BAM比对信息是什么？5分钟读懂核心要点

引言Introduction

BAM比对信息 是二代测序数据分析里最常见、也最容易被忽略的一环。很多人拿到BAM文件，只会看比对率，却不知道每一列字段代表什么，更难判断数据是否可用于后续定量、差异分析和注释。

1.BAM比对信息是什么

1.1 从SAM到BAM，先理解文件本质

BAM文件是SAM文件的二进制压缩形式。两者都用于保存短片段序列与参考基因组的比对结果 。在高通量测序中，参考序列、比对位置、质量值和比对方式，都需要被统一记录，这就是比对信息存在的原因。

从实际分析看，BAM文件更适合存储和传输，体积更小，读取更快。很多流程先生成SAM，再转换为BAM，并按基因组位置排序。对医学生和科研人员来说，理解BAM比对信息，核心不是记住格式，而是知道这些字段如何影响下游分析结论。

1.2 为什么BAM文件是下游分析的起点

比对完成后，常见结果包括 accepted_hits.bam、sorted.bam 等文件。它们记录了哪些reads成功比对、比对到哪里、比对质量如何，以及是否存在未比对、反向比对或双端配对信息。

这些信息直接决定后续能否做：

• 基因表达定量
• 变异检测
• 转录本注释
• 重复序列去除
• 可变剪切分析

如果BAM比对信息不准确，后面的Counts、差异表达和SNP结果都会受影响。

2.BAM比对信息里最关键的字段

2.1 11个字段中，先抓住前8列

SAM/BAM的详细比对部分由11个Tab分隔字段组成。实际分析中，最常用的是前8列，其中Rname、POS、MAPQ、Cigar最关键 。

常见字段含义如下：

1. Qname ：查询序列名称，来自FASTQ中的read名。
2. Flag ：整数编码，表示比对状态。
3. Rname ：比对到的染色体或参考序列。
4. POS ：比对起始位置，从1开始计数。
5. MAPQ ：比对质量，数值越高，特异性通常越强。
6. Cigar ：记录比对细节，如插入、缺失、错配、剪切和拼接。
7. Rnext ：双端测序中，下一条read比对到的参考序列名。
8. Pnext ：双端测序中，下一条read比对位置。

对单端测序而言，Rnext通常为“*”，Pnext通常为0。

2.2 Flag怎么读，先看几个常见值

Flag是BAM比对信息中最容易让初学者困惑的部分。它不是一个简单编号，而是编码了多个比对属性。

常见示例如下：

• 4 ：序列没有比对到参考序列
• 16 ：单端序列比对到参考序列反向链
• 83 ：双端序列中的第一条read，并且有特定方向信息

在真实数据里，Flag常与是否成对、是否重复、是否反向比对等状态一起出现。判断BAM比对信息是否正常，Flag是最先要核查的字段之一。

2.3 CIGAR决定了比对结构是否可靠

CIGAR记录了read如何与参考序列对齐。它包含插入、删除、错配、剪切和拼接等信息。对RNA-seq数据尤其重要，因为外显子之间存在内含子，常见的拼接比对会直接反映在CIGAR里。

如果CIGAR显示大量异常剪切、缺失或错配，需要结合MAPQ和比对软件参数进一步判断。CIGAR不是装饰字段，而是判断比对是否符合生物学预期的重要依据。

3.如何快速读懂BAM比对信息

3.1 先看比对率，再看分布

很多人拿到BAM文件后，第一步只看总体比对率。这个习惯是对的，但不够。比对率能告诉你数据是否大体可用，例如某些案例中比对率可达96%以上，说明原始数据质量较好。

但只看比对率还不够，还要继续看：

• reads是否主要集中在预期染色体
• 是否存在大量未比对reads
• MAPQ是否普遍偏低
• 是否有明显的双端配对异常
• 是否存在过多重复比对

比对率高，不等于BAM比对信息一定完全正常。

3.2 再看唯一比对和多重比对

在表达定量中，唯一比对非常重要。因为一条read如果同时落在多个基因组位置，就会增加注释歧义。HTSeq一类工具通常会优先提取唯一比对的reads，用于后续基因水平Counts统计。

