Herramientas SAM

SAMtools es un conjunto de utilidades para interactuar con alineaciones de lecturas de secuencias de ADN cortas y procesarlas en los formatos SAM (Sequence Alignment/Map), BAM (Binary Alignment/Map) y CRAM , escrito por Heng Li . Estos archivos se generan como salida de alineadores de lecturas cortas como BWA . Se proporcionan herramientas tanto simples como avanzadas, que admiten tareas complejas como la detección de variantes y la visualización de alineaciones, así como la clasificación, la indexación, la extracción de datos y la conversión de formatos . ^{[ 3 ]} Los archivos SAM pueden ser muy grandes (es común que tengan decenas de gigabytes ), por lo que se utiliza compresión para ahorrar espacio. Los archivos SAM son archivos de texto legibles por humanos, y los archivos BAM son simplemente su equivalente binario, mientras que los archivos CRAM son un formato de contenedor binario orientado a columnas reestructurado. Los archivos BAM suelen estar comprimidos y son más eficientes para que el software trabaje con ellos que los SAM. SAMtools permite trabajar directamente con un archivo BAM comprimido, sin tener que descomprimir todo el archivo. Además, dado que el formato de un archivo SAM/BAM es algo complejo (contiene lecturas, referencias, alineaciones, información de calidad y anotaciones especificadas por el usuario), SAMtools reduce el esfuerzo necesario para utilizar archivos SAM/BAM al ocultar los detalles de bajo nivel.

Como proyectos de terceros intentaban usar código de SAMtools a pesar de que no estaba diseñado para integrarse de esa manera, en agosto de 2014 se tomó la decisión de dividir el paquete SAMtools en una biblioteca de software independiente con una API bien definida (HTSlib), ^{[ 4 ]} un proyecto para la detección de variantes y la manipulación de datos de variantes (BCFtools), y el paquete SAMtools independiente para trabajar con datos de alineación de secuencias . ^{[ 5 ]}

Al igual que muchos comandos de Unix , los comandos de SAMtool siguen un modelo de flujo , donde los datos se procesan a través de cada comando como si se transportaran en una cinta transportadora . Esto permite combinar varios comandos en una secuencia de procesamiento de datos. Aunque el resultado final puede ser muy complejo, solo se necesita un número limitado de comandos sencillos para producirlo. Si no se especifica, se asumen los flujos estándar (stdin, stdout y stderr). Los datos enviados a stdout se imprimen en pantalla por defecto, pero se pueden redirigir fácilmente a otro archivo usando los redireccionadores Unix habituales (> y >>), o a otro comando mediante una tubería (|).

SAMtools proporciona los siguientes comandos, cada uno de los cuales se invoca como samtools <subcommand>:

vista

El comando `view` filtra datos con formato SAM o BAM. Mediante opciones y argumentos, determina qué datos seleccionar (posiblemente todos) y solo los procesa. La entrada suele ser un archivo SAM o BAM especificado como argumento, pero también puede ser datos SAM o BAM procesados ​​desde cualquier otro comando. Entre sus posibles usos se incluyen la extracción de un subconjunto de datos a un nuevo archivo, la conversión entre formatos BAM y SAM, y la visualización del contenido original del archivo. Se conserva el orden de lectura de los datos extraídos.

clasificar

El comando `sort` ordena un archivo BAM según su posición en la referencia, determinada por su alineación. El elemento + coordenada en la referencia con la que se alinea la primera base coincidente en la lectura se utiliza como clave para ordenarlo. [PENDIENTE: verificar]. La salida ordenada se guarda en un archivo nuevo por defecto, aunque se puede redirigir a la salida estándar (usando la opción `-o`). Dado que la ordenación consume mucha memoria y los archivos BAM pueden ser grandes, este comando admite un modo de seccionamiento (con la opción `-m`) para usar como máximo una cantidad determinada de memoria y generar varios archivos de salida. Estos archivos se pueden fusionar para producir un archivo BAM ordenado completo. [PENDIENTE: investigar los detalles de esto con más detenimiento] .

índice

El comando index crea un nuevo archivo de índice que permite una búsqueda rápida de datos en un archivo SAM o BAM (ordenado). Al igual que un índice en una base de datos, el archivo *.sam.sai o *.bam.bai generado permite que los programas que pueden leerlo trabajen de manera más eficiente con los datos de los archivos asociados.

tview

El comando tview inicia un visor interactivo basado en ASCII que permite visualizar cómo se alinean las lecturas con regiones pequeñas específicas del genoma de referencia. En comparación con un visor gráfico como IGV, ^{[ 6 ]} tiene pocas funciones. Dentro de la vista, es posible saltar a diferentes posiciones a lo largo de los elementos de referencia (usando 'g') y mostrar información de ayuda ('?').

mpileup

El comando mpileup genera un archivo en formato pileup (o BCF) que indica, para cada coordenada genómica, las bases de lectura superpuestas y las inserciones/deleciones en esa posición en los archivos BAM de entrada. Esto puede utilizarse, por ejemplo, para la detección de SNP.

estado de bandera

• secuenciación de ADN
• Formato de acumulación

• Sitio web oficial