El formato SAM consiste en sección de cabecera y otra con información sobre el alineamiento.[1] Los archivos SAM se pueden analizar y editar con el software SAMtools.[1] La sección de cabecera debe aparecer primero en el archivo, utilizando el símbolo "@" para distinguirla de la sección de alineamiento. La sección de alineamiento tiene 11 campos obligatorios, así como un número variable de campos opcionales.[1][4] A continuación se muestra una tabla con los campos obligatorios de la sección de alineamiento:
| Columna |
Campo |
Tipo |
Breve descripción |
|---|
| 1 |
QNAME |
Cadena (de caracteres) |
Es el identificador único para cada lectura |
| 2 |
FLAG |
Número entero |
Indicador (mostrado en bits) |
| 3 |
RNAME |
Cadena |
Nombre de la secuencia de referencia. Puede ser un cromosoma, un identificador de transcrito etc. |
| 4 |
POS |
Número entero |
Primera posición mapeada (en base 1) |
| 5 |
MAPQ |
Número entero |
Métrica de calidad del mape |
| 6 |
CIGAR |
Cadena |
Resumen del alineamiento |
| 7 |
RNEXT |
Cadena |
Nombre de la secuencia de referencia en el alineamiento primario de la siguiente lectura. En secuenciación paired-end, la siguiente lectura es la pareja, correspondiendo con el campo RNAME |
| 8 |
PNEXT |
Número entero |
Posición de la siguiente lectura |
| 9 |
TLEN |
Número entero |
Número de bases cubiertas por las lecturas del mismo fragmento |
| 10 |
SEQ |
Cadena |
Secuencia de la lectura |
| 11 |
QUAL |
Cadena |
Métrica de calidad de la lectura |
En un alineamiento múltiple de secuencias, donde r001 - r004 son lecturas alineadas con la secuencia de referencia, podemos visualizar este alineamiento de la siguiente manera:
Coordenadas 12345678901234 5678901234567890123456789012345
Referencia AGCATGTTAGATAA**GATAGCTGTGCTAGTAGGCAGTCAGCGCCAT
+r001/1 TTAGATAAAGGATA*CTG
+r002 aaaAGATAA*GGATA
+r003 gcctaAGCTAA
+r004 ATAGCT..............TCAGC
-r003 ttagctTAGGC
-r001/2 CAGCGGCAT
La información correspondiente en formato SAM es la siguiente:
@HD VN:1.6 SO:coordinate
@SQ SN:ref LN:45
r001 99 ref 7 30 8M2I4M1D3M = 37 39 TTAGATAAAGGATACTG *
r002 0 ref 9 30 3S6M1P1I4M * 0 0 AAAAGATAAGGATA *
r003 0 ref 9 30 5S6M * 0 0 GCCTAAGCTAA * SA:Z:ref,29,-,6H5M,17,0;
r004 0 ref 16 30 6M14N5M * 0 0 ATAGCTTCAGC *
r003 2064 ref 29 17 6H5M * 0 0 TAGGC * SA:Z:ref,9,+,5S6M,30,1;
r001 147 ref 37 30 9M = 7 -39 CAGCGGCAT * NM:i:1
--------------------------------------------------------------------------------------------------
| QNAME | FLAG | RNAME | POS | MAPQ | CIGAR | RNEXT | PNEXT | TLEN | SEQ | QUAL | Campos opcionales
Las dos primeras líneas son la sección de cabecera, las cuales están siempre indicadas con un "@" al comienzo y recogen información sobre los datos almacenados en el archivos y metadatos asociados codificados mediante una serie de etiquetas. En este ejemplo, "@HD" indica que esa línea contiene metadatos del archivo, siendo "VN:1.6" la versión del formato y "SO:coordinate", que los alineamientos están ordenados por coordenadas en el genoma. "@SQ" recoge información de la secuencia de referencia, donde "SN" indica que esta se llama "ref", y "LN:45" es su longitud.[4]
Las demás líneas son la sección de alineamiento, que contienen información para cada lectura individualmente.[4]
- QNAME: Identificador único de la lectura. Las lecturas/segmentos que tienen QNAME idéntico se consideran que provienen de la misma plantilla. En un archivo SAM, una lectura puede ocupar múltiples líneas de alineamiento, cuando su alineamiento es quimérico o cuando se proporcionan múltiples asignaciones.