这一步的逻辑很明确：

• 唯一比对，适合定量
• 多重比对，容易引入歧义
• 未比对reads，需要排查原因

对转录组分析来说，BAM比对信息不仅要“对上”，还要“对得清楚”。

3.3 排序后的BAM更适合下游处理

BAM文件在进入定量前，通常需要按基因组位置排序。排序后的文件更利于索引、可视化和后续统计。很多流程里，排序后的BAM是标准输入格式。

常见操作流程是：

1. 比对生成SAM
2. 转换为BAM
3. 按基因组位置排序
4. 必要时建立索引
5. 进入定量或注释

排序不是格式性步骤，而是BAM比对信息可读、可检索、可复用的基础。

4.BAM比对信息如何服务于转录组分析

4.1 从BAM到基因表达量

在有参考基因组和GTF注释文件的前提下，BAM比对信息可以进一步用于基因表达定量。HTSeq、featureCounts、subread等工具，都是基于比对结果和注释信息，统计每个基因对应的reads数。

这里最关键的是：

• 输入必须有BAM/SAM文件
• 还需要对应的GTF注释
• 通常用于不同样品间比较
• 需要优先保留唯一比对reads

如果GTF文件设计不合理，或者包含过多可变剪切信息，HTSeq可能会把reads判为Ambiguous，影响Counts结果。所以BAM比对信息的质量，直接影响表达矩阵的可信度。

4.2 UMI数据还要考虑PCR重复

如果实验设计中加入了UMI，BAM比对信息还要结合UMI去重。因为相同UMI、相同位置的reads，很可能来自PCR扩增重复，而不是独立转录本。

常见思路是：

• 统计每个细胞、每个基因的UMI种类数
• 将相同UMI视为重复扩增的可能来源
• 去重后再做标准化和下游分析

这一步对单细胞转录组尤其重要。没有UMI校正的BAM比对信息，容易高估真实表达量。

4.3 标准化前，先确认数据结构

传统转录组常用RPKM或FPKM。单细胞和UMI数据则更强调原始Counts和后续归一化。无论哪种方法，前提都是BAM比对信息已经正确整理，并能稳定映射到基因层面。

简言之：

• 比对正确，才能注释正确
• 注释正确，才能计数正确
• 计数正确，才有资格谈差异分析

5.做BAM比对信息分析时最容易犯的错

5.1 只看软件结果，不看原始字段

很多初学者只关注比对软件输出的汇总表，却不看BAM文件本身。这样容易漏掉关键问题，比如低MAPQ、异常Flag、CIGAR结构不合理，或者未比对reads过多。

5.2 混淆单端和双端逻辑

单端测序和双端测序在Rnext、Pnext、Flag上有明显差异。单端数据不应强行按双端逻辑解释。先确认文库类型，再解读BAM比对信息，是最基本的前提。

5.3 用不合适的注释文件

BAM比对信息要进入定量，离不开GTF/GFF注释。若注释文件版本与参考基因组不匹配，结果会明显偏差。人类数据常见参考版本如hg19、hg38，必须与比对时使用的参考保持一致。

总结Conclusion

BAM比对信息本质上是测序reads与参考序列之间的“对齐记录”。它包含染色体位置、方向、质量、配对关系和比对结构等关键信息。真正决定下游结果可靠性的，不是你是否生成了BAM文件，而是你是否读懂了BAM比对信息。

对于医学生、医生和科研人员来说，建议优先掌握三点：看懂Flag，理解CIGAR，判断MAPQ和唯一比对情况。这样才能把BAM文件从“黑箱结果”变成“可解释数据”。

如果你希望把BAM比对信息进一步用于表达定量、注释和单细胞分析，解螺旋 可以帮助你把复杂流程拆成可执行步骤，减少踩坑，提高分析效率。