【原创】生信分析常见文件格式说明

    生信分析中经常会遇到各种格式特殊的文件，例如：fasta、gff、gtf、gbk、m8、sam/bam、vcf 等；本文主要就生信分析中常见的一些文件格式做简单说明，持续更新中。。。

FASTA

    fasta 是通用的序列文件格式，包含核酸序列及蛋白序列。常见的文件格式后缀有很多种，例如：.fasta、.fna、.fa 等，包括一些数据库或软件中下载或生成的 .cds、 .ffn、 .exon、 .pep、 .pro、 .faa 等其本质上也都是 fasta 格式文件。

fasta格式文件例图

    一个 fasta 文件可含有多条核酸或蛋白序列，每条序列都可以由两部分组成：

    1、序列标识说明

        以 “>” 开头，后面接序列标识，到空格为止，例如 染色体编号、基因ID、基因名称等具有特异性的标识，同一个fasta文件中一般要求各序列标识不可重复；空格后可增加序列描述信息，长度没有限制；全部标识信息及描述信息必须在同一行。

    2、序列

        由常见的核酸符号或氨基酸符号组成，核酸序列一般不限制大小写，氨基酸序列一般为大写，单行长度不超过80bp（一般为60bp），可多行写入。

        ps：序列长度一般没有严格限制，但在部分生信软件中有较为严格的60bp/80bp长度要求。

GFF/GTF

    gff/gtf 是通用的基因组注释文件格式，一般用于注释基因组的基因的位置等信息。

    详细的格式说明及gff与gtf之间的转换关系可参见本人之前的文章：《GTF与GFF》

GBK

    gbk格式即genbank格式，一般为基因组注释信息文件，常见的文件后缀有：.gbk、.gb、.gbff等

m8

    m8格式文件是blast软件比对结果的一种常见格式，共包含12列：

m8格式文件例图

其中，各列说明如下：

    1. Query id： 查询序列ID标识

    2. Subject id： 比对上的目标序列ID标识

    3. % identity： 序列比对的一致性百分比

    4. alignment length：符合比对的比对区域的长度

    5. mismatches：比对区域的错配数

    6. gap openings：比对区域的gap数目

    7. q. start： 比对区域在查询序列(Query id)上的起始位点

    8. q. end： 比对区域在查询序列(Query id)上的终止位点

    9. s. start： 比对区域在目标序列(Subject id)上的起始位点

    10. s. end： 比对区域在目标序列(Subject id)上的终止位点

    11. e-value： 比对结果的期望值，解释是大概多少次随即比对才能出现一次这个score,Evalue越小，表明这种情况，从概率上越不可能发生，但是现在发生了，所以这个比对具有很重要的意义

    12. bit score： 比对结果的bit score值

sam/bam

    sam/bam格式是生信分析中大多数比对软件的结果输出格式，bam文件可看做是sam文件经特殊压缩后的文件，两者之间可通过samtools软件（官网：http://www.htslib.org/）相互转换，且bam文件也需要借助samtools软件查看

samtools的常用命令如下：

bam文件查看：

samtools view  Sample-A.bam 

sam转换为bam：

samtools view -bS -@ 16 -t  genome.fa.fai  Sample-A.sam > Sample-A.bam

bam转换为sam：

samtools view -H  Sample-A.bam  > Sample-A.sam

samtools view  Sample-A.bam  >> Sample-A.sam

sam/bam格式文件例图

sam/bam文件除头部的“@”开头的注释信息外，比对信息内容共12列，各列说明如下

    1. QNAME 表示的是查询序列的名称即短片段（reads）的名称；

    2. FLAG 以整数来表示比对的结果，不同数值有不同的意义，数值也可以是下列数的组合；    比如如果FLAG是4的话则表示该reads没有比对到参考序列上，flag为16表示single-end reads比对到参考序列的反链上，flag为83（64+16+2+1）表示paired-end reads中的第一个reads比对到参考序列上了。

    3. RNAME 表示参考序列的名称，比如基因组的染色体编号等，如果没有比对上则显示为*； 【chromosome】

    4. POS 表示比对的起始位置，以1开始计数，如果没有比对上则显示为0； 【5'端起始位置】

    5. MAPQ 比对质量；（数字越大，特异性越高）

    6. CIGAR CIGAR 字符串，即比对的详细情况， 记录插入，删除，错配，后剪切拼接的接头。简要比对信息表达式（Compact Idiosyncratic Gapped Alignment Report），其以参考序列为基础，使用数字+字母表示比对结果。比如3S6M1P1I4M，前三个碱基被剪切去除了，然后6个比对上了，有一个碱基缺失，有一个碱基插入，最后是4个比对上了，是按照顺序的；

    7. RNEXT 双末端测序中下一个reads比对的参考系列的名称，如果没有则用 " * " 表示，如果和前一个reads比对到同一个参考序列则用" = "表示；【mate名称，记录mate pair信息】

    8. PNEXT 下一个reads比对到参考序列上的位置，如果没有则用0表示； 【mate的位置】

    9. ISIZE/TLEN query序列的模板长度或者插入长度，Template的长度，最左边得为正+，最右边的为负 -，中间的不用定义正负，不分区段（single-segment)的比对上，或者不可用时，表示为0；

    10. SEQ  reads的序列信息；

    11. QUAL  reads的序列质量信息，同FASTQ。

    12. 可选字段（optional fields)【程序用标记】  格式如：TAG:TYPE:VALUE，其中TAG有两个大写字母组成，每个TAG代表一类信息，每一行一个TAG只能出现一次，TYPE表示TAG对应值的类型，可以是字符串、整数、字节、数组等。

VCF

    VCF用于描述SNP，INDEL和SV结果的文本文件，其详细说明已在本人之前的文章中有详细说明，欢迎查阅：《VCF文件格式说明》。

更多生信常见文件格式持续更新中。。。