SAM/BAM的CIGAR重难点知识

豆豆写于2020.4.6
发现昨天被花花吐槽了一下，不行，赶快还花花一篇，作为补偿
记录一个小知识点，比对后SAM/BAM的CIGAR这一列中的含义，重点是soft clipping 和 hard clipping的理解

首先了解SAM/BAM中的CIGAR含义

看这篇：再次理解SAM/BAM操作

根据sam的帮助文档：http://samtools.sourceforge.net/SAM1.pdf

op    Description
M    Alignment match (can be a sequence match or mismatch
I    Insertion to the reference
D    Deletion from the reference
N    Skipped region from the reference
S    Soft clip on the read (clipped sequence present in <seq>)
H    Hard clip on the read (clipped sequence NOT present in <seq>)
P    Padding (silent deletion from the padded reference sequence)

然后来看什么是clipped alignment和spliced alignment

参考：https://davetang.org/wiki/tiki-index.php?page=SAM

• clipped alignment：read只有中间部分能比对上，而两侧在比对过程中被忽略

  # 3S4M1D5M3S(3 soft, 4 match, 1 deletion, 5 match and 3 soft)
  Read:       CGATTGC-TCCGCCAGG
  |              |||| ||||||
  Ref:CCGATCGAGACTTGCGTCCGCCTCCCGATCA
  

• spliced alignment：read一端比对上，跳过了中间，然后另一端也比对上【CIGAR中用“N”表示】如果是转录组数据的比对结果，N表示内含子；其他类型组学数据中N也可以用，但没有意义，和deletion一个意思（参考：https://www.biostars.org/p/96347/）

  # 3M1D4M13N5M
  #  This only makes sense when you're aligning things like cDNA/expression data.
  REF:  ATCGATCGATCGATCGATCGATCGATCGATCG
          ||||||||||||||||||||||||||
  QUERY:    ATC-ATCG-------------ATCAT
  # 如果是DNA测序reads的比对，也可以全部用D来表示：即3M1D4M13D3M
  

然后clipped alignment有两种形式

分为soft和hard（在SAM/BAM的CIGAR列分别用“S”和“H”表示），它们很相似，不同是：

来自：https://www.biostars.org/p/119537/

• soft-clipped: bases in 5' and 3' of the read are NOT part of the alignment. 这部分没比对上但保留在了SAM/BAM比对结果中

• hard-clipped: bases in 5' and 3' of the read are NOT part of the alignment AND those bases have been removed from the read sequence in the BAM file 这部分没比对上并且没有保留在SAM/BAM比对结果中

  # 还是上面👆clipped alignment的例子：
  # 如果是：3H4M1D5M3H，那么保留在SAM中的结果就是：TTGCTCCGCC，而不是CGATTGCTCCGCCAGG（虽然CGA没有比对上，但依然在soft clipped结果中保留下来）
  Read:            TTGC-TCCGCC
  |              |||| ||||||
  Ref:CCGATCGAGACTTGCGTCCGCCTCCCGATCA
  

来自：https://www.biostars.org/p/109333/

• soft-clipped: if your cigar is 10S10M10S then the SEQ and base-quals will be 30 bases long. 利用soft-clipping算法可以避开由于read两侧质量低而导致整条read比对不上的现象。不过即使被标记为soft clipped保留下来，依然不会在找变异、基因组浏览器可视化、计算覆盖度等过程中被使用（例如https://www.biostars.org/p/255062/中就提到：在计算基因组覆盖度时，几乎全部工具bamCoverage/multiBamSummary甚至samtools view -c都会忽略soft clip情况）

• hard-clipped: if your cigar is: 10H10M10H then the SEQ will only be 10 bases long.

那么什么时候标记Hard clip，什么时候标记Soft clip呢？

参考：https://www.biostars.org/p/310722/ 和 https://www.biostars.org/p/109333/

• in bwa, HARD clipping is used for supplementary reads.

• if the read has a chimeric alignment, the paired
  or the top hit uses soft clipping ；All the other hits part of the chimeric alignment will use hard clipping

• chimeric alignment: “嵌合比对” 的形成是由于一条测序read比对到基因组上时分别比对到两个不同的区域，而这两个区域基本没有overlap。因此它在sam文件中需要占用多行记录显示。只有第一个记录被称作"representative",其他的都是"supplementary"【Chimeric reads are also called split reads】；RNA-seq中的chimeric read或许可以说明有融合基因存在，但在基因组中一般作为结构变异的证据