

SAM 是文本格式，BAM 是二进制压缩格式，CRAM 是参考感知压缩格式
11 个必需字段定义比对的核心信息：位置、方向、质量、CIGAR
CIGAR 字符串编码 read 与参考之间的序列差异（匹配/错配/插入/缺失）
FLAG 位标记编码比对状态（paired、reverse、duplicate 等）
三者语义等价，仅在存储效率和访问方式上有差异

是什么

SAM（Sequence Alignment/Map） 格式编码的是比对结果（alignment）——将原始 reads 定位到参考序列坐标系中的计算产物。

一条 read（ATGC…）经比对工具（Mapper）定位到参考序列（…NNNATGCNNN…），产出参考位置（chr1:1000）与 CIGAR 字符串（4M）。

核心数据结构

每条比对记录包含 11 个必需字段（制表符分隔）：

| 列号 | 字段名 | 类型 | 说明 | |------|--------|------|------| | 1 | QNAME | 字符串 | Read 标识符（对应 FASTQ 中的 ID） | | 2 | FLAG | 整数 | 位标记，编码比对状态 | | 3 | RNAME | 字符串 | 参考序列名称（如 chr1） | | 4 | POS | 整数 | 1-based 起始位置 | | 5 | MAPQ | 整数 | 比对质量分数（Phred-scaled） | | 6 | CIGAR | 字符串 | 比对操作紧凑编码 | | 7 | RNEXT | 字符串 | 配对 read 的参考序列 | | 8 | PNEXT | 整数 | 配对 read 的位置 | | 9 | TLEN | 整数 | 观察到的模板长度 | | 10 | SEQ | 字符串 | Read 序列 | | 11 | QUAL | 字符串 | Read 质量分数（同 FASTQ） |

之后是可选的 TAG 字段，格式为 TAG:TYPE:VALUE（如 NM:i:3 表示 3 个错配）。

为什么重要

SAM/BAM 是分析流程中的核心证据层：

变异检测依赖 BAM 中的 read pileup 和碱基质量
表达定量依赖 BAM 中的 read 计数
可视化检查（如 IGV）依赖 BAM 确认变异真实性
质控指标（如覆盖度、插入片段（Insert Size）分布）从 BAM 中提取

理解 BAM 字段结构，是排查分析错误、解释异常结果的前提。

FLAG 位标记系统

FLAG 是一个整数，其二进制表示编码多个比对属性：

| 位值 | 标志名 | 含义 | |------|--------|------| | 0x1 | PAIRED | read 是 paired-end | | 0x2 | PROPER_PAIR | 配对比对正常 | | 0x4 | UNMAP | read 未比对上 | | 0x8 | MUNMAP | 配对 read 未比对上 | | 0x10 | REVERSE | read 比对到负链 | | 0x20 | MREVERSE | 配对 read 比对到负链 | | 0x40 | READ1 | 这是 read 1 | | 0x80 | READ2 | 这是 read 2 | | 0x100 | SECONDARY | 次要比对 | | 0x200 | QCFAIL | 未通过质控 | | 0x400 | DUP | PCR 重复 | | 0x800 | SUPPLEMENTARY | 补充比对（chimeric） |

FLAG 解读示例

FLAG = 99 (二进制: 01100011)
= 0x1 (PAIRED) + 0x2 (PROPER_PAIR) + 0x20 (MREVERSE) + 0x40 (READ1)

这意味着：这是一个正常配对的 read 1，其配对 read 比对到负链。

CIGAR 字符串

CIGAR（Concise Idiosyncratic Gapped Alignment Report）编码 read 与参考之间的序列差异：

| 操作符 | 含义 | 消耗参考？ | 消耗 read？ | |--------|------|-----------|------------| | M | 比对匹配（match/mismatch） | ✓ | ✓ | | I | 插入（insertion） | ✗ | ✓ | | D | 缺失（deletion） | ✓ | ✗ | | N | 跳过参考区域（如剪接） | ✓ | ✗ | | S | 软裁剪（soft clip） | ✗ | ✓ | | H | 硬裁剪（hard clip） | ✗ | ✗ | | P | 填充（padding） | ✗ | ✗ | | = | 序列匹配 | ✓ | ✓ | | X | 序列错配 | ✓ | ✓ |

CIGAR 解读示例

CIGAR: 76M

→ 76 个碱基全部比对到参考上（可能包含匹配和错配）

CIGAR: 50M2I24M

→ 50 个匹配，2 个插入，24 个匹配

CIGAR: 30M1D45M

→ 30 个匹配，1 个缺失（参考上有但 read 上没有），45 个匹配

CIGAR: 10S60M6S

→ 两端各有 soft clipping（通常表示低质量或比对不确定区域）

MAPQ 比对质量

MAPQ（Mapping Quality）衡量比对位置的置信度：

$MAPQ = -10 \log_{10}(P_{mapping\ error})$

| MAPQ | 错误概率 | 说明 | |------|---------|------| | 0 | 1 | 低质量或多次比对 | | 10 | 0.1 | 10% 可能比对错误 | | 20 | 0.01 | 常用阈值 | | 30 | 0.001 | 高质量比对 | | 60 | 10⁻⁶ | 极高置信度 |

关键注意：MAPQ = 0 通常表示 read 可以比对到多个位置（重复区域、多拷贝基因），在变异检测中应谨慎使用。

SAM、BAM、CRAM 的关系

维度	SAM	BAM
格式类型	文本格式（人类可读）	二进制压缩格式（BGZF）
文件大小	最大（~20-30 GB 全基因组）	较小（~5-10 GB）
访问速度	慢（顺序读取）	快（支持随机访问）
典型用途	调试、查看少量记录	生产分析、可视化

维度	BAM	CRAM
压缩原理	通用压缩（BGZF）	参考感知压缩（存储与参考的差异）
文件大小	中等	最小（比 BAM 小 30-50%）
依赖	不依赖参考序列	需要参考序列才能解码
典型用途	标准分析流程	长期归档、节省存储

三者语义等价：SAM → BAM → CRAM 可以互相转换，信息不丢失（除非使用有损压缩选项）。

可选 TAG 字段

常见 TAG 字段包括：

| TAG | 类型 | 说明 | |-----|------|------| | NM | int | 编辑距离（错配+indel 数） | | MD | string | 错配位置的字符串表示 | | AS | int | 比对得分 | | XS | int | 次优比对得分（用于 unique mapping 判断） | | RG | string | Read group（样本/文库标识） | | PG | string | 生成此记录的程序（如 BWA、Picard） |

与真实工具或流程的连接

常见概念误区

本章小结

SAM/BAM/CRAM 编码比对结果，是从 read-space 到 reference-space 的坐标映射
11 个必需字段 + 可选 TAGs 定义完整的比对信息
FLAG 编码状态，CIGAR 编码序列差异，MAPQ 编码位置置信度
三者语义等价，BAM 是生产标准，CRAM 适合归档