sam和bam文件处理

2020-02-26 本文已影响0人 hygine

samtools是一个用于操作sam和bam文件的工具合集。包含有许多命令。以下是常用命令的介绍：
sambamba是一个比samtools更强大的操作sam和bam的工具，绝大部分samtools能用的功能sambamba都能用，而且速度和资源占用上都有很大的优化，所以后期用samtools的时候都可以替换成sambamba。

1. view

view命令的主要功能是：将sam文件转换成bam文件；然后对bam文件进行各种操作，比如数据的排序(不属于本命令的功能)和提取(这些操作是对bam文件进行的，因而当输入为sam文件的时候，不能进行该操作)；最后将排序或提取得到的数据输出为bam或sam（默认的）格式。

bam文件优点：bam文件为二进制文件，占用的磁盘空间比sam文本文件小；利用bam二进制文件的运算速度快。

将sam文件转换成bam文件

$ samtools view -bS abc.sam > abc.bam
$ samtools view -b -S abc.sam -o abc.bam

提取比对到参考序列上的比对结果

$ samtools view -bF 4 abc.bam > abc.F.bam

提取paired reads中两条reads都比对到参考序列上的比对结果，只需要把两个4+8的值12作为过滤参数即可

$ samtools view -bF 12 abc.bam > abc.F12.bam

提取没有比对到参考序列上的比对结果

$ samtools view -bf 4 abc.bam > abc.f.bam

提取bam文件中比对到caffold1上的比对结果，并保存到sam文件格式

$ samtools view abc.bam scaffold1 > scaffold1.sam

提取scaffold1上能比对到30k到100k区域的比对结果

$ samtools view abc.bam scaffold1:30000-100000 > scaffold1_30k-100k.sam

根据fasta文件，将 header 加入到 sam 或 bam 文件中

$ samtools view -T genome.fasta -h scaffold1.sam  >  scaffold1.h.sam

2. sort

sort对bam文件进行排序。
Usage: samtools sort [-n] [-m ]

-m 参数默认下是 500,000,000 即500M（不支持K，M，G等缩写）。对于处理大数据时，如果内存够用，则设置大点的值，以节约时间。
-n 设定排序方式按short reads的ID排序。默认下是按序列在fasta文件中的顺序（即header）和序列从左往右的位点排序。
例子：

$ samtools sort abc.bam abc.sort
$ samtools view abc.sort.bam | less -S

3.merge

将2个或2个以上的已经sort了的bam文件融合成一个bam文件。融合后的文件不需要则是已经sort过了的。

Usage:   samtools merge [-nr] [-h inh.sam] [...]

Options: -n       sort by read names

         -r       attach RG tag (inferred from file names)

         -u       uncompressed BAM output

         -f       overwrite the output BAM if exist

         -1       compress level 1

         -R STR   merge file in the specified region STR [all]

         -h FILE  copy the header in FILE to [in1.bam]

Note: Samtools' merge does not reconstruct the @RG dictionary in the header. Users must provide the correct header with -h, or uses Picard which properly maintains the header dictionary in merging.

4.index

必须对bam文件进行默认情况下的排序后，才能进行index。否则会报错。

建立索引后将产生后缀为.bai的文件，用于快速的随机处理。很多情况下需要有bai文件的存在，特别是显示序列比对情况下。比如samtool的tview命令就需要；gbrowse2显示reads的比对图形的时候也需要。

Usage: samtools index [out.index]

例子：
以下两种命令结果一样

$ samtools index abc.sort.bam

$ samtools index abc.sort.bam abc.sort.bam.bai

5. faidx

对fasta文件建立索引,生成的索引文件以.fai后缀结尾。该命令也能依据索引文件快速提取fasta文件中的某一条（子）序列

Usage: samtools faidx [ [...]]

对基因组文件建立索引

$ samtools faidx genome.fasta

生成了索引文件genome.fasta.fai,是一个文本文件，分成了5列。第一列是子序列的名称；

第二列是子序列的长度；个人认为“第三列是序列所在的位置”，因为该数字从上往下逐渐变大，最后的数字是genome.fasta文件的大小；第4和5列不知是啥意思。于是通过此文件，可以定位子序列在fasta文件在磁盘上的存放位置，直接快速调出子序列。由于有索引文件，可以使用以下命令很快从基因组中提取到fasta格式的子序列

$ samtools faidx genome.fasta scffold_10 > scaffold_10.fasta

6. cat

合并多个bam文件，samtools cat 能实现对很多bam文件合并起来的操作，跟merge的差别是该合并之后的bam需要sort，且是merge的备选方案，merge命令对太多bam文件不适用。

$ samtools cat -o xx.bam  /xx/*bam