BWA源码阅读笔记（二）索引文件amb/ann/pac文件是什么

高通量数据比对讲究的就是一个快和准，因此大部分软件都是用C语言实现。BWA是目前基因组序列比对最常用的工具，由于自我感觉已经入门C语言，为了提高自己的水平，因此开始从源码角度学习李恒大神开发的BWA工具。

使用 bwa index 建立索引后，会得到以下后缀的文件, .amb, .ann, .pac, .bwt, .sa. 我们通常也不在乎这些文件是什么，除非你像我一样，想搞懂bwa建立索引的具体过程。这次我们先来介绍.amb, .ann和.pac这三个文件是什么。

先说结论，amb是ambiguous的缩写，也就是模棱两可的意思，也就是除了ATCG/atcg以外的字符. amb和ann用来记录基因组中除了ATCG以外碱基的信息。而pac文件则是碱基信息高度压缩。

碱基表示方法

接下来的介绍，主要涉及到两个文件，bntseq.h和bntseq.c, 这里面的代码就是用于将fasta转成amb, ann和pac这三个文件。

在bntseq.h的开头，就定义了对应输出文件的三种数据结构, bntann1_t, bntamb1_t和bntseq_t

typedef struct {
    int64_t offset; //染色体偏移量
    int32_t len; //染色体长度
    int32_t n_ambs; //多少个模糊碱基
    uint32_t gi;
    int32_t is_alt;
    char *name, *anno; //染色体名名和注释
} bntann1_t;

typedef struct {
    int64_t offset; //偏移量
    int32_t len;  //长度
    char amb; //模式碱基的字符
} bntamb1_t;

typedef struct {
    int64_t l_pac;
    int32_t n_seqs; //基因组序列数
    uint32_t seed; //随机数种子
    bntann1_t *anns; // n_seqs elements
    int32_t n_holes; //染色体有多少个空缺
    bntamb1_t *ambs; // n_holes elements
    FILE *fp_pac;
} bntseq_t;

前两种数据结构能够保存成文本，我们以拟南芥基因组为例。ann文件前几行如下，它记录每个染色体信息，以及里面amb数目

239335500 7 11 # bns->l_pac, bns->n_seqs, bns->seed)
0 Chr1 (null)  # p->gi, p->name, p->anno
0 30427671 363 # p->offset, p->len, p->n_ambs
0 Chr2 (null)
30427671 19698289 58
...

amb文件前几行如下，它 记录确切的amb位置

239335500 7 563 # bns->l_pac, bns->n_seqs, bns->n_holes
12192623 1 Y    # p->offset, p->len, p->amb
13201252 100 N  # p->offset, p->len, p->amb
...

第三种数据结构，bntseq_t，则是用于打包将前两者的信息进行了整合，同时记录pac文件的文件指针地址。

对于pac文件，他通过哈希映射的方法(哈希函数如下)，把一个比较大的位置映射到比较小的位置中，保证了最终序列文件大小低于原始文件。

#define _set_pac(pac, l, c) ((pac)[(l)>>2] |= (c)<<((~(l)&3)<<1))
#define _get_pac(pac, l) ((pac)[(l)>>2]>>((~(l)&3)<<1)&3)

总结一下，amb,ann,pac这三个文件主要是用于压缩原始的参考基因组序列，将碱基信息分为两部分，ATCG和其他模棱两可的序列。amb记录模棱两可序列的具体为止，ann记录参考基因组中染色体信息，每条染色体的偏移信息和长度信息。我们原本可以去掉染色体名，将所有的序列保存到一个文件中，但是这会导致文件过大，不利于后续的读取操作。因此，李恒采用了一种计算方式，使得只用四分之一的体质保存原来的信息。