生信基础 unique比对的获取

1.Sam文件各标签含义（tophat/hisat2)

• NH:i:<n style="box-sizing: border-box;">: N=1时 为unique。常用于tophat/hisat2产生的sam文件unique read筛选。</n>
• CC:Z: 当为‘=’为map到同一条基因上，一般在map基因组时由于内含子存在而容易出现，他只代表两种不同的方式，计数时应记为1。此处一般为其他基因的名字。CP:i 和HI：i标签为map到第i条基因及起始位置。
• YT:Z:S 代表的含义与bowtie产生的sam也不同。具体还未知！其他标签AS，XN,XM,XO,XG,NM,MD等如下图可以看出都相同。

对于tophat/hisat2比对产生的sam文件我们可以直接筛选NH标签。

grep‘NH:i:1’ out.sam >unique.sam

2.Sam文件各标签含义（bowtie2)

• AS:i:<n style="box-sizing: border-box;">Alignmentscore.可以为负的，在local下可以为正的。 只有当Align≥1 time才出现</n>
• XS:i:<n style="box-sizing: border-box;">Alignmentscorefor second-best alignment. 当Align>1 time出现</n>
• YS:i:<n style="box-sizing: border-box;">Alignmentscorefor opposite mate in the paired-end alignment. 当该read是双末端测序中的另一条时出现</n>
• XN:i:<n style="box-sizing: border-box;">Thenumber of ambiguous bases in the reference covering this alignment.（推测是指不知道错配发生在哪个位置，推测是针对于**和缺失，待查证）</n>
• XM:i:s错配碱基的数目
• XO:i:<n style="box-sizing: border-box;">Thenumberof gap opens(针对于比对中的**和缺失)</n>
• XG:i:<n style="box-sizing: border-box;">Thenumberof gap extensions(针对于比对中的**和缺失延伸数目)</n>
• NM:i:<n style="box-sizing: border-box;">Theeditdistance。（edits:**/缺失/替换数目)</n>
• YF:Z:s该reads被过滤掉的原因。可能为LN(错配数太多，待查证)、NS(read中包含N或者．)、SC(match bonus低于设定的阈值)、QC(failing quality control，待证)
• YT:Z:s值为UU表示不是pair中一部分、CP是pair且可以完美匹配、DP是pair但不能很好的匹配、UP是pair但是无法比对到参考序列上。
• MD:Z:s比对上的错配碱基的字符串表示。

由于bowtie2产生的sam文件并没有NH标签，所以提取uniqueread可能比较麻烦。首先提取“AS”标签表示能比对上的read（>=1 time），然后利用grep反正则表达式过滤掉XS标签得到我们需要的unique read。

grep “AS:” aligned.sam | grep –v “XS:” >unique_alignments.sam

对于双端测序用bowtie2比对筛选unique concordant pair时则需要在上一步的基础上增加如下命令：

grep ‘YT:Z:CP’ unique.sam>pair-end_unique.sam

3.Bwa获取unique

samtools view bwa.bam | grep "XT:A:U"