生信分析过程中这些常见文件的格式以及查看方式你都知道吗？

生信分析过程中，会与很多不同格式的文件打交道，除了原始测序数据 fastq 之外，还需要准备基因组文件 fasta 格式和基因注释文件 gtf 格式。在分析的过程中还会有众多中间文件的生成，如 bed 、 bed12 、 sam 、 bam 、 wig 、 bigwig 、 bedgraph 等，生成后我们一般会查看下内容了解文件每一列的含义，以此来决定需要提取哪些有用信息列来进行下一步分析。

插播一个小剧场

老板：“先查看一下bam文件内容。”

小白：嗒嗒嗒敲键盘。

$ less ehbio.bam

"ehbio.bam" may be a binaryfile. See it anyway?

小白：“哎呀，错了，应该这样。” 嗒嗒嗒敲键盘。

$ samtools view ehbio.bam # 回车一敲，灾难，电脑要卡死，赶紧按`control + c`

$ samtools view ehbio.bam | less # 这下终于可以查看了

老板：“你逗我呢……”（不失礼貌的批评）

刚接触生信分析的小白们这种尴尬的事情时有发生，为了帮助大家梳理这些剪不断理还乱的文件，本文 以分析流程为主线，介绍各文件的格式以及有哪些常用命令来查看或处理它们。

1. 测序数据FASTQ文件

1） 文件用途：样品测序返回的数据一般存储为fastq文件，通常是压缩文件 filename.fq.gz 的格式，节省存储空间和传输时间。 NGS基础 - FASTQ格式解释和质量评估

2） 查看方式

# zcat查看gzip压缩的文件

# head -n 8 显示前8行文件内容（前8行代表2条序列）

zcat filename.fq.gz | head -n 8

# @SRR1039521.13952745/1

# TTCCTTCCTCCTCTCCCTCCCTCCCTCCTTTCTTTCTTCCTGTGGTTTTTTCCTCTCTTCTTC

# +

# HIJIIJHGHHIJIIIJJJJJJJJJJJJJJJJJJJJJIIJJFIDHIBGHJIHHHHHHFFFFFFE

3） 格式说明：fastq文件每4行代表一条序列

第一行：记录序列测序时所用仪器以及在测序通道中坐标信息，以 @ 开头；

第二行：测序的序列信息，以 ATCGN 表示，由于荧光信号干扰无法判断是什么碱基时就用 N 表示；

第三行：通常一个 + ;

第四行：与第二行碱基信息一一对应，存储测序碱基的质量值。

4）其他常用命令

# 计算read数

# wc -l: 计算行数

# bc -l: 计算器 (-l：浮点运算)

# 为什么除以4，又除以1000000，计算的是million值

echo "`zcat trt_N061011_1.fq.gz | wc-l` / (4*1000000)" | bc -l

# 测序碱基数计算

zcat trt_N061011_1.fq.gz | awk'{if(FNR%4==0) base+=length}END{print base/10^9,"G";}'

awk的介绍见：常用和不太常用的awk命令

2.基因组FASTA文件

此文件可以从ensemble数据库下载的（https://www.ensembl.org/info/data/ftp/index.html），一般选择下载 primary assemblyfasta （想知道为什么，点这里）。 fasta 文件用于序列存储，可以是DNA或蛋白序列，在此FASTA文件存储了基因组序列的信息。

序列名字行：以 > 符号开头，记录了该序列类型和所在基因组位置信息；

序列行（一行或多行）：序列信息，soft-masked基因组会把所有重复区和低复杂区的序列用小写字母标出的基因组，小写字母 n 表示 未知碱基。

>1 dna_sm:chromosomechromosome:GRCh38:1:1:248956422:1 REF

nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn

.....

ttgggctggggcctggccatgtgtatttttttaaatttccactgatgattttgctgcatg

gccggtgttgagaatgactgCGCAAATTTGCCGGATTTCCTTTGCTGTTCCTGCATGTAG

TTTAAACGAGATTGCCAGCACCGGGTATCATTCACCATTTTTCTTTTCGTTAACTTGCCG

.....

nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn

# 通常要求序列名字行简单为好，而且一般加chr作为开头

# 给第一行添加chr标签，并去掉其他多余信息

# 下面的写法复杂了些，是为了避免给已经有chr信息的名字再加一次

# 帮助无脑操作

sed 's/^>([^chr])/>chr1/' Homo_sapiens.GRCh38.dna.primary_assembly.fa |cut -f 1 -d ' ' > GRCh38.fa 3. 基因组注释文件gff和gtf

gff 全称 General featureformat ，主要是用来注释基因组。 gtf 全称 Gene transfer format ，主要是用来对基因进行注释。两者均是一个9列的基因信息注释文件，前8列的信息几乎一样，区别在于第9列。具体可见历史推文 NGS基础 - GTF/GFF文件格式解读和转换在此不再赘述。

从ensemble下载的 gtf 文件前5行一般是以 # 开头的注释信息，后续分析中用不上需要去除，同时需要给第一列添加 chr 标签（与基因组序列一致），可通过下面的命令对文件进行加工：

# grep 匹配查询 -v 输出不匹配的行

gunzip Homo_sapiens.GRCh38.94.gtf.gz -c |grep -v '^#' | sed '/^[^chr]/ s/^/chr/' >GRCh38.gtf 4. bed文件

分析过程中的bed文件一般代表区域信息，如表示 Peak 位置的 bed 文件，表示基因注释的 bed12 文件。

表示基因注释时，gtf/gff和bed文件的区别

1）gtf/gff文件一行表示一个 exon/CDS 等子区域，多行联合表示一个gene；bed文件一行表示一个gene；

2）gtf文件中碱基位置定位方式是 1-based ，而bed中碱基定位方式是 0-based ，如下图所示。

bed文件每一行对应信息

必须包含的3列信息：

1）chrom：染色体名字 (e.g.chr3, chrY, chr2_random或者scaffold10671)。

2）chromStart：基因在染色体或scaffold上的起始位置（0-based）。

3）chromEnd：基因在染色体或scaffold上的终止位置（前闭后开）。

可选的9列信息：

4）name：bed文件的行名。

5）score：本条基因在注释数据集文件中的评分（0-1000），在Genome Browser中会根据不同区段的评分显示对应的阴影强度（评分越高灰度越高）。

6）strand：链的方向 + 、 - 或 . ( . 表示不确定链的方向)

7）thickStart：CDS区（编码区）的起始位置，即起始密码子的位置。

8）thickEnd：The endingposition at which the feature is drawn thickly (for example the stop codon ingene displays).

9）itemRgb：RGB颜色值（如：255,0,0），方便在GenomeBrowser中查看。

10）blockCount：bed行中外显子的数目。

11）blockSizes：逗号分割的列，数目与blockCount值对应，每个数表示对应外显子的碱基数。

12）blockStarts：逗号分割的列，数目与blockCount值对应，每个数表示对应外显子的起始位置（数值是相对ChromStart计算的）。

5. sam和bam文件

sam 文件全称The SequencingAlignment/Map Format，是Alignment/Map步骤bwa/STAR/HISAT2等软件对结果的标准输出文件， 用于存储reads比对到参考基因组的比对结果，是一个纯文本格式，文件一般较大。为了节省硬盘存储，一般使用其高效压缩的二进制格式 bam 文件。

利用 samtools view 的 -b 参数就能把 sam 文件转为 bam 文件。

1）sam文件查看方式

在linux终端直接用 less 即可进行查看；

2）bam文件查看方式

需要借助 samtools view 工具进行查看

samtools view filename.bam | less -S

samtools view -h filename.bam | less -S

NGS分析中大多数文件都是由 header 和 record 两部分组成，加上 -h 参数后可以将header显示出来，默认是不显示的。

@HD VN:1.5 SO:coordinate

@SQ SN:chr1 LN:248956422

@SQ SN:chr10 LN:133797422

......