- FLAG: Valor del indicador en bits. Este indicador describe si la lectura es está mapeada en la secuencia de referencia o no, si está emparejada con otra lectura, si pertenece a un alineamiento primario etc.[5]
- RNAME: Nombre de la secuencia de referencia de la alineamiento.
- POS: Posición de mapeo más a la izquierda basada en 1 de la primera base coincidente. La primera base de una secuencia de referencia tiene la coordenada 1. POS se establece como 0 para una lectura no asignada sin coordenadas.
- MAPQ: Mapeo de la calidad. Es igual a −10*log10 Pr{la posición de mapeo es incorrecta}, redondeado al entero más cercano. Un valor 255 indica que la calidad del mapeo no está disponible.
- CIGAR: Cadena de caracteres que guardan información sobre el alineamiento, si contiene deleciones, inserciones etc.
- RNEXT: Nombre de la secuencia de referencia del alineamiento primario de la siguiente lectura en la plantilla. Para la última lectura, la siguiente lectura es la primera lectura en la plantilla.
- PNEXT: Posición de la alineamiento primaria de la siguiente lectura en la plantilla. Este campo equivale a POS en la línea principal de la próxima lectura.
- TLEN: Longitud de plantilla observada firmada. El segmento más a la izquierda tiene un signo más y el más a la derecha tiene un signo menos. El signo de los segmentos en el medio no está definido. Se establece como 0 para plantillas de segmento único o cuando la información no está disponible.
- SEQ: secuencia de segmento. Un '=' indica que la base es idéntica a la base de referencia.
- QUAL: ASCII de la métrica de calidad base +33 (igual que la cadena de calidad en el formato Sanger FASTQ ). Una calidad base es la probabilidad de error base escalada en phred que es igual a −10*log10 Pr{la base es incorrecta}. Este campo puede ser un '*' cuando no se almacena la calidad. Si no es un '*', SEQ no debe ser un '*' y la longitud de la cadena de calidad debe ser igual a la longitud de SEQ.
El campo FLAG se muestra como un solo número entero, pero la suma de valores en bits se usa para denotar múltiples atributos de un alineamiento.[4] Cada atributo denota un bit en la representación binaria.
| Número |
Binario |
Descripción (Interpretación de lectura en pares) |
|---|
| 1 |
000000000001 |
Plantilla que tiene múltiples plantillas secuenciadas (lecturas emparejadas) |
| 2 |
000000000010 |
Cada segmento está adecuadamente alineado (lecturas mapeadas y emparejadas) |
| 4 |
000000000100 |
Segmento no mapeado (la lectura 1 no mapea) |
| 8 |
000000001000 |
Siguiente segmento en la plantilla no mapeado (la lectura 2 no mapea) |
| 16 |
000000010000 |
SEQ es la secuencia complementaria reversa (lectura 1) |
| 32 |
000000100000 |
SEQ es el siguiente segmento en la plantilla, que es complementaria reversa (lectura 2) |
| 64 |
000001000000 |
El primer segmento en la plantilla (lectura 1) |
| 128 |
000010000000 |
El último segmento en la plantilla (lectura 2) |
| 256 |
000100000000 |
Alineamiento no primario |
| 512 |
001000000000 |
El alineamiento falla los controles de calidad |
| 1024 |
010000000000 |
Lectura duplicada (PCR u óptica) |
| 2048 |
100000000000 |
Alineamiento suplementario (ej.: específico de alineador, puede ser una porción de la lectura partida o una región enlazada) |
Los atributos FLAG se suman para obtener el valor final, por ejemplo, una fila SAM resultante de un registro FASTQ de extremos emparejados de Illumina que tiene el valor FLAG 2145 indicaría:
| Valor de la bandera |
Significado |
Valor acumulado |
|---|
| 1 |
la lectura está emparejada |
1 |
| 32 |
read2 fue complementado inversamente |
33 |
| 64 |
lectura1 |
97 |
| 2048 |
alineamiento suplementaria |
2145 |
La duodécima columna en los archivos SAM corresponde a campos opcionales, separados por comas. Estos recogen información sobre secuencias identificadoras de lecturas, de célula (en caso de que los datos provengan de secuenciación de célula única), métricas de calidad Phred etc. Los campos opcionales siempre comienzan con el formato: Indicador (FLAG):Tipo:Valor.[4] El tipo puede ser uno de los siguientes: A (carácter), C(número entero 0-255), f (número real), H (conjunto hexadecimal), i (número entero) o Z (cadena de caracteres).[6]
