SAM格式怎么写？7个实用技巧

引言Introduction

SAM格式是生物医学和组学分析里最常见的比对结果格式之一。很多医学生、医生和科研人员在看测序结果时，常会卡在“字段太多、含义不清、不会判断质量”这一步。掌握SAM格式怎么写，不只是会排版，更是理解比对结果的基础。

1.SAM格式是什么

1.1 SAM格式的基本定义

SAM格式，全称是Sequence Alignment/Map format。它用于记录序列比对信息，常见于短读长测序数据分析。它既能保存比对位置，也能保存比对质量、比对方向、CIGAR字符串等关键信息。

对于科研人员来说，SAM格式是从原始测序数据走向变异检测、表达量分析和可视化分析的第一步。 如果这一步写错，后续分析结果会直接受影响。

1.2 SAM格式的核心结构

SAM文件通常分为两部分。第一部分是可选的头部信息，第二部分是比对记录。头部用于说明参考序列和程序信息。记录区则是一行一个比对结果。

一条标准记录通常包含11个必需字段。包括：

• QNAME，读段名称。
• FLAG，比对标记。
• RNAME，参考序列名。
• POS，比对起始位置。
• MAPQ，比对质量。
• CIGAR，比对模式。
• RNEXT，配对序列参考名。
• PNEXT，配对序列位置。
• TLEN，模板长度。
• SEQ，序列。
• QUAL，质量值。

理解这些字段，是写好SAM格式的前提。

2.SAM格式怎么写

2.1 先写头部信息

头部信息不是必须，但非常重要。常见头部以“@”开头，例如：

• @HD，说明文件格式版本。
• @SQ，说明参考序列信息。
• @RG，说明读段分组。
• @PG，说明使用的软件程序。

如果是规范化科研分析，建议保留@HD和@SQ。这样文件更容易被下游软件识别，也便于复现。

2.2 再写每一条比对记录

每一条记录都用制表符分隔，不能随意用空格替代。字段顺序也不能改变。下面是一个简化示例：

read001	0	chr1	100	60	50M	*	0	0	ACGT...	FFFF...

