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

所属板块 数据、注释与资源

参考版本、注释体系、数据格式与数据库的统一入口。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

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。

graph LR
    subgraph "Read Space"
    R["Read: ATGC..."]
    end

    subgraph "Alignment Process"
    Map["Mapper"]
    end

    subgraph "Reference Space"
    Ref["Reference: ...NNNATGCNNN..."]
    Pos["Position: chr1:1000"]
    CIGAR["CIGAR: 4M"]
    end

    R --> Map
    Map --> Ref
    Map --> Pos
    Map --> CIGAR

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