@SQ SN:chrKI270392.1 LN:971

@SQ SN:chrKI270394.1 LN:970

@RG ID:BH_H3K27ac_2 LB:BH_H3K27ac_2 SM:BH_H3K27ac_2

@PG ID:bwa PN:bwa VN:0.7.15-r1140 CL:bwa mem -M -t 8 -R@RGtID:BH_H3K27ac_2tLB:BH_H3K27ac_2tSM:BH_H3K27ac_2tPL: /MP

@PG ID:MarkDuplicates VN:1.138(aa51703435dc6a423013e74e56b0b68405facd79_1439324166) CL:picard.sam.markduplicates.

K00141:244:HVL3NBBXX:8:2119:27235:3145399 chr1 10016 32 115M = 10016 115 CCCTAACCCTAACCCTAACCC

K00141:244:HVL3NBBXX:8:2119:27235:31453147 chr1 10016 32 115M = 10016 -115 CCCTTACCCTAACCCTAACCC

header内容 @HD：是必须的标准文件头，包含版本信息； @SQ：参考序列染色体名字和长度信息 (SN:scaffold name; LN: length)； @RG：重要read group信息，通常包含测序平台，测序文库和样本ID等信息，分析时用于区分不同样本（重测序时用到）； @PG：生成此文件的操作过程和参数信息（ program ）。
record内容每一行就是一条read比对上参考基因组的信息，总共12列，用 tab 键分割。

# 1. read名称；

# 2. 比对信息位flag值；

# 3. 参考序列染色体编号；

# 4. 5′端起始位置；

# 5. MAPQ：mapping quality，描述比对的质量，数字越大，特异性越高；

# 6. CIGAR字符串，记录插入、删除、错配等信息；

# 7. 配对read所比对到的染色体，仅双端测序的数据才有；

# 8. 配对read所比对到的位置，仅双端测序的数据才有；

# 9. 插入片段的长度，仅双端测序的数据才有；

# 10. read序列；

# 11. read质量值；

# 12. 12列以后的信息都是metadata，程序用标记

sam文件中第二列 flag 信息很重要，下面做进一步解释。

利用samtools flagstat工具可以查看bam文件中比对的flag信息，并输出比对的统计结果。

samtools flagstat *.bam

flag一共有12个标签，使用 16 进制数表示，每个标签值是 2^(n-1) ，其中 n<=12 ，每个值有其对应的唯一解释含义，具体见下图。

你会发现随机挑选几个值做加和运算，他们的结果都是唯一的，所以在bam文件中第二列flag的值代表这条序列符合下图所示条件的值的和。

所以根据这个值我们可以判断这条序列是双端测序还是单端测序；如果是双端测序，reads来自左端还是右端。比如 65 只能是 1 和 64 组成，代表这个序列是双端测序，而且是 read1 。

每次转换很头疼？别担心，网上有很多解码flag含义的在线工具，如 SAM Format （网址：https://www.samformat.info/sam-format-flag）

输入 flag 的值，解析工具会返回匹配上的信息。如果是单端测序， flag 值都是偶数。

如果是双端测序，工具会帮我们把另外一端序列的 flag 值返回，并且将这些数字情况大致分为 5 类，在右侧进一步显示这个值对应的含义。

6. wig、bigwig和bedgraph文件

上述 bam 和 sam 文件可以帮助我们探索 reads 在参考基因组中的比对情况，导入基因组浏览器查看比对状态和突变信息。而 wiggle (简称 wig )、 bigwig (简写 bw )以及 bedgraph (简写 bdg )只包含区域和区域的覆盖度信息，文件更小，用于可视化更方便，可以导入基因组浏览器（Genome Browser）中进行可视化，以查看reads在参考基因组各个区域的覆盖度并检测测序深度。这几个文件在 ChIP-seq数据分析 Call Peak 阶段会生成，可以利用 IGV 等工具进行可视化，方便查看组蛋白修饰的程度。