这里的含义是，这条读段名为read001，比对到chr1的100位点，MAPQ为60，CIGAR为50M，说明50个碱基全部匹配。

写SAM格式时，最容易出错的不是内容本身，而是分隔符、字段顺序和字段类型。

2.3 注意必需字段的合法值

SAM格式对每个字段都有基本要求。比如：

• FLAG必须是整数。
• POS必须是正整数。
• MAPQ通常为0到255。
• SEQ和QUAL长度应一致。
• 未知参考序列可用“*”。

如果是成对末端测序，还要特别注意RNEXT、PNEXT和TLEN的逻辑一致性。字段之间不是孤立存在的，必须相互对应。

3.7个实用技巧，帮你写对SAM格式

3.1 技巧一，先确认参考序列命名统一

很多SAM格式错误，其实不是格式问题，而是命名不一致。比如参考基因组中用“chr1”，比对结果里却写成“1”，下游软件就可能报错。

建议在分析前统一命名体系。参考序列名称必须与比对流程、注释文件保持一致。

3.2 技巧二，严格使用制表符分隔

SAM格式要求字段之间用Tab分隔。不是空格，也不是逗号。肉眼看不出来时，最容易在编辑器里被误改。

如果需要手工检查，可以开启“显示不可见字符”功能。这样能快速识别分隔符问题。

3.3 技巧三，重点检查FLAG字段

FLAG字段信息量很大，决定了读段是否成对、是否反向互补、是否未比对、是否为次优比对等。

常见错误包括：

• 把单端读段写成配对读段。
• 把已比对数据误标成未比对。
• 方向标记和实际序列不一致。

FLAG写错，会直接影响比对解释和统计结果。

3.4 技巧四，正确理解CIGAR字符串

CIGAR用于描述序列和参考之间的匹配关系。常见符号有：

• M，匹配或错配。
• I，插入。
• D，缺失。
• S，软剪切。
• H，硬剪切。

如果你要判断某条读段是否存在插入缺失变异，CIGAR就是关键依据。比如“10M1I39M”说明中间有1个碱基插入。不会看CIGAR，就很难真正读懂SAM格式。

3.5 技巧五，保持SEQ和QUAL长度一致

SEQ是碱基序列，QUAL是对应的质量值。两者长度必须相同。否则很多程序会直接拒绝读取。

在批量生成SAM格式时，这类问题常来自截断、过滤或脚本处理错误。建议在写入前做自动校验。

3.6 技巧六，合理处理未比对读段

未比对读段在SAM里不是“空白”，而是要按规范写成特定形式。通常RNAME、POS、MAPQ、CIGAR等会使用约定值，例如“*”或0。

不要擅自删掉未比对读段。 它们对于质控、污染判断和比对失败分析都有价值。

3.7 技巧七，优先用工具生成，不手工硬写

SAM格式字段多，人工写入出错率高。实际工作中，更推荐使用标准比对工具自动生成，例如BWA、Bowtie2、STAR等，再结合SAMtools检查和转换。

对于科研场景，标准流程通常是：

1. 原始FASTQ质控。
2. 序列比对生成SAM。
3. 转为BAM并排序。
4. 进行索引和下游分析。

手工写SAM适合教学和理解，正式分析应尽量交给标准软件。

4.写SAM格式时最常见的错误

4.1 错把空格当分隔符

这是最常见的问题。很多初学者用文本编辑器手工输入时，会把Tab写成多个空格。看起来差不多，软件却可能无法识别。

4.2 字段顺序错位

SAM格式对字段顺序要求严格。顺序一旦变化，整个记录就失效。即使内容全对，也无法被正确解析。

4.3 质量值和序列长度不匹配

这类错误很隐蔽。尤其在脚本处理后，容易因为截断导致SEQ与QUAL不一致。建议在导出前做一次长度校验。

4.4 头部信息与主体数据不一致

比如头部声明了chr1、chr2，但记录区出现chr3。或者参考版本不一致。这会导致后续注释和统计出现偏差。

5.如何高效检查SAM格式

5.1 先做语法检查

可以先检查是否存在字段数量错误、分隔符错误、长度不一致等问题。对于大文件，建议用脚本批量验证。

5.2 再做逻辑检查

语法正确不代表生物学逻辑正确。还要检查：

• FLAG与比对方向是否一致。
• CIGAR与SEQ长度是否匹配。
• 成对读段的PNEXT和TLEN是否合理。

5.3 最后做工具兼容性检查

不同软件对SAM格式的容忍度不同。正式提交论文数据、共享数据或进入临床研究流程前，建议在目标工具链中完整跑通一次。

兼容性检查的价值，往往比单纯“格式看起来对”更高。

6.从SAM格式到下游分析

6.1 为什么SAM格式很关键

SAM是原始比对结果的标准文本表达。它直接决定后续能否准确进行变异检测、峰值分析、表达定量和可视化。

如果SAM格式不规范，下游BAM转换、排序、索引都会受影响。最终可能导致结果偏差，甚至整个流程重跑。

6.2 实际工作中的推荐路径

对于多数研究场景，建议采用“自动生成，人工核查，工具验证”的方式：

• 自动生成SAM。
• 抽样检查头部和记录。
• 用SAMtools转换为BAM。
• 检查排序和索引。
• 再进入下游分析。

这比一开始手工写SAM更稳妥，也更符合科研规范。

6.3 解螺旋如何帮助你提升效率

如果你在学习SAM格式、搭建NGS分析流程，或者需要把复杂的比对结果讲清楚，解螺旋可以提供更适合科研场景的知识支持与内容服务。它更适合帮助你把术语讲明白，把流程理顺，把结果表达专业化。对于医学生、医生和科研人员来说，这能明显减少理解成本和沟通成本。

总结Conclusion

SAM格式看似只是一个文本文件，实则承载了序列比对的核心信息。写对SAM格式的关键，不是死记字段，而是理解字段之间的逻辑关系。 掌握参考序列命名、制表符分隔、FLAG、CIGAR、长度一致性和工具链验证这7个技巧，基本就能避开大部分常见错误。

如果你需要更高效地学习生信知识、整理科研内容，或者把复杂流程转化为清晰可执行的表达，建议结合解螺旋的专业支持进行系统提升。