📚 课程目录第3章 BAM/SAM文件格式详解

BAM/SAM文件格式详解：FLAG、MAPQ、CIGAR等字段对参数的影响

BAM/SAM格式，说白了就是测序数据的“身份证”。你回想一下，BAM文件里每一条记录，其实都标着上百个标签。但我刚开始做变异检测时，总以为这些字段只是“备注”，后来在项目里踩了坑才明白——FLAG、MAPQ、CIGAR 这几个字段，直接决定了你的参数该往哪调。

FLAG 字段本质上是一个二进制位图。每条 read 的比对状态都会被编码进这个数字里。我个人习惯在写过滤脚本前，先拿 samtools 看一眼 FLAG 分布，这样你就清楚哪些 read 该留、该丢。

举个例子：我在跑 strelka 时，发现很多假阳性来自未配对的 read。后来我在参数里加了一条：

--read-filter my_filter: "flag & 0x0004 == 0"

其实就是把 unmapped read 全排除了。你想想看，如果 FLAG 里没有 4 这个位，你根本不知道哪些是噪音。

避坑：我遇到过一次，FLAG 设为 0 时（表示所有 read 都接受），结果混入了大量 unmapped 和 secondary 比对，严重拖慢速度。后来才改了。

MAPQ 本质上是 -10*log10(P(比对错误))。数值越高，说明 read 在这个位置越可靠。我一般在低深度区域会把 MAPQ 阈值调低，不然覆盖率根本不够。

常见的 MAPQ 阈值建议：

你看下面这条命令，就是典型的过滤：

samtools view -q 20 -f 0x2 input.bam

-q 20 代表只保留 MAPQ ≥ 20 的 reads，同时 -f 0x2 表示只保留 properly paired。

  我在实际项目里踩过的坑：有一次发现一批假阳性位点，MAPQ 分布集中在 5～15。后来我查是这个样本重复区高，bwa 用了默认参数把低质量的比对都放出来了。最后我把 --min-MAPQ 设成 15，GATK 的过滤器才正常。

CIGAR 字符串描述了 read 里的每个碱基是怎么和参考基因组对齐的。比如 5S10M2D3M：5个 soft-clip，10个严格匹配（或错配），2个 deletion，3个 match。

对参数影响最大的两个东西：

Soft-clipping：我建议工具里开启 soft-clip 过滤，以免引入断裂位点的误报。
Insertion/Deletion：有些变异检测器（比如 Mutect2）需要你设定最大 indel 长度，否则 CIGAR 里太长的大段插入会导致错位。

举个实际配置例子：我手头在处理一份全外显子数据，CIGAR 里频繁出现 20 个碱基以上的 soft-clip：

samtools view -e 'cigar_str!~"^[0-9]+S"' input.bam

这行命令会把开头就打上 soft-clip 的 read 去掉，防止它们引入异常断点。

避坑笔记：我做过一个 RNA 项目，结果很多 read 的 CIGAR 里有长 N（splice junction）。如果用 germline 默认参数，这些 N 会被当成 deletion，假阳性率直接飙。后来我改成针对 RNA 的模型，CIGAR 里的 N 才被正常处理。

除了 FLAG、MAPQ、CIGAR，还有几个字段对参数影响也挺大。

我记得有次处理 WGS 数据，发现很多 read 对 RNEXT 是 ‘=‘ 但 TLEN 超过 1000bp，明显是不正常的文库构建。我就在参数里加了 --max-depression 800，才把这些假阳性压下来。

  关键原则：RNEXT 和 PNEXT 配合 TLEN 能帮你判断文库质量，尤其是 paired-end 的 read 是否真的在一起。如果 TLEN 为 0 或负数，说明配对有问题，GATK 这类工具会自动跳过。

FLAG 只看常见值？实际上每个平台或 aligner 都会给某些位打上特殊标记。我习惯用 samtools flagstat 看整体分布。
MAPQ 阈值的陷阱：高 MAPQ ≠ 高准确性。在低复杂区域、重复区，bwa 可能会给 high MAPQ，但实际是错配。我建议结合 MQ0 或者 reads support 一起看。
CIGAR 里的‘S’和‘H’：如果是 RNA，检查是否保留了 spliced read 的 N。如果是 DNA，留意 adapter 有没有残留。
拆分与合并：我建议不要轻易在 BAM 里省掉 auxiliary 字段，比如 NM、AS 等。这些字段在后续 recalibration 里会被用到，一旦没了，你还得回去重建。

这张图清楚说明了原始 read 记录如何通过 FLAG、MAPQ、CIGAR 及其他字段，最终汇总到参数过滤规则。理解了这个流程，你就能精准调节每个参数，而不是盲目